SAS的Viya平台可將從病人的CT影像，加上放射治療醫生的勾劃，合成計算出3D幾何掃描影像，清楚顯示出病變立體形狀，並可360度檢視影像和計算大小。
隨著機器學習和深度學習進步，人工智能（AI）應用幾乎無處不在，大量應用在金融、醫學，甚至是日常決策；不少人會問，AI是否會有偏見，如何可相信AI決定？
機器學習或深度學習，都涉及數據準備和構建模型，從提取數據特徵，自動化作出決定或建議。用戶只需數下點擊，便可自動獲取見解。數據科學家則將數據分析週期中不同步驟；包括數據準備、工程、模型構建及部署等自動化，更快產生不同AI模型。
問題是模型是否可信？如果證明模型決定正確，不帶偏見？如果AI模型要作出關鍵決定，上述問題就更加舉足輕重。
SAS很早開始應用數據科學在醫學用途。SAS與荷蘭Utrecht大學UMC (University Medical Center, Utrecht）新生嬰兒科，合作以大數據照顧早產嬰兒。每年，全球有約一成嬰兒屬於早產。雖然說，初生嬰兒周產期死亡率（PNM, Perinatal mortality）已大為降低，嬰兒早產極易受感染，導致新生兒敗血病（Sepsis）等問題。抗生素又會對嬰兒有副作用，兒科醫生進退兩難。
UMC新生嬰兒科蒐集了了超過10年臨床數據，累積電子病歷和醫療數據，展開了醫學應用數據科學（Applied Data Science in Medicine，ADAM）計畫；首個項目就是利用SAS機器分析和AI技術，以大數據模型預測早產嬰兒受感染的機率，SAS開發的算法，避免沒受感染早產嬰兒，不必要使用了抗生素。
以往，據估計有超過六成早產嬰兒，均不必要地使用抗生素，導致長大後多種問題。SAS的模型預測嬰兒受感染可靠程度，高達九成，較小兒科醫生還凖確。醫生觀察病徵和病人檢查斷症，一般凖確率只有四成左右。
最近，SAS又再與荷蘭醫學機構合作，應用視覺運算在癌症上，解決更棘手難題。
助癌症手術決策
SAS與阿姆斯特丹大學的癌病中心合作，該中心癌症外科主管Geert Kazemier教授說，直腸癌肝轉移（ Colorectal Liver Metastases）病人患上直腸癌後，癌細胞再轉移至肝臟，成為主要致死原因；而手術切除又為最有效治療手段，甚至是病人唯一希望。
「直腸癌是西方第三大常見的癌病，超過一半患者的腫瘤，從大腸蔓延至肝臟。雖然局部切除（Resection）有問題組織，為最有效治療手段，部分腫瘤體積太大，又或過於密集，就須先進行化療，先縮小腫瘤再施手術切除。」Kazemier表示，化療不能根治腫瘤，卻往往是手術先決條件。
評估腫瘤那個階段切除，必須放射治療科醫生判斷。按國際標準固體腫瘤反應評估標準（RECIST）評估化療效果，從CT影像選擇兩個病變（Lesion）範圍，化療後如果腫瘤縮小了三成，代表有療效可進行切除；腫瘤繼續長大代表沒療效；維持不變或縮少於三成，代表腫瘤穩定，仍未適合切除。
但是，放射治療科醫生以人手量度腫瘤體積，也影響抉擇時診斷的客觀程度。首先選擇那兩個病變的範圍，或者選擇CT影像橫切面，也可能令結果有偏差。
Kazemier說，RECIST標凖之所以只取其中兩個病變範圍，主要放射治療科醫生缺乏足夠時間，檢視所有細節，但以AI檢視影像，卻沒以上限制。
SAS與阿姆斯特丹大學合作，以AI視學運算檢測病人的療程反應，並作凖確和客觀的自動化檢測。SAS視覺運算專家Fijoy Vadakkumpadan利用從阿姆斯特丹大學3D幾何圖像、根據多位病人RECIST數據，以及放射治療醫生，從CT影像勾劃出病變輪廓，供人工智能建立深度學習模型。
SAS的Viya平台可將從病人的CT影像，先合成為3D幾何掃描影像，清楚顯示出病變的立體形狀，並可360度檢視影像。
Kazemier說，目前全球的放射治療科，都只以平面掃描作RECIST的檢視，卻沒有考慮腫瘤的實際容積。SAS的Viya平台390度影像，可說是一大突破；3D影像比平面更凖確顯示腫瘤大小。以往療程後CT平面影像，表面看來少於3成縮減，以3D影像計算後，卻可能出現了不同結果。
「上述量度對性命尤關，以Viya平台構成的立體影像來判斷，病人可能更可把握手術的時機，結果救回一命。」
SAS利用深度學習，也可訓練出自行找出癌腫瘤病變，所獲的結果可跟放射治療科醫生判斷，幾乎完全一致。
AI也有偏見
不過，AI只作為一種預測，跟人類一樣，有犯錯的可能。
AI是經過機器學習或深度學習建立的模型，模仿人類的決策過程。SAS技術總監Oliver Schabenberger說，數據只是世界剪影，AI須利用足夠數據，以算法訓練，即使算法如何精確，AI不會取代人類，並須向用戶解釋，AI模型如何運作，必須具備可解讀性（Interpretability），即模型如何根據數據作出反應，以消除模型偏見和誤差。
Schabenberger說，AI模型甚至要具「可解釋性」（Explainability），更進一步以人類能理解的語言，向用戶說明AI模型如何運作，所作決定是否合規。以上述醫學影像平台，Viya平台除了會標示AI模型判斷的信心程度，還會以語言文字，向放射治療科醫生解釋，何以某些影像，會被診斷為病變。
SAS結合了另一項AI的自然語言處理技術，再加上以統計運算出的Shapley數值，找出各個因素在AI模型所作的貢獻，再變成可理解的文字，可說是統計學和AI的結合。
Schabenberger說，以往AI模型，可能只決定簡單的事情，很少人會關心解讀性和解釋性。但當AI的建議愈來愈重要；包括醫學上影響斷症，決定學生應否入學，又或是否向客戶批出貸款，就不能再掉以輕心，須確保不帶偏見，沒有受任何干擾，甚至符合法規遵從的原則。
所以SAS開發的AI模型，除了機器可以明白，還要讓人讀得懂。