編按：本文提供心血管疾病患者，在接種 COVID-19 疫苗（簡稱疫苗）前的基本認識，以及和專科醫護討論之背景資訊。

• 本系列文章與科學月刊合作刊登。
• 本文感謝台大醫院雲林分院心血管科 張勝南醫師，與基隆長庚醫院心臟內科 王兆弘醫師 審稿，以及台灣新興科技媒體中心的協助。
• 系列前言：考量到許多病友接種疫苗前需要參考更個人化的資料，本系列將從各國醫學會的治療指引與研究中，擷取精華，用較容易理解的方式，整理對各專科患者接種疫苗的建議。 本系列純為知識彙整，並不能做為醫療決策時的依據。如您對個人的病況有進一步的疑問，請洽詢您的醫師，謝謝。

警告：

• 本文無法作為個人醫療建議，在做任何決定之前，請先和專科醫護討論
• 慢性病（包含各項指數，如：凝血指數、血糖、血壓等）都應先控制穩定，再尋求疫苗接種。若不清楚自身病況是否穩定，請先和熟悉之醫師共同討論
• 切勿任意停藥
• 對疫苗內容物已知過敏者，接種前請和現場醫護討論。若不知道疫苗內容物為何，請列出自己過往曾過敏的藥物，攜往接種場所和醫護討論
• 禁忌症：
  • 曾有血栓合併血小板低下症候群，或肝素誘導的血小板減少症和血栓形成（HITT 或 HIT 2 型）病史。請先和醫護討論改接種其他種類疫苗，如：mRNA（莫德納）。若不清楚自身病史，請先和熟悉之醫師共同檢視病史
  • 接種第 1 劑後，發生嚴重過敏。請先和醫護討論改接種和第 1 劑不同類型的疫苗

Q1. 心血管疾病病友，需要接種疫苗嗎？心血管疾病病友，得到 COVID-19 後的重症機率較一般人高嗎？

• 疫苗是保護心血管疾病病友的最好方式之一。如果您是心血管疾病病友，在得到 COVID-19 後，惡化成重症的風險確實較高。各細項疾病可能惡化成重症的資訊，請點此；相關機制請點此。
• 在台灣，部分的心血管疾病有被列在優先接種名單上，例如在「19 – 64 歲具有易導致嚴重疾病之高風險疾病者」分類中，就有包含：動脈粥狀硬化（atherosclerosis）、缺血性腦中風（cerebral infarction）等患者。

部分疾病，可能不在優先名單中，如：未引起器官惡化的高血壓。若想知道哪些疾病於優先名單中，請參考疾管署「COVID-19 疫苗接種計畫高風險慢性病疾病代碼」。若看不懂疾病編號，請和專業醫護討論。

Q2. 各類服藥狀態

• 切勿任意停藥。在進行任何醫療行為前，請和專科醫護討論
• 網路已有錯誤謠言出現－「疫苗前，要停止抗凝血／抗血小板藥」，此為嚴重誤導。任意停藥可能會有嚴重後果（如：中風）。

1. 疫苗對正在吃華法林（warfarin）等抗凝血藥物的人，是安全的嗎？
   • 一般來說，是安全的。但您必須告知接種疫苗的醫護，您正在服用的抗凝血藥物和種類。若不清楚自己服用的藥物種類，可持藥單和醫護討論。
   • 由於服用抗凝血藥物，可能會使得注射疫苗的傷口處需要較長的時間才能止血，以致上臂可能會出現瘀傷。若擔心止血和瘀傷問題，請洽現場醫護。
     
2. 疫苗對正在吃保栓通（clopidogrel，氯吡格雷）等抗血小板藥物的人，是安全的嗎？
   • 一般來說，是安全的。但您必須告知接種疫苗的醫護，您正服用抗血小板藥物和種類。若不清楚自己服用的藥物種類，可持藥單和醫護討論。
   • 由於服用抗血小板藥物，可能會使得注射疫苗的傷口處需要較長的時間才能止血，以致上臂可能會出現瘀傷。若擔心止血和瘀傷問題，請洽現場醫護。
     
3. 疫苗對正在吃 β 受體阻滯劑（β blockers， 心臟、血壓藥）、史塔汀（statins， 降血脂藥）、血壓等藥物的人，是安全的嗎？
   • 一般來說是安全的，藥物也不會降低疫苗發揮效力。但仍建議您先和專科醫師討論，若不清楚自己服用的藥物種類，可持藥單和醫師討論。

Q3. 疫苗與凝血：疫苗造成的血栓與其他副作用？

• 切勿任意停藥。不可因聽聞 AZ 疫苗和血栓有關，而自行停藥
• AZ 牛津、嬌生疫苗會引發極罕見副作用（約百萬分之十），為血小板低下合併血栓。目前受影響的以年輕人居多，因此英國建議 40 歲以下民眾，在有其他疫苗可選擇的前題下，可選擇非腺病毒疫苗（如：莫德納）。不過台灣尚無此建議。若接種第 1 劑後，未發生此罕見副作用，仍可接種第 2 劑。
• 接種疫苗後 28 天內，若出現以下任一症狀，請立即就醫並說明疫苗接種史：
  • 嚴重持續性頭痛、視力改變或癲癇
  • 嚴重且持續腹痛超過 24 小時以上
  • 嚴重胸痛或呼吸困難
  • 下肢腫脹或疼痛
  • 皮膚出現自發性出血點、瘀青、紫斑等。此副作用和較常見的血栓（如：深部靜脈血栓、中風）機轉不同，若曾有這些常見之血栓病史，仍可接種 AZ 疫苗。若不清楚自身病史，請先和熟悉之醫師共同檢視病史。

衍伸閲讀：

COVID-19疫苗施打前，應該要知道(1)：注意事項與疫苗原理- PanSci 泛科學

COVID-19疫苗施打前，應該要知道(2)：副作用與疑似不良反應- PanSci 泛科學

Q4. 疫苗與心肌炎

目前有接種 mRNA 疫苗（莫德納、輝瑞-BNT）後，發生輕微心肌炎的案例，不過此副作用是屬於輕微、醫療照護後可恢復的。主要影響 30 歲以下的年輕男性，但是數量極為罕見，評估不到萬分之一。目前並無任何國家因此禁止接種、或因而建議改選其他疫苗。

此副作用較常發生在施打第 2 劑後的數天內。若接種疫苗數天內出現胸痛、呼吸急促或心跳加速等情況，請就醫並告知疫苗接種等醫療史。

Q5. 打完疫苗後，就一定有效嗎？

很不幸的，疫苗並非萬靈丹。請維持口罩、洗手，社交距離等防護措施。同時避免群聚，若不得已須在室內聚集，請保持和室外通風或空氣過濾的狀態。

Q6. 除了疫苗，我還可以做些什麼避免風險？

除了心血管疾病，尚有一些可能導致重症的危險因素。減少這些因素可降低重症風險：

• 肥胖：BMI ≧ 30 的肥胖者，被認為容易惡化成重症。事實上，臨床觀察到重症患者，有八成的 BMI 都超過 25。
• 吸菸：吸菸者得到 COVID-19 後，惡化成重症的風險，是不吸菸者的兩倍。

延伸閲讀

• 謠言大破解！新冠病毒疾病(COVID-19) 疫苗的 Q & A（更新日：02/27） – PanSci 泛科學
• 謠言大破解！新冠病毒疾病（COVID-19）疫苗的 Q & A 第2 篇（更新日：03/16） – PanSci 泛科學
• 疫苗資訊全面解析與常見 QA！關於 BNT、莫德納、AZ、嬌生、科興、國藥、Novavax 和高端疫苗
• 器官移植者接種新冠疫苗，有哪些注意事項？
• 糖尿病患者接種新冠疫苗，有哪些注意事項？
• 青少年接種「輝瑞 BNT 疫苗」安全嗎？——憂慮的家長們不妨看看「美國統計數據」！

參考文獻

1. 英國心臟基金會-冠狀病毒：如果您患有心臟病或循環系統疾病，這對您意味著什麼
2. 英國心臟基金會-冠狀病毒如何影響您的心臟？
3. 英國心臟基金會-如何才能避免死在冠狀病毒的手上？
4. 英國心臟基金會-冠狀病毒疫苗 (含服抗凝血、心臟病藥族群)
5. 英國心臟基金會-吸煙會增加還是減少感染冠狀病毒的風險？
6. 謠言澄清聲明： 施打疫苗前勿暫停使用抗血小板藥物以及口服抗凝劑。中華民國心臟學會。2021/06/25
7. 英國心臟基金會-冠狀病毒和心臟藥物
8. 英國心臟基金會- ACE 抑製劑、ARBs 以及與冠狀病毒的聯繫

• 水熊蟲真的能跟量子位元「量子糾纏」嗎？
• 逼近 50% 的癌症研究實驗無法被重現？RPCB 耗時 8 年點出「再現性危機」
• 大資訊時代也是大駭客時代！——你該認識的駭客新興手法
• Omicron 變種病毒從哪來？打疫苗有用嗎？Omicron 相關研究彙整
• 推理系動畫毒殺利器！——認識致命的「河魨毒」

2021年末，小玉的「Deepfake 換臉事件」讓大眾正視 Deepfake 技術的濫用問題。  Deepfake 發展至今不只有造假技術在進步，辨偽也是：目前任職於成大統計所的許志仲老師，從 2018 年開始便在這個主題中專研，並於 2020 年發表相關研究結果，該篇文章起今已有超過 50 次的引用次數。「以這篇論文發表的期刊影響指數（Impact Factor，簡稱IF值）來說，這個引用數相對來說是高的，這代表 Deepfake 辨偽的議題開始變得重要，但研究的人可能沒那麼多。」

許志仲坦言，自己 2018 年研究 Deepfake 辨偽時，Deepfake 影片品質並沒有特別好。沒想到短短兩三年的時間，Deepfake 的效果就已經好到可能會造成問題了。

雙面刃的 Deepfake

Deepfake 技術起初是希望能藉由電腦產生各種不同的逼真圖片或影片，來因應特效製作或老照片修復之類的工作，而要產生逼真圖片或影片，有許多不同的方法都能達成這個目的，目前 Deepfake 最常使用的方法為 2014 年提出的「生成對抗網路（Generative Adversarial Network, 簡稱 GAN）」，透過生成網路與判別網路的對抗，產生逼真的圖片或影片，因此說到 DeepFake，通常都會說起 GAN。

「我們會說 Deepfake 就是 GAN，是因為就目前生成技術還是以 GAN 最好，當然也有新的方法正在發展，所以未來未必還是以 GAN 作為主體，可能用別的方法偽造，也能做得很漂亮。」

許志仲也表示，Deepfake 的發展目標是正面的，技術本身是中立的，但使用者怎麼使用這項技術，就成了重要問題。而在不能確保使用者心態的情況下，辨偽技術成了這項技術的最後一道防線。而 Deepfake 辨識的主要問題，可以分為偏向研究的「偽造特徵不固定」，以及偏向實務面的「辨偽系統的使用情境差異」兩個面向。

Deepfake 辨識的研究困難：偽造特徵不固定

現在已經有可以辨識貓狗、車牌等物體的影像辨識系統，這些辨識系統也相當成熟可靠，直覺來說，要做出一套辨識 Deepfake 的辨識系統，應該也不會太困難吧？

但實際上卻並非如此，過往辨識系統的做法是抓取容易辨別的特徵，例如貓與狗兩者在形態上就有明顯的差異，只要給電腦夠多的訓練資料，就能有一組精確區分貓與狗的判別式，且能用到各種需要分辨貓與狗的情況下。

先不談分辨人臉真假，就人臉辨識本身來說，就是個值得研究的問題，每個人的臉都長得差不多，差異在於五官的相對位置、形狀或大小有微小的差異，這使人臉辨識本身就難有通則可以去分辨。而不同方法生成相似的 Deepfake 圖片，並不一定具有相同的偽造特徵，從人臉特徵到偽造特徵都不固定，使得 Deepfake 辨識具有一定的困難度。

此外，即便用同一種方法製作同樣的 Deepfake 圖片，也會因為當初給的資料不同，使得偽造特徵出現差異，這讓「一組判別式就能判斷是否為 Deepfake」成為近乎不可能實現的夢。

也許，偽造特徵根本不在人臉上!?

面對 Deepfake 辨識的棘手問題，許志仲說：「要辨識的特徵太多元。我們覺得倒不如去尋找有什麼線索是 GAN 一致會產生的，這線索也許是我們眼睛看不到的，但是電腦可以透過學習的方式去挖掘，所以我就用了這種學習機制去抓出，會不會大部分的這種生成系統，都可能有共同的瑕疵。」

一張 Deepfake 照片並不只有人臉與五官，也包含了背景。而許志仲的論文指出，Deepfake 的偽造特徵，經常出現在背景，或是背景與人臉的交界處：

「臉通常都合成的很漂亮，但是背景跟臉的交界處會不自然。通常在髮絲的地方，髮絲的地方會糊掉這是一種，或是眉毛或者是額頭中的髮線也會有明顯差異。另外就是背景，會明顯看不出背景是什麼東西。大家都忽略看這裡（背景）很正常，而實驗結果也確實看到這些部分具有相對好的辨識度。」

然而，即便該篇論文是近期發布的，許志仲也不敢肯定這套辨識方式是否能套用在目前的狀況下，他表示目前每半年，GAN 生成的 Deepfake 影像的逼真度，就會有顯著的突破，且沒有消退的趨勢。

Deepfake 辨識的實務困難：辨偽系統的使用情境差異

在實務上，許志仲認為目前還有更為棘手的問題需要解決，那就是辨偽系統的使用情境差異。以一段 Deepfake 影片上傳 Youtube 平台為例，上傳的時候 YouTube 就會先對影片進行壓縮，這時原有的 Deepfake 偽造特徵很可能會因為壓縮而被破壞，許志仲解釋：「有些人會故意加上一些雜訊、加一些後處理，比方說整個畫面做類似美肌之類的處理，這些都會破壞掉偽造的線索，我們發現這些狀況十分常見，而且很難克服。這也是為什麼現在幾乎沒有軟體或網站，提供 Deepfake 辨識服務。」

在實驗室裡，我們可以拿到 GAN 生成的原始影像去做分析，但在網路世界裡，每一個影像都可能像上述的情況一樣，做了各種後處理才放到網路上，就算現在有研究指出某種辨認方式是有效的，也未必真的能應對網路上的複雜情況。

許志仲表示，目前看到有希望突破壓縮這個問題的辨認方式，是去抓人臉在一段影片中的五官變化是否足夠自然，這個線索可以克服壓縮的一點點問題，因爲是藉由五官相對位置的變化來偵測，這就跟壓縮沒太大關係。但正如前面提到的，人臉辨識是困難的，人臉的五官定位本身就無法做到精準，真要使用這套方法辨識 Deepfake，還需要更多研究來確認可行性。

也有研究者認為 GAN 理論雖然看似完美無瑕，但在產出 Deepfake 過程中仍可能會出現某些關鍵操作，只要藉由偵測畫面中是否有經歷這些操作，就能間接推測這個畫面是否為 Deepfake，不過這個做法的缺點也很明顯，那就是這些關鍵操作，也很可能只是正常的影片後製造成的，並造成不是 Deepfake 的影像也被歸類到 Deepfake 中。

情境逐個突破，讓研究能落地使用

說到這裡，許志仲語重心長地說：「我們研究做了這麼多偵測 Deepfake 的方法，但都不一定能在真實世界使用，這讓我非常意外，而上述的這些情境，也只是冰山一角。」

其實大家都在研究差不多的特徵，像是五官的落差，說話的時候嘴巴的動態變化會比較小或模糊之類的，但這些特徵面在真實的使用情境中，還能有多少辨識度，就真的是未知數。考量到真實情境的複雜度，目前許志仲認為逐個突破不同的情境下它們適合的辨偽方式，才是比較實實際的。

「我們必須先確認好問題是正確的，才能找到正確的答案。」許志仲說，要在實驗室裡做出一套數據漂亮的辨識系統並不困難，但要做出實際能用的辨識系統卻非常不簡單。

許志仲也嘗試將自己的研究成果運用在實際情境中，但面對製作公司精心製作的 Deepfake 影片，許志仲換了好幾套模型，也只有一套能判別出來，也呼應了「使用情境差異」才是辨識 Deepfake 無法落地的最大問題。

各界都在防範 Deepfake 影響生活

GAN 要能生成以假亂真的 Deepfake 圖像，必須建構在有訓練完善的生成模型上，而一個訓練完善的生成模型，並不是隨便餵幾筆資料給 GAN 就會跑出來的，必須要有足夠算力的電腦，配合大量的資料才能完成。除了像 Google 或 Facebook 這種規模的公司有能力製作外，也只有部分研究單位，能做出這種以假亂真的生成模型。

許志仲說：「由於 Deepfake 對社會的影響很大，現在他們都只公開自己的程式碼，但不會公開自己的模型，主要就是怕模型被拿去幹壞事。」許志仲也坦承，對於辨偽技術的研究來說，目前的狀況是非常不利的，這代表研究者必須自己用程式碼生出不那麼精良的模型，來製作 Deepfake 圖片測試。

面對未來 Deepfake 是否會無法辨別，許志仲表示就影像上來說，這件事情是做得到的，總會有方法做出不被任何辨識系統偵測，堪稱完美的 Deepfake 影像。但身為防禦方的我們，並不是只能靠圖片辨識真偽，上傳的使用者、社群平台的 meta-data，這些能標示來源的訊息，都可能是我們辨識這部影片是否為 Deepfake 的線索。

面對持續進化，仍看不見消退的 Deepfake 技術，許志仲也希望未來能有更多人一同加入 Deepfake 辨偽的研究行列，針對 Deepfake 辨偽系統的使用情境，我們還有非常多的問題等著被解答。

• 水熊蟲真的能跟量子位元「量子糾纏」嗎？
• 逼近 50% 的癌症研究實驗無法被重現？RPCB 耗時 8 年點出「再現性危機」
• 大資訊時代也是大駭客時代！——你該認識的駭客新興手法
• Omicron 變種病毒從哪來？打疫苗有用嗎？Omicron 相關研究彙整
• 推理系動畫毒殺利器！——認識致命的「河魨毒」