人工智慧近期的發展，已經為許多產業帶來了巨大的衝擊，醫療產業自不能免於人工智慧發展的影響。近年來快速發展的人工智慧理論及應用，主要集中於機器學習（machine learning）及深度學習（deep learning）的發展。機器學習及深度學習具高邏輯性、高重現性、高客觀性，可望為醫療界帶來品質可控管之醫療服務。因而，人工智慧在醫療界的發展，近年來主要集中於診斷上的輔助，包含：影像診斷及檢驗診斷。其中，由於在過去數十年間檢驗醫學在定量、品質管理、標準化等面向上的高度發展，已經為後續機器學習或深度學習的發展、應用帶來了相當好的基礎。在此良好的資料基礎上，檢驗醫學醫師可望發展良好的機器學習應用模型。在此次報告中，吾人將呈現兩個林口長庚檢驗醫學科已發展的機器學習應用模型作為例子。
　　第一「微生物特性預測機器學習演算法」：微生物特性之鑑定，是重要的臨床需求，且為全球感染管制上的重大議題。但現有微生物的質譜鑑定技術，尚無法系統性地提供高精確度的微生物特性鑑定，如亞種、抗藥性及毒性等鑑定。鑒於此需求，檢驗醫學科即發展一新發明，除了可快速、正確地進行微生物特性之鑑定，也可單以量測質譜之資料，進行微生物亞種、毒性、抗藥性的鑑定。本發明方法之微生物特性鑑定方法，具高精準度、高時效性及高重現性等特性，因此可減少許多額外檢驗操作及人為判讀，在人力及物力的管控上皆是一大進展。此外，本技術已純熟且經臨床資料驗證，不久將來可運用於臨床微生物之檢驗上。
　　第二「癌症篩檢機器學習模型」：癌症為國人以及諸多已開發國家之最主要死因。癌症之治療及照護，皆為社會帶來了沉重的負擔。癌症的早期診斷可提高治癒機會，因此癌症篩檢風氣盛行。然而，現有癌症篩檢之工具有費時、花費高、低準確、仰賴人工判斷等缺點。鑒於此需求，檢驗醫學科即發展一新發明：提出機器學習演算法結合腫瘤標記套組方法之運用，可提高一般族群全癌類篩檢之時效性、正確性及重現性，可廣為健康檢查產業(特別是癌症篩檢)所應用。使用機器學習演算方法，得以最大程度地從現有數據中，分析癌症與非癌症個案其腫瘤標記分佈上的差異。此外，訓練完成的機器學習演算模型，亦可多方面地複製至使用者的終端機進行使用。因此，在正確性、時效性、經濟效益及重現性上，皆獲得重大改善。
　　基於以上兩個在醫療領域發展成功的機器學習模型，可以看見人工智慧在醫療領域所帶來的益處與衝擊。在此成功基礎上，人工智慧結合檢驗醫學的發展將可期待為醫師及病患帶來更好、更正確、更有經濟效益的醫療服務。