LIFE

Google 人工智慧結合醫療應用 可望降低糖尿病患者失明風險
Google 人工智慧結合醫療應用 可望降低糖尿病患者失明風險
▲Google AI產品經理Daniel Tse。/CNEWS資料照,記者藍立晴攝

匯流新聞網記者藍立晴 / 台北報導

Google今(5)日舉辦機器學習系列媒體聚會「AI與醫療應用」,並邀請到Google AI產品經理Daniel Tse分享Google如何將人工智慧技術與醫療應用結合。

首先了解什麼是「機器學習」

Daniel Tse為醫師出身,同時也是Google的AI產品經理。他首先談及了人工智慧(AI)與「機器學習」(Marchine Learning)的差別。Daniel簡單解釋,人工智慧是能讓事物變得更加聰明的科學,而機器學習則是透過「訓練機器」,讓機器可從學習中變得更聰明,而後者是團隊較為偏重的部分。

機器學習技術的運作過程為:從「訓練」到「推論」,例如給予大量貓、狗圖片範例訓練機器,無須為其描述任何貓或狗的特徵,在機器透過大量的訓練自我學習後,最終能像人類孩子一樣成功辨認出所給予的範例之外的貓與狗,過程完全無須人工介入。同樣的道理也可將此應用於「醫學影像」研究上。

AI在醫療領域的研究現況

Daniel 指出,2013年以來機器學習在健康與生命科學領域的研究論文發表數量已成長超過20倍,並已可為兩大面臨挑戰的醫療領域帶來幫助:一是需要「透過人工瀏覽大量資料與數據」的領域,另外就是「擁有專業知識的人有限、短缺」的領域。

▲自2013年以來機器學習在健康與生命科學領域的研究論文發表數量已成長超過20倍。/CNEWS資料照,記者藍立晴攝

而近年來由於新技術的採用,已使得需要透過醫師篩選和判讀的資訊量大幅增加,尤其是在掃描或例行影像程序上。然而事實上,醫師的短缺問題卻是全球性的現象,無論是放射科與其他科別醫師都正在全球各地面臨嚴重短缺,上述的兩大挑戰正可以利用機器學習技術幫助解決人類醫師與病患所面臨的困境。

Daniel在會中舉出了兩種機器學習在醫學影像辨識上的應用案例,一是協助醫師診斷糖尿病視網膜病變(Diabetic Retinopathy, DR),另一案例則是幫助檢測淋巴結中的乳腺癌轉移瘤。

▲Daniel Tse為醫師出身,同時也是Google的AI產品經理。/CNEWS資料照,記者藍立晴攝

根據Google提供的資料,全球有4.15億名糖尿病患者面臨「視網膜病變」的風險,事實上這也是全球失明人數迅速攀升的主因,這些患者需要透過每年的定期篩檢來降低失明的風險,而最為常見的做法為檢查眼底圖像。

在檢測過程中,在完成拍攝眼球底部影像後,會依患者病變輕重程度分為1~5分,而醫師觀察的影像都是檢驗眼球出血和滲液的指標。然而上文已提到,全球醫師除了正面臨嚴重短缺問題,在印度的情況則更為嚴重。

▲視網膜眼底圖像能協助診斷糖尿病視網膜病變。/CNEWS資料照,記者藍立晴攝

Daniel指出,印度因缺少近12.7萬名眼科醫師,導致有多達45%的患者在還未接受診斷前就已失明。為了挽回這種情形,Google嘗試透過導入深度神經網路(DNN)來判讀眼底圖像。

Daniel表示,Google研究團隊與美國掃描影像單位以及印度醫學單位合作,獲得大量的影像案例作為基礎,並透過建立標籤工具、攜手54名眼科醫師共同合作辨識成像,再運用GoogleLeNet的神經網路演算法,辨識了約130,000張成像進行訓練,並依據判斷呈現五種等級的辨識成果,協助醫師診斷病變情形,同樣運作的原理亦被運用在Google相簿中。

Google指出,他們發現透過AI判讀比人工分級有更高的精準度,模型的表現在2016年已與一般眼科醫師的判讀達到高度相符的成果,隨著研究的進展,今(2018)年2月,模型已跟視網膜專科醫師的判讀結果不相上下。

這套系統已被應用在印度亞拉文眼科醫院的前導計畫,經過3個月後機器學習判讀的結果令人振奮,因此正逐漸增加透過此演算法來檢測的病患人數。

Google也同與印度、泰國、美國的醫學單位合作,投入臨床驗證與應用,並致力於推動監管機構的核准。在硬體設備方面則與Google的姐妹公司Verily以及Nikon合作。

此外,由於外界對於「機器學習」的判讀方式感到相當好奇,因此Google也正致力於研究神經網路(NN)的可解釋性,看出神經網路究竟是在觀察成像的何處,以及它如何強調標籤中最容易辨識的像素。

機器學習協助全新科學發現:直接預測未來五年心臟病發作、中風的風險

Daniel指出,導入機器學習技術可根據篩選結果協助醫師進行診斷之外,甚至可協助預測目前人類醫師還無法從影像上預測到的病症,同時在Google近期發表的論文中,Google也訓練機器學習模型預測醫師在評估患者心臟病發作或中風風險時考慮的各種因素,例如年齡、自報性別、吸菸情形、血壓或主要不良心血管事件等。

Google目前已可直接預測患者五年內發生心臟病發作或中風的風險,但由於只運用了幾百個案例來訓練模型,因此這項研究還在相當早期的階段,未來有機會運用在評估心血管疾病風險,並可透過非侵入性方式所取得的影像來進行相似的預測,盼能透過機器學習結合醫療應用,為更多患者所用。

更多匯流新聞網報導:
對決快時尚!傳統紡織業於雲端導入Google機器學習應用 助數位轉型
Google機器學習結合科學應用 幫助人類發現新行星、提高基因組測序準度

【匯流筆陣】
CNEWS歡迎各界投書,來稿請寄至cnewscom2016@gmail.com,並請附上真實姓名、聯絡方式與職業身份簡介。
CNEWS匯流新聞網:https://cnews.com.tw

新聞照來源:《匯流新聞網CNEWS》記者藍立晴攝

【文章轉載請註明出處】