○ 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。