Google 希望讓所有人都能享受人工智慧帶來的好處
並透過以下三種方式以達成使命:
● 打造更貼近使用者需求的產品
● 幫助更多企業與開發者創新
● 提供不同工具以幫助研究人員解決現實生活中遇到的重大挑戰
人工智慧 (AI) 以及機器學習 (Machine Learning)
人工智慧是能讓事物變更聰明的科學，而機器學習則是訓練機器透過學習使其變得更 聰明。
● 機器學習運作方式:藉由訓練影像辨識模型，提升效率與精準度，並且可以辨 識不同類型的影像輸入。
○ 訓練:舉例來說，當你今天要訓練機器辨識在影像中貓或狗的特徵，你 可以輸入上千張貓的影像，並且指認這是貓，而不需要描述有關貓咪的 特徵，機器即可從輸入的例子中自己學習辨認貓的影像。
○ 推理:機器學會從數以千計的訓練模型中辨識出貓的影像後，接下來它 可以在之後的每張影像中自動辨認出貓的圖像而無須透過人工介入。
人工智慧在醫療領域的研究現況
自 2013 年以來，機器學習在健康與生命科學領域的研究文獻數量已成長超過 20 倍， 而機器學習可為醫療領域面臨的兩大挑戰帶來幫助:
● 需透過人工瀏覽大量資料:新技術的採用，使得近年來需要透過醫生篩選及判 讀的資訊量大幅增加，尤其是在掃描或例行影像程序。
● 專家與醫生人力的短缺:放射科醫生以及其他專業醫生在全球都面臨短缺的狀 況，而在慢性疾病 (如糖尿病與心臟病) 發病率不斷增加的情況下只會更糟 。
機器學習在醫學影像辨識上的應用案例
● 協助診斷糖尿病視網膜病變 (Diabetic Retinopathy, DR):○ 背景:
■ 全球有 4.15 億的糖尿病患者，糖尿病的常見併發症之一是糖尿病 引起的視網膜病變，而這也是全球失明人數迅速攀升的主因。為 預防失明，糖尿病患者每年都應進行一次篩檢，而檢測糖尿病眼 疾的常見作法就是檢查眼底圖像
■ 拍攝眼球底部的影像後，則會依據患者病變輕重程度分級，在檢 測過程中，醫生觀察的影像都是檢驗眼球出血和滲液的指標。
■ 而全球具有經驗與知識的專家人力面臨短缺，印度因缺少近 12.7萬名眼科醫生，導致近 45%的患者在接受診斷前就已經失明。
○ 導入深度神經網路 (Deep Neural Network, DNN) 來判讀眼底圖像:
Google 研究團隊與美國掃描影像單位及印度醫學單位合作，獲得大量的影像案例作為研究基礎。我們首先建立影像標籤工具，並聘請 54 名眼科醫師辨識成像，再運用 Inception (又名 GoogLeNet)的神經網路演算法辨識了約130,000 張成像以進行訓練，並依據判斷呈現五種等級的辨識結 果。這個數據集目前被用來訓練深度神經網路，以協助醫師診斷 糖尿病視網膜病變，同樣運作的原理也被應用在 Google 相簿 中。
