一年 365 天，醫院總是排滿前來看病的人潮，台灣醫院的日常生活，相信大家都很熟悉。有時候，甚至還要提早好幾個月預約，才有機會跟醫生見到一面。

世界各地情況不盡相同，但可以確定的是，大家都面臨醫生供不應求的現象。8 月 8 日的 Google 媒體聚會，揭露使用 AI 深度學習，運用在醫療領域的相關成果。

深度學習屬於機器學習的一種，它過去是神經網路演算法，經過蘊藏大規模的新數學運算，層層疊加成為了今天強大的樣貌。在聊到醫療運用之前，我們先來了解一下過去人們在圖像識別上，曾做過的努力吧！

90 年代的技術稱為「特徵工程」（feature engineering 或是 hand-crafting features）。這項分類的實作方式如下圖，要分類熊貓，就需要研究員先把熊貓特徵逐項標籤，做粗淺分類，費時且成效不高。

現在的深度神經網路，則會針對圖像進行優化、透過網路來處理特徵工程，大大提升效率，讓研究員能夠將寶貴的時間，用在資料準備、模型架構、數據優化，不再需要再為圖像進行分析而耗費大量時間。深度學習也在世界知名的 ImageNet 圖像標籤挑戰，在 2015 年表現更超越人類。

Google 研究團隊産品經理、醫學博士彭浩怡（Lily Peng）今天分享的兩個案例都是由「 Google 20％ 」專案衍生出來的研究，立基於 Google 開源系統 TensorFlow 而衍生出的演算法。因為她也是執業醫生，接觸其他醫療團隊進行合作。

第一項專案是關於造成全球失明人數攀升的主因：糖尿病視網膜病變（Diabetic Retinopathy, DR）。檢測糖尿病眼疾的常見作法就是檢查眼底圖像，對疾病的嚴重程度進行評估。如在印度因缺近 12.7 萬名眼科醫生，使得近 45％ 的患者失明。

Google 與美國和印度眼科醫院合作，建立 13 萬張圖像資料庫，讓神經網路演算法辨識了約一萬兩千張成像，再將診斷結果與醫師判斷結果相互對照，驗證診斷的靈敏度。最終實驗結果顯示 Google的演算法表現與 54 名專業眼科醫生的結果非常相符。演算法 的 F-Score 值（0.95 分），甚至稍微高於眼科醫生的 F-Score 中位數 0.91 分。

第二個介紹的案例： Google 導入深度學習，打造協助病理學家提升工作流程的自動檢測演算法，幫助改善檢測淋巴結中的乳腺癌轉移瘤的病理切片，期望判斷誤診情況。

其 Google 現成的深度學習方法如 Inception（又名 GoogLeNet），對提高時間效率與診斷一致性的結果相當好，演算法的定位分數（FROC）達到 89％，大幅超越了病理學家對腫瘤定位的正確率 73％。

這些例子都是屬於前景看好的應用方式。但經歷臨床驗證是非常重要的步驟，需在自然環境下使用這些技術，另一項挑戰則是獲得醫療團隊信任，再往工作流程與使用者介面設計努力，同時在流程上不阻礙醫生的工作。此外，下一步還需要更多合作夥伴，如改善影像品質和拍攝相機的科技，希望醫學資訊標準化。

活動也請來 Google 台灣董事總經理簡立峰，分享在深度學習圖像辨識上能做的努力。因為台灣的糖尿病患者約有 190 萬人（似乎東亞人在這種病變有特別嚴重的趨勢），所以在某種程度來說，台灣也具備可受機器學習訓練的醫療資料量。

隨著 AI 工具越來越普及，跨領域合作越來越熱絡，生醫領域專家和工程師的合作機會更多，醫療影像和健康照護的發展都很值得投入。若在發展過程中受到現存法規限制，醫院中心的內部體系不妨先行研究，是個可以嘗試的方向，以及智慧型輔具、自動化替代人力，機器學習也可以開發龐大的內需市場。