中興大學發現癌細胞轉移的關鍵基因

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／田偲妤
• 美術設計／蔡宛潔

AI 的誕生，文理缺一不可

人工智慧（Artificial Intelligence，簡稱 AI）在 21 世紀的今日已大量運用在生活當中，近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等，都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維，除了仰賴工程師的先進技術，更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員，帶大家釐清什麼是 AI？文科人與工程師合作時，需具備什麼基本 AI 知識？AI 如何應用在人文社會領域的工作當中？

詩詞大對決：人與 AI 誰獲勝？

一場緊張刺激的詩詞對決在線上展開！人類代表是有「AI 界李白」稱號的蔡宗翰研究員，AI 代表則是能秒速成詩的北京清華九歌寫詩機器人，兩位以「人工智慧」、「類神經」為命題創作七言絕句，猜猜看以下兩首詩各是誰的創作？你比較喜歡哪一首詩呢？

答案揭曉！A 詩是蔡宗翰研究員的創作，B 詩是寫詩機器人的創作。細細賞讀可發覺，A 詩的內容充滿巧思，為了符合格律，將「類神經」改成「類審經」；詩中的「福落天赦」是「天赦福落」的倒裝，多念幾次會發現，原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯；而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯，整首詩創意十足，充滿令人會心一笑的魅力！

相較之下，B 詩雖然有將「人工」兩字穿插引用在詩中，但整體內容並沒有呼應命題，只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝！

由此可見，當前的 AI 缺乏創作所需的感受力與想像力，無法做出超越預先設定的創意行為。然而，在不久的將來，AI 是否會逐漸產生情感，演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人？

AI 其實沒有想像中聰明？

近期有一則新聞「AI 有情感像 8 歲孩童？Google 工程師爆驚人對話遭停職」，讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示：「當前的 AI 還是要看過資料、或是看過怎麼判讀資料，經過對應問題與答案的訓練才能夠運作。換而言之，AI 無法超越程式，做它沒看過的事情，更無法替人類主宰一切！」

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言，多半是因為我們對 AI 的訓練流程認識不足，也缺乏實際使用 AI 工具的經驗，因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上，更延伸到文科人與理科人的合作溝通上，因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識，不僅能讓跨領域的合作更加順利，還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是，由於文科人不了解 AI 的訓練流程，因此對 AI 產生錯誤的期待，認為辛苦標注的上千筆資料，應該下個月就能看到成果，結果還是錯誤百出，準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚，兩方就會陷入僵局，導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議：

如果文科人了解基本的 AI 訓練流程，並在每個訓練階段協助分析：錯誤偏向哪些面向？AI 是否看過這方面資料？文科人就可以補充缺少的資料，讓 AI 再進行更完善的訓練。

史上最認真的學生：AI

認識 AI 的第一步，我們先從分辨什麼是 AI 做起。現在的數位工具五花八門，究竟什麼才是 AI 的應用？真正的 AI 有什麼樣的特徵？

基本上，有「預測」功能的才是 AI，你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現，而且人類手工操作就辦得到，那就不是 AI。

蔡宗翰研究員以今日常見的語音辨識系統為例，大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話，你會發現自己無法事先知曉將產生什麼文字或回應，結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同：AI 無法百分之百正確！

因此，AI 的運作需建立在不斷訓練、測試與調整的基礎上，盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段，工程師彷彿化身老師，必須設計一套學習方法，提供有助學習的豐富教材。而 AI 則是史上最認真的學生，可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI，讓其根據工程師所定義的資料相似度算法，逐漸學會將相似資料分在同一堆，再由人類檢視並標注每堆資料對應的類別，進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI，讓其逐漸學會將任意資料對應到正確答案。

學習到一定階段後，工程師會出試題，測試 AI 的學習狀況，如果成績只有 60、70 分，AI 會針對答錯的地方調整自己的觀念，而工程師也應該與專門領域專家一起討論，想想是否需補充什麼教材，讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作，也可能因為時事與技術的推陳出新，導致準確率下降。這時，AI 就要定時進修，針對使用者回報的錯誤進行修正，不斷補充新的學習內容，讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後，蔡宗翰研究員建議：文科人可以看一些視覺化的操作影片，加深對訓練過程的認識，並實際參與檢視與標注資料的過程。現在網路上也有很多 playground，可以讓初學者練習怎麼訓練 AI，有了上述基本概念與實務經驗，就可以跟工程師溝通無礙了。

AI 能騙過人類，全靠「自然語言處理」

AI 的應用領域相當廣泛，而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因，他充滿自信地回答：因為自然語言處理是「AI 皇冠上的明珠」！這顆明珠開創 AI 發展的諸多可能性，可以快速讀過並分類所有資料，整理出能快速檢索的結構化內容，也可以如同真人般與人類溝通。

著名的「圖靈測試」（Turing Test）便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代，傳奇電腦科學家艾倫・圖靈（Alan Turing）設計了一個實驗，用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好，並派一個人操作終端機，再找一個第三者來進行對話，判斷從終端機傳入的訊息是來自 AI 或真人，如果第三者無法判斷，代表 AI 通過測試。

換而言之，AI 必須擁有一定的智力，才可能成功騙過人類，讓人類不覺得自己在跟機器對話，而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在：人文研究文本分析、新聞真偽查核，更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料，追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化，而大量數位化的經典更被主動分享到「Chinese Text Project」平台，讓 AI 自然語言處理有豐富的文本資料可以分析，包含一字不漏地快速閱讀大量文本，進一步畫出重點、分門別類、比較相似之處等功能，既節省整理文本的時間，更能橫跨大範圍的文本、時間、空間，擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的？就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋，由鎮江、杭州一帶的說書人所創作，著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉，才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素，接著用這批標記好的語料來訓練 BERT 等序列標注模型，以便將「文本向量化」，進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現，白蛇傳的原型可追溯自印度教的那伽蛇族故事，傳說那伽龍王的三女兒轉化成佛、輔佐觀世音，或許與白蛇誤食舍利成精的概念有所關連，推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外，故事的雛型可能早從唐代便開始醞釀，晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事，而法海和尚、金山寺等關鍵人物與景點皆真實存在，金山寺最初就是由唐宣宗時期的高僧法海所建。

在 AI 的協助之下，我們得以跨時空比較不同文本，了解說書人如何結合印度神話、唐代傳奇、在地的真人真事，創作出流傳千年的白蛇傳經典。

最困難的挑戰：AI 如何判斷假新聞

除了應用在人文研究文本分析，AI 也可以查核新聞真偽，這對假新聞氾濫的當代社會是一大福音，但對 AI 來說可能是最困難的挑戰！蔡宗翰研究員指出 AI 的弱點：

如果是答案和數據很清楚的問題，就比較好訓練 AI。如果問題很複雜、變數很多，對 AI 來說就會很困難！

困難點在於新聞資訊的對錯會變動，可能這個時空是對的，另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器，可輸入當前的新聞讓機器去判讀真假，但過一段時間可能會失準，因為新的資訊源源不絕出現。而且道高一尺、魔高一丈，當 AI 好不容易能分辨出假新聞，製造假新聞的人就會破解偵測，創造出 AI 沒看過的新模式，讓先前的努力功虧一簣。

因此，現在多應用「事實查核法」，原理是讓 AI 模仿人類查核事實的過程，尋找權威資料庫中有無類似的陳述，可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊，致力於建立英文事實查核法模型所能運用的資源，並透過舉辦國際競賽，廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後，也與合作夥伴事實查核中心及資策會討論，正著手建立中文事實查核法模型所需資源。預期在不久的將來，AI 就能幫讀者標出新聞中所有說法的資料來源，節省讀者查證新聞真偽的時間。

AI 的無限可能：專屬於你的療癒「杯麵」

AI 的未來充滿無限可能，不僅可以成為分類與查證資料的得力助手，還能照護並撫慰人類的心靈，這對邁入高齡化社會的臺灣來說格外重要！許多青壯年陷入三明治人（上有老、下有小要照顧）的困境，期待有像動畫《大英雄天團》的「杯麵」（Baymax）機器人出現，幫忙分擔家務、照顧家人，在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式，新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」（Nadine），由感知、處理、互動等三層架構組成，可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境，並將上述資訊發送到處理層。處理層會依據感知層提供的資訊，連結該用戶先前與娜丁互動的記憶，讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象，或對陌生事物感到不安，常選擇靜默不語，需要照護者主動引導。因此，娜丁內建了注視追蹤模型，當偵測到住戶已長時間處於被動狀態，就會自動發起話題。

實驗發現，在娜丁進駐長照機構一段時間後，住戶有一半的天數會去找她互動，而娜丁偵測到的住戶情緒多為微笑和中性，其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

至於未來的改進方向，研究團隊認為「語音辨識系統」仍有很大的改進空間，需要讓機器人能配合老年人緩慢且停頓較長的語速，音量也要能讓重聽者可以清楚聽見，並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人，首要任務就是要開發一套臺灣人專用的 AI 語言模型，包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型，期待政府能整合學界與業界的力量，降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感，但卻可以成為人類大腦的延伸，協助我們節省處理資料的時間，更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨，如何讓自己的行事邏輯跟上 AI 時代，讓 AI 成為自己的助力，是值得你我關注的課題。

延伸閱讀

• 蔡宗翰（2022）。寫給中學生看的 AI 課：AI 生態系需要文理兼具的未來人才。三采文化出版。
• Tulsulkar, G., Mishra, N., Thalmann, N.M. et al (2021). Can a humanoid social robot stimulate the interactivity of cognitively impaired elderly? A thorough study based on computer vision methods. Vis Comput 37, 3019–3038.

• 作者／照護線上編輯部
• 本文轉載自 Care Online 照護線上《整排脊椎都骨折！骨質疏鬆症要及早治療、保命防跌，骨科醫師圖文解說》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

骨鬆性骨折痛得要人命！

80 歲的王女士躺在推床上，因為背部劇痛而一臉痛苦。

「患者的骨質疏鬆症非常嚴重，從胸椎到腰椎的脊椎骨已有多處壓迫性骨折」

彰化基督教醫院骨科部呂岳修醫師回憶，「第一次壓迫性骨折時，患者還可以走路，但是在第二次、第三次骨折後，便得坐輪椅，到後來連胸椎都骨折的時候，就只能躺床，相當煎熬。」

呂岳修醫師表示，如果能及早治療骨質疏鬆症，才有機會預防一連串壓迫性骨折的發生，否則即使灌入骨水泥，恐怕也沒有辦法改善患者的症狀。

根據健保資料庫的統計，目前全台灣罹患骨質疏鬆症患者，男性約 60 萬人，女性約 170 萬人。呂岳修醫師指出，許多患者並沒有自覺或就醫，實際罹患骨質疏鬆症的患者一定還會更多。

由於骨質疏鬆症可能沒有明顯症狀，許多患者從來沒有做過骨質疏鬆的篩檢，或在發現骨質疏鬆症後，也沒有積極接受治療。呂岳修醫師說，大家對於骨質疏鬆症的病識感較低，常常要到發生骨折，才驚覺問題的嚴重性；甚至有些鐵齒的患者一直到發生第二次骨鬆性骨折才肯開始接受治療。

骨質疏鬆症的危險因子相當多，包括老年人、停經後的女性、體重過輕、缺乏運動、抽菸、喝酒、長期使用類固醇、鈣質與維生素 D 攝取不足等。

「骨質疏鬆症跟蛀牙有點類似，一開始都不會有明顯的感覺，很容易被忽略。」呂岳修醫師提醒，大家可以留意以下幾個警訊，例如發現身高變矮 4 公分以上，或是當背部靠牆壁站立時，如果罹患骨質疏鬆症而導致駝背，會使得後腦勺難以碰到牆壁，與牆面會間距超過3公分以上。另外，如果經常感到腰痠背痛關節痛，也要就醫檢查，評估是否有骨質疏鬆症。

骨質疏鬆症容易骨折害性命！

骨質疏鬆症對病患造成最大的衝擊跟影響，就是骨質疏鬆症容易導致骨折，而骨折會造成劇烈疼痛，導致行動不便、臥床失能，進而影響生活品質、提高醫療花費。除此之外，骨質疏鬆症患者常發生髖關節骨折，還會增加死亡風險。呂岳修醫師指出，髖關節骨折患者一年內的平均死亡率，可能高達將近 25% ，相當驚人！

治療骨折時都會需要使用植入物固定骨頭，骨質疏鬆症病人的骨質較差，很容易出現植入物鬆脫的情況。呂岳修醫師說，以脊椎手術而言，沒有骨質疏鬆症的患者，術後兩年內再手術的比率約 25%；至於有骨質疏鬆症的患者，因為骨質疏鬆症造成植入物鬆脫，兩年內需要再手術的比率會高達 45%。

目前台灣的髖關節骨折發生率是全世界第九名，更是亞洲第一名，可見骨質疏鬆症在台灣是絕對不容忽視的健康議題。呂岳修醫師說，骨質疏鬆症造成骨折不僅影響患者，還會對家庭、社會造成衝擊。骨質疏鬆症就跟高血壓、高血脂、高血糖一樣，是非常重要的慢性病，必須積極且持續治療。

具有骨質疏鬆症危險因子的民眾，建議要接受骨質密度檢查。雙能量X光吸光式測定儀（dual-energy X-ray Absorptiometry，DXA）是診斷骨質疏鬆症的標準檢查，利用X光來檢測骨質密度。

呂岳修醫師解釋，骨密度檢查的報告會標示 T 值（T-Score），T 值是與健康成年人之骨質密度做比較，所計算出來的值。當 T 值大於或等於 -1.0 時屬於「骨質正常」；當 T 值介於 -1.0 至 -2.5 之間稱為「骨質缺乏（osteopenia）」；當T值等於或小於 -2.5 時，便稱為「骨質疏鬆症（osteoporosis）」。

根據 2021 台灣成人骨質疏鬆症防治之共識及指引，若符合以下其中一項，應考慮為極高骨折風險患者，像是骨密度T值非常低（低於-3.0）、最近 12 個月內發生骨鬆性骨折、接受骨質疏鬆藥物治療仍發生骨折、有多處部位骨鬆性骨折、服用對骨骼損傷藥物發生骨折（如長期接受類固醇治療）、跌倒風險高或有傷害性跌倒病史的患者、FRAX 骨折風險超高的患者（如主要骨質疏鬆性骨折＞30%，髖關節骨折＞4.5%）。

骨質疏鬆症，要開源節流，保命防跌！

骨質疏鬆症的治療原則是「開源節流」，目前治療骨鬆的藥物分為二類，分別是促進骨質生成藥物、以及減少骨質流失藥物。呂岳修醫師解釋，「開源」的意思是增加骨質密度，「節流」的意思是減少骨質流失。

骨鬆藥物使用的方式也分很多種，包括口服、靜脈注射、皮下注射等，不同的藥物其使用的頻率也不盡相同。呂岳修醫師說，臨床上會根據患者的狀況，選擇合適的藥物。

骨質疏鬆症患者在接受骨鬆藥物治療的同時，也需要做好日常保養。每天要曬太陽至少 15 分鐘，飲食方面要攝取足量鈣質與維生素 D，鈣質建議要達到每日 1,200 毫克，維生素 D 要達到每日 1,000 IU。運動方面，阻力運動有助於提升肌力與骨質密度。建議戒菸、戒酒，以減少骨質流失。

「骨質疏鬆症患者務必保命防跌！」呂岳修醫師強調，生活中要做好預防跌倒的措施，步態不穩的患者要使用柺杖、輔具，家庭環境要照明充足、減少障礙，浴室廁所要安裝扶手、止滑墊，盡量減少跌倒的機會。另外有在服用慢性病藥物的老人家，在使用可能造成低血壓或低血糖的藥物時也要特別注意安全。

貼心小提醒

「預防勝於治療」呂岳修醫師說，「我們希望民眾不要等到真的骨折了，才知道原來自己有骨質疏鬆症的問題。」

接受骨質密度篩檢有助於早期發現骨質疏鬆症，也能及早介入治療，降低骨折的風險！

• 本衛教訊息由台灣安進協助提供

• 本文轉載自 Care Online 照護線上《整排脊椎都骨折！骨質疏鬆症要及早治療、保命防跌，骨科醫師圖文解說》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

18 世紀工業革命，人力從家庭進入工廠，連孩子們也無法倖免。為了保障童工的權利，1819 年英國制定了《工廠法》（Factory Act），規範合法工作年齡和時數。^[1]現在 COVID-19 又把部份勞工趕回去，在家工作的現象，竟讓英國企業動了「善用」童工的念頭……。

學童成為人工智慧幕後推手

2020 年英國政府因應 COVID-19 疫情，成立了「橡樹國家學院」（the Oak National Academy）網路平台，提供線上教學課程。這招多少能挽救受學校停課影響的教學品質，但解決不了封城或隔離期間課後活動的匱乏，無聊到快抓狂的孩子，差點逼瘋在家工作的家長。此時，數位病理科技集團 PathLAKE 橫空出世，為家長分憂，「順便」利用學童來發展人工智慧。^[2]

• 人工智慧（artificial intelligence）的「機器學習」（machine learning），大略分為三種：

1. 監督式機器學習（supervised machine learning）：把標註好的資訊，餵給機器。由於標註的步驟是人類執行的，機器在學習的過程中，會逐漸朝人類設定的目標，愈加精準。^[3]
2. 非監督式機器學習（unsupervised machine learning）：要求程式從未標註的資料中，找出現象或模式。在人類沒有插手的狀況下，有時會得到出乎意料的結果。^[3]
3. 增強式機器學習（reinforcement machine learning）：設下獎勵機制，讓機器從嘗試中學習。例如：告訴自駕車它在行駛中，做對了哪個決定。^[3]

PathLAKE 集團想做的是病理圖像的「監督式機器學習」。然而，標註資料的工作耗時費力，近年選擇從事病理科工作的醫師比例又大不如前。於是，「童工」就成為填補業界人力空缺的另類解方。

PathLAKE 的策略，大致上是這樣的：首先，昭告天下說這裡有個線上課外活動，即將開放給學童參加。拐來一票願意簽署同意書的家長後，先教他們的小孩癌細胞長怎樣。等小鬼頭們學得差不多，便可以玩遊戲闖關，藉此驗收他們的學習成果。依循此模式，將來或許就能聘僱為數龐大的「童工」，來標註病理圖像，然後再以此數據資料訓練人工智慧機器。^[2]

「打敗病理學家」細胞形態辨識競賽

PathLAKE 集團舉辦的活動分二個梯次，每次都招募 3 個不同年齡層的學童：4 到 11 歲、11 至 16 歲以及 16 到 18 歲。他們透過網路學習基礎的「細胞形態學」（cell morphology），以辨識乳癌細胞染色影像的 4 種類型：陽性癌細胞（positive tumour cell）、陰性癌細胞（negative tumour cell）、陽性非癌細胞（positive non-tumour cell），還有陰性非癌細胞（negative non-tumour cell）。課程結束，便參與競賽。^[2]

以下是二個梯次競賽部份的內容與差異：^[2]

• 測試版競賽（Pilot competition）: 

1. 關卡：遊戲總共有三關，關卡名稱「微辣」（Mild）、「中辣」（Hot）、「大辣」（Spicy），聽起來頗像麻辣鍋的辣度分級……，每一關分別有 20、30 和 50 張影像，要參賽者辨識。
2. 成績：報名並完成線上課程的 28 名學童中，僅有 5 人參加競賽。其中只有 1 人成功地從「微辣」晉級到「中辣」，而「特辣」根本沒人玩。教學和遊戲的難度，明顯須要調整。

• 主要競賽「打敗病理學家」（＂Beat the Pathologists＂）：

有了上一梯次的經驗，PathLAKE 團隊修改設計，於 2020 年 10 月的「牛津科學節」（the Oxford Science Festival）推出「打敗病理學家」活動。

1. 關卡：這回有「微辣」（Mild）、「中辣」（Hot）、「大辣」（Spicy）以及「特辣」（Supercharger），共 4 個關卡，邀請參賽者分別得挑戰 20、40、60 和 80 張影像。
2. 成績：總計 98 位學童登記報名中，有 95 人參與競賽。其中 91 人通過「微辣」考驗，經過層層過關斬將，最終 22 人成功解鎖（含 15 人晉級）「特辣」關卡。

成效與願景

皇家病理學家協會（the Royal College of Pathologists）在 2020 年「國家病理週」（National Pathology Week）期間，宣傳 PathLAKE 的活動。PathLAKE 集團本身也萬分滿意其成效，在 2022 年 5 月 12 日的《科學報告》（Scientific Reports）期刊中，表示「學童有精確標註細胞的高度潛力……，期望此類的競賽不光使他們對病理學和人工智慧產生興趣，還能促進病理學家與電腦科學家的合作」，並預告他們之後會推出一個標註「腺體結構」（glandular structures）的新活動。^[2]

當然，看完「資方」的心得與願景，也該來瞭解一下「勞方」的處境。在英國文豪狄更斯（Charles Dickens）小說《孤雛淚》（Oliver Twist）描述的 19 世紀維多利亞時代，兒童被家長或監護人逼迫去工作，工時冗長且勞動環境惡劣。^[4]

將近二個世紀的時間過去後，COVID-19 疫情期間的英國學童，是否受到相對優渥的待遇？

從 PathLAKE 團隊的片面描述，我們可以得知：除了病理知識外，每位活動成員均得到參與證書一份，前三名則另有獎項。

參考資料

1. Impact of government acts improving working conditions（BBC）
2. Lessons from a breast cell annotation competition series for school pupils（Scientific Reports, 2022）
3. Machine learning, explained（MIT Sloan School of Management, 2021）
4. Children in Dickens’s Novels（International Journal on Studies in English Language and Literature, 2014）