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。
臨床驗證結果:2016 年，我們在美國醫學協會期刊 《The Journal of the American Medical Association》上，發表了與一 般眼科醫師的判讀具高度一致性的結果;隨著研究的進展，今年 二月，我們也於《Ophthalmology》期刊中，進一步發表了與視 網膜專科醫師的判讀高度相符的結果。
這套系統也被應用在印度亞拉文眼科醫院的前導計劃中，經過三 個月後，發現透過 AI 比人工分級有更高的準確度，因此也正逐漸 增加將透過此演算法來檢測的病患人數。
我們也同與印度、泰國與美國的醫學單位進行合作，投入臨床驗 證與應用，並同時致力於推對監管機構的核准。而在研究過程 中，我們也發現硬體設備將會是掃描影像過程中不可或缺的要 素，所以我們也與 Verily (Alphabet 中的姐妹公司) 以及 Nikon 合 作，讓硬體設備不會成為機器學習在影像辨識中的障礙。
我們也致力於研究神經網路 (Neural Network, NN) 的可解釋性。 過去，神經網路通常被認為如黑盒子 (black boxes) 一般神秘，其 實不然。而且透過不同的技術，我們可以以視覺化方式，了解神 經網路是如何做出判斷;例如透過熱感應圖 (heat maps)，我們可 以看出神經網路是如何強調標籤中最容易辨識的像素。
○ 導入機器學習可協助全新的科學發現
機器學習模型除了根據篩選結果協助醫生進行診斷外，甚至可以協助預測目前醫生還無法從影像上預測的病症。
在我們近期發表的論文中提到，我們也訓練機器學習模型來預測 醫生在評估患者心臟病發作或中風風險時考慮的各種因素，像是年齡、自報性別、吸菸狀況、血壓或主要不良心血管事件(MACE) 等。
結果顯示除了這些準確預測風險因素之外，我們也可以直接預測 患者五年內發生心臟病發作或中風的風險。
目前我們只有運用幾百個案例來訓練模型，這項研究還在相當早 期的階段，但模型的曲線下面積 (AUC) 達到 0.7 (演算法正確度達70%)。而這項技術將有機會應用到未來評估心血管疾病風險時， 可以透過非侵入性方式所取得的影像來進行相似的預測，也因此 將能為更多人所用。
● 幫助檢測淋巴結中的乳腺癌轉移瘤:
○ 背景:
癌症的診斷包括取腫瘤樣本，放在玻片上、染色，在顯微鏡下觀 察細胞情形。每一個玻片上包含將近 10 億像素 (10 gigapixels)的資訊，而透過顯微鏡徹底檢查這些玻片則非常耗時且複雜。而每 12 人的乳腺癌檢測中，就有 1 人可能被誤診，也是過去面臨 的一大挑戰。
○ 成效:
為了解決時間限制和診斷差異性高的問題，Google 正幫助醫生檢測淋巴結內乳癌細胞轉移情況，建立產生預測熱圖的模型來幫助腫瘤細胞的定位作判斷。當我們最終用玻片對還未訓練的模型進行訓練時，該演算法產生的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%)，我們也將這項研究工具開放到網路上，讓其他研究 人員都可以使用。
機器學習在醫療領域的未來發展:
● 為了確保病患能夠得到最佳的臨床診斷結果，未來這些應用將與醫師的工作流 程相互整合，讓醫療判斷結果更精準。除此之外，也可以把這項技術帶到其他 組織類型的應用上。例如:前列腺癌的格里森分級 (gleason grading)表現結果 與病理學家的判斷相同
● 利用機器學習來預防失明及預測心血管疾病，只是將人工智慧應用於幫助病患 的其中幾個例子。人工智慧在醫療領域的發展潛力十分龐大，這就是為什麼把 這項技術開放給所有人是相當重要的。因此，我們過去發表了多項研究並將機 器學習工具致力於 (如 TensorFlow)，提供給給每一位對運用人工智慧解決醫療 相關問題感興趣的醫生和研究員。
