不只下圍棋而已　Google人工智慧正在對抗失明及癌症

人工智慧（Artificial Intelligence，AI）近幾年發展快速，Google未來的方向已確定從行動優先（Mobile First）轉移到AI優先（AI First），Gartner也預測AI將融入人類生活，無所不在。到底AI除了打敗圍棋高手、化身語音助理、自動駕駛汽車之外，還有什麼神奇妙用呢？Google分享了他們將機器學習應用在醫療上的成果，靠著聰明的圖像辨識能力，可幫助人類遠離失明及癌症病痛。

Google台灣於8月8日請來Google研究團隊產品經理彭浩怡（Lily Peng）博士，分享Google機器學習在醫學影像上的應用。她首先說明人工智慧（Artificial Intelligence，AI）、機器學習（Machine Learning）與深度學習（Deep Learning）的關係，其實機器學習屬於人工智慧的一部分，而深度學習又是屬於機器學習的一部分。

人工智慧的發展始於1960年，其中最具前景、最被看好的就是機器學習領域，不像以往人類需要告訴機器做什麼事，而是用各種範例去讓機器自學。其中深度學習在過去五年有非常好的發展、成效卓著。歸功於近年來累積的資料量越來越龐大，電腦運算能力也越來越強，因此可用龐大又複雜的模型來訓練。

例如在電腦視覺社群，每年都會舉辦一個ImageNet圖像標籤挑戰賽，讓各大公司的演算法從1000個標籤中選出和指定圖片最接近的五個標籤，看看誰最準確。這個比賽自2011年之後都是由深度神經網路（Deep Neural Network，DNN）奪得冠軍，在2015年已超越人類表現。

卷積神經網路（Convolutional Neural Nets）也是一種深度學習架構，對於影像辨識的正確度很高。例如以前要電腦找出一張熊貓的照片，需要先輸入熊貓的特徵是什麼，這個過程稱為「特徵工程（Feature Engineering or “Hand-crafting Features”）」；但透過卷積神經網路，只要給電腦很多照片，告訴電腦哪些是熊貓的照片，哪些不是熊貓的照片，電腦就自己學會了。

以往傳統電腦視覺辨識圖像的重點會放在特徵工程，現在則是：準備資料、模型架構、數據優化比較重要。提供的資料是越多越好，根據一般經驗法則，每批準備5000份資料就夠了，例如「是熊貓」的照片與「不是熊貓」的照片要各5000張。

彭博士舉了兩個Google深度學習在醫學影像上的應用，一個是協助診斷糖尿病視網膜病變（Diabetic Retinopathy，DR），一個是幫助檢測淋巴結中的乳腺癌轉移瘤。這兩個案例都是由Google 20%專案（20% time）衍生出來，以Google開源機器學習系統TensorFlow來應用。彭博士本身也是位醫生，當初利用自己20%的自由時間投入將深度學習應用在糖尿病視網膜病變判別上，後來變成Google的大專案。

糖尿病視網膜病變是全球失明人數攀升的主因，為預防失明，糖尿病患者每年都應進行一次篩檢，常見作法是檢查眼底圖像，對視網膜病變的嚴重程度進行評估。而印度因缺乏近12.7萬名眼科醫生，導致45%的患者在接受診斷前失明。這並不應該發生，因為糖尿病視網膜病變是可以預防的。

Google研究團隊因此與美國EyePACS及印度三家眼科醫院合作，運用深度神經網路學習判讀眼底圖像。他們創建了一個128,000張圖像的資料庫，透過26層卷積神經網路來學習。最終的辨識結果，與54名專業眼科醫生的辨識結果達到高度一致性。

目前這個演算法正在進行臨床試驗，Google持續與視網膜研究領域的專科醫生合作，以建立更完整的量化評量標準，也和美國醫療機關討論安全規範。未來會和設備廠商合作，製造合適的相機來拍攝眼底圖像。

癌症活體組織切片的判斷，是複雜且需要長期累積經驗的過程，即使受過訓練的病理師，對一名病人的診斷也可能各異，進而發生誤診的情況。例如每12人的乳腺癌切片中，就有1人可能被誤診，前列腺癌每7人就有1人可能被誤診。其中一個原因是每位患者都有很多病理切片，這些切片在40倍放大時有10億像素（約普通相機拍1000張），對醫生而言在資料量、時間上都是相當大的挑戰，因此需要建立演算法來協助。

Google利用現成的Inception（又名GoogLeNet）卷積神經網路來訓練這個演算法，以不同的放大倍率檢查組織切片圖，就像病理學家做的一樣，就可以不受時間限制，長時間檢測病理切片。結果經由這個演算法產生的病理預測熱圖，腫瘤定位準確率（FROC）達到89%，超越在沒有時間限制下，病理學家的準確率73%。

不過以演算法來檢查，有92%的機會偵測到癌細胞，卻有8個假陽性結果；病理學家檢查的話有73%的機會，卻是0個假陽性結果。因此理想的狀況，最好是病理學家與演算法一起來進行。

彭博士認為深度學習是可以輔助醫生的，下一步的重點是臨床驗證，目前正在美國及世界各地進行中，因為實際應用比單純的實驗環境更複雜，必須在實際臨床有好的效果才行。也需要時間讓醫療團隊信任這個方法，看醫生能否接受。在工作流程與使用者介面設計也需要研究，讓演算法能無縫接軌到醫生的工作流程，不造成醫生工作的阻礙。

Google台灣董事總經理簡立峰表示，Google深度學習在糖尿病視網膜病變上用了約13萬張眼底圖像，台灣糖尿病患者有100多萬人，資料量相對是非常多的，有很高的辨識價值，其他領域不見得有這麼多資料量。台灣要做這方面的研究不但有資料，也有深度學習平台。很多疾病都有在地特色，每個國家都應有自己的研發團隊，AI在健康照護這個領域很值得投入。

例如台灣長期照護很缺人，若發展AI輔具來替代人力，如自動輪椅等，就可以把國民的健康時間拉長。又比如沒有電梯的五樓公寓，老年人無法下來運動、提早老化，要是能有協助下樓的輔具就很好。台灣在醫療照護、資通訊領域都很強，要是發展AI在醫療領域的應用，大概10年至20年可有成果。

史塔夫短評：長命百歲越來越有機會了。