机器学习为 AI 人工智能发展重点领域，而深度学习做为机器学习其中一环，近年来应用于影像辨识发展最为快速且突破最大。Google 研究团队产品经理、医学博士彭浩怡（Lily Peng）在 8 月 8 日活动中，说明 Google 深度学习应用于医疗领域的成果，尤其在诊断糖尿病视网膜病变、癌症转移等方面已有进展。
深度学习网络提升影像辨识能力
彭浩怡指出，深度学习随着真实数据资料量大增、运算能力更为强化，近五年来成效相当显著，而神经网络也获得广泛应用，在解决视觉、语言辨识与理解等问题上，比其他方法的表现更好。他提到，深度神经网络（Deep Neural Network，DNN）的影像辨识精准度不断提升，2015 年更已达到与人类相同的影像辨识水准。
▲ 深度神经网络的影像辨识准确性，已于 2015 年达到人类辨识水准
从过去所采用的传统电脑视觉来看，若要建构熊猫分类器，必须要经过“特征工程”（feature engineering）过程，得手动输入所有熊猫相关特征，不仅分类费时且成效不高；如今透过卷积神经网络（Convolutional Neural Network，CNN）可大幅提高影像辨识效率，只要提供电脑大量熊猫及非熊猫图片，各约 5,000 张以上愈多愈好，卷积神经网络会自行学习辨识熊猫。相较于过去传统电脑视觉着重特征工程，卷积神经网络更偏重在准备资料，进行模型架构（Model architecture）及数据优化（Numerical Optimization）两方面。
医疗影像辨识应用
深度学习在影像辨识领域应用相当广泛，彭浩怡和研究团队运用 Google 自家开源机器学习系统 TensorFlow 架构进行机器学习研究，进一步将技术应用在医疗领域判读医学成像，包括诊断糖尿病视网膜病变、乳腺癌肿瘤转移等。彭浩怡指出，糖尿病视网膜病变是全球失明人数攀升的主因，目前有 4.1 亿糖尿病患者都有视网膜病变的风险，但其实这是可以预防的。
视网膜眼底经特殊相机拍摄后，必须由专业眼科医生判读影像加以分级，不过，有些地区如印度因眼科医生严重短缺，加上其他因素导致 45 ％病患在诊断前已失明，对于可全面预防的病变来说，这样的结果着实令人沮丧。身为医生的彭浩怡为改善现状，与研究团队着手研究如何将深度学习应用于视网膜影像判读，并与印度当地伙伴沟通合作。
Google 研究团队采用 26 层卷积神经网络，创建出具有 12.8 万张视网膜眼底影像的开发数据集（Dataset），透过 54 名专业眼科医生判读分级并建立模型，进而训练模型判读视网膜眼底影像，达到如同专业眼科医生般判读视网膜病变等级的能力；接着也进一步开发辨识工具，只要将图像拖曳至系统便能得出诊断结果，现正于印度当地医院进行临床实验。目前试验结果显示，算法判断结果与专业眼科医生的诊断结果呈高度一致性。
▲ 以深度神经网络判读视网膜眼底图像，建立模型后开发辨识工具
Google 深度学习另一应用是判读癌症组织切片。彭浩怡表示判读病理切片并不容易，以乳腺癌切片为例，每 12 人当中就有 1 人可能被误诊，其他癌症也有遭误诊的情况，这是因为病理切片上可见的生物组织资讯庞杂，每个切片在 40 倍放大后约有 100 亿画素（10 Gigapixels），相当于 1,000 张千万画素照片的量，还要在有限的时间内审查，这对病理医生来说是极大挑战，因此需借由算法为医生提供协助。
Google 为此以深度学习开发自动检测算法，并加以训练改善，用来判断乳腺癌扩散或转移定位。该算法的定位准确率（FROC）可达 89 ％，超越病理学家在没有时间限制下对肿瘤定位的正确率 73 ％。彭浩怡认为，最理想的做法就是病理学家跟算法共同合作，如此不仅具有高敏感度，又可避免假阳性结果。
除此之外，Google TensorFlow 也广泛应用到许多外部医学研究，例如史丹佛大学（Standford University）研究团队就采用 TensorFlow 架构和深度学习，进一步研究皮肤癌判读应用。
下一步锁定三大重点发展
为了让深度学习未来在医疗诊断上能更有效也更精准地辅助医生，接下来主要朝三大重点发展，分别是与世界各地合作伙伴进行临床验证、与医疗团队建立建立信任感，以及改善工作流程与使用者界面设计。
至于临床验证需要多少时间才能实际应用，彭浩怡说明，目前有关技术包括影像分析、算法等还在初期发展阶段，尽管美国食药管理局（FDA）对这些技术并不陌生也有一定程度理解，平均可能还要再五年时间才有机会通过审查、正式推出市场，因此恐怕不会太快实现。
▲ 医学博士彭浩怡（Lily Peng）为 Google 研究团队产品经理，结合医疗与资讯跨领域知识，推动 Google 机器学习应用发展（活动当日透过越洋视讯分享成果）
深度学习除了应用在医学成像判读外，Google 也正进行“DeepVariant”计划，将技术用在基因体定序数据（genome sequencing data）方面，并与更多医疗单位组织建立合作伙伴关系，未来将持续为医疗照护领域做出贡献，共同努力改善人们的健康。
（图片来源：《科技新报》摄）
