電腦幫人腦！Google開發醫療AI　幫醫師降低誤診

記者葉立斌／台北報導

Google致力於AI人工智慧的開發，而開發成果你我都能共享。日前，我們知道了Google翻譯如何提升翻譯品質。這次Google研究團隊產品經理，醫學博士彭浩怡要帶領各位認識深度學習在醫療上的應用。

▲Google研究團隊産品經理、醫學博士彭浩怡(Lily Peng)。（圖／Google提供）

深度學習屬於機器學習的一種。儘管深度學習中使用的許多技術都不是新興科技，過去五年來，深度學習帶來的顯著成效卻已備受關注。深度學習的成功可歸功於我們終於擁有大量真實世界的數據集，以及可訓練龐大、複雜模型的運算能力。神經網絡是目前被廣泛應用的最佳方式，它可解決視覺、語言識別、語言理解等各式問題。

多數的AI都必須通過「ImageNet圖像標籤挑戰」，這是電腦社群常舉辦的小型比賽。透過一千個標籤來選出與該圖像最接近的一個。這些圖片的主體多不在中間，甚至不太清楚，但系統仍丟出大量標籤且有幾個命中，不過要是一個都沒中也在預料之中。但現在精準度已能夠大幅提升。

傳統上需要找出熊貓的圖片，需要手動輸入熊貓特徵（想像一下：你要是沒看過熊貓，你也不曉得熊貓應該是什麼樣子吧。），但使用卷積神經網路的話，只要給他大量不一樣的熊貓照片，以及大量不是熊貓的照片，系統就能辨識熊貓。

前面的背景知識講完了，現在要進入醫療的部分。彭浩怡表示，開源學習系統 TensorFlow被Google的20%專案使用，下面兩個案例是用在視網膜與乳癌。史丹佛研究團隊正採用 TensorFlow 架構以及深度學習來診斷皮膚癌。

全球有4.15億的糖尿病患者可能引發視網膜病變，而在印度有45%糖尿病患者，視力有減損。視網膜眼底圖像能協助診斷糖尿病視網膜病變。在拍攝眼球後，採用深度神經網路來判讀眼底圖像，即可判斷患者的病情是輕或重。

演算法要正確需要高端相機，影像品質不好的話無法做診斷。Nikon在各式攝影開發上有相當高的成就，包含醫療攝影。因此Google與它們密切合作，以期雙方互相支援，達到更高的精確度。

另一個病例則是乳癌。病人疾病的診斷相當仰賴病理師的分析。而病理切片的判斷是一個複雜且需要長時間訓練以累積經驗的過程。即使是資深醫師也可能誤診，而深度學習技術可協助判讀活體組織切片。

Google開發的全新演算法，產生的病理預測熱圖有了很大的改善，且演算法的定位分數(FROC)達到89%，大幅超越了在沒有時間限制下，病理學家對腫瘤定位的正確率(73%)。而其他使用相同數據集的團體也獲得高達81%的分數。

有關深度學習的未來，彭浩怡認為，雙方的合作需盡早投入臨床，也就是實際被醫師運用，隨後改善使用者介面設計與工作流程。彭浩怡也坦言，「機器學習輔助醫療尚在前期研究，還需要5年才能開發出來。」

Google台灣區總經理簡立峰表示，台灣不論在醫療領域還是資通訊領域都有穩健基礎。因此若能利用台灣在地圖像資料與既有技術，就有機會發展此領域。簡立峰表示，如需要進一步將 AI 技術應用到醫療領域，可考慮在醫院內部先行。這是在其他國家很難辦到的，因為台灣擁有非常完整健保系統，可多加利用。