Google PM 開課啦!人工智慧該怎麼改善世界醫療資源不足的問題?

【我們為什麼關注這則新聞】Google 是世界人工智慧的領導者,台灣則是世界醫療科技的領導者,對於台灣而言,如何有效結合人工智慧技術和台灣現有的醫療優勢,是重要的命題。

想了解更多智慧醫療台灣應用,歡迎來 CONNECT with AI 見證台灣醫療產業結合人工智慧,蹦出新滋味。(責任編輯:林子鈞)

人工智慧是能讓事物變更聰明的科學,而機器學習則是訓練機器透過學習使其變得聰明。

機器學習的運作方式,就是藉由訓練影像辨識模型,提升效率與精準度,並且可以辨
識不同類型的影像輸入。

舉例來說,當你今天要訓練機器辨識在影像中貓或狗的特徵,你可以輸入上千張貓的影像,並且指認這是貓,而不需要描述有關貓咪的特徵,機器即可從輸入的例子中自己學習辨認貓的影像。

機器學會從數以千計的訓練模型中辨識出貓的影像後,接下來它可以在之後的每張影像中自動辨認出貓的圖像而無須透過人工介入。

人工智慧在醫療領域的研究現況自 2013 年以來,機器學習在健康與生命科學領域的研究文獻數量已成長超過 20 倍,而機器學習可為醫療領域面臨的兩大挑戰帶來幫助:需透過人工瀏覽大量資料:新技術的採用,使得近年來需要透過醫生篩選及判讀的資訊量大幅增加,尤其是在掃描或例行影像程序。

專家與醫生人力的短缺:放射科醫生以及其他專業醫生在全球都面臨短缺的狀
況,而在慢性疾病 (如糖尿病與心臟病) 發病率不斷增加的情況下只會更糟 。
機器學習在醫學影像辨識上的應用案例
協助診斷糖尿病視網膜病變 (Diabetic Retinopathy,DR):

背景:

全球有 4.15 億的糖尿病患者,糖尿病的常見併發症之一是糖尿病引起的視網膜病變,而這也是全球失明人數迅速攀升的主因。為預防失明,糖尿病患者每年都應進行一次篩檢,而檢測糖尿病眼疾的常見作法就是檢查眼底圖像。

拍攝眼球底部的影像後,則會依據患者病變輕重程度分級,在檢測過程中,醫生觀察的影像都是檢驗眼球出血和滲液的指標。而全球具有經驗與知識的專家人力面臨短缺,印度因缺少近 12.7 萬名眼科醫生,導致近 45% 的患者在接受診斷前就已經失明。

視網膜眼底成像案例:左側為健康的視網膜、右側圖像是因存在多個出血 (紅點),而引起的糖尿病視網膜病變的視網膜

Google 研究團隊與美國掃描影像單位及印度醫學單位合作,獲得大量的影像案例作為研究基礎,導入深度神經網路 (Deep Neural Network, DNN) 來判讀眼底圖像

首先建立影像標籤工具,並聘請 54 名眼科醫師辨識成像,再運用 Inception (又名 GoogLeNet)的神經網路演算法辨識了約130,000 張成像以進行訓練,並依據判斷呈現五種等級的辨識結果。這個數據集目前被用來訓練深度神經網路,以協助醫師診斷糖尿病視網膜病變,同樣運作的原理也被應用在 Google 相簿中。

2016 年,Google 在美國醫學協會期刊 《The Journal of the American Medical Association》上,發表了與一般眼科醫師的判讀具高度一致性的結果;隨著研究的進展,今年二月,我們也於《Ophthalmology》期刊中,進一步發表了與視網膜專科醫師的判讀高度相符的結果。

透過圖表可以看出,神經網路演算法(綠色曲線)和視網膜專科醫師 (橘色點)與一般眼科醫生(綠色點)的辨識結果顯示出高度的一致性。

這套系統也被應用在印度亞拉文眼科醫院的前導計劃中,經過三個月後,發現透過 AI 比人工分級有更高的準確度,因此也正逐漸增加將透過此演算法來檢測的病患人數。
我們也同與印度、泰國與美國的醫學單位進行合作,投入臨床驗證與應用,並同時致力於推對監管機構的核准。而在研究過程中,我們也發現硬體設備將會是掃描影像過程中不可或缺的要素,所以 Google 也與 Verily (Alphabet 中的姐妹公司) 以及 Nikon 合作,讓硬體設備不會成為機器學習在影像辨識中的障礙。
Google 也致力於研究神經網路 (Neural Network, NN) 的可解釋性。過去,神經網路通常被認為如黑盒子 (black boxes) 一般神秘,其實不然。而且透過不同的技術,我們可以以視覺化方式,了解神經網路是如何做出判斷;例如透過熱感應圖 (heat maps),我們可以看出神經網路是如何強調標籤中最容易辨識的像素。

導入機器學習可協助全新的科學發現

機器學習模型除了根據篩選結果協助醫生進行診斷外,甚至可以協助預測目前醫生還無法從影像上預測的病症。在 Google 近期發表的論文中提到,我們也訓練機器學習模型來預測醫生在評估患者心臟病發作或中風風險時考慮的各種因素,像是年齡、自報性別、吸菸狀況、血壓或主要不良心血管事件(MACE) 等。

結果顯示除了這些準確預測風險因素之外,我們也可以直接預測患者五年內發生心臟病發作或中風的風險。

目前 Google 只有運用幾百個案例來訓練模型,這項研究還在相當早期的階段,但模型的曲線下面積 (AUC) 達到 0.7 (演算法正確度達 70%)。

而這項技術將有機會應用到未來評估心血管疾病風險時,可以透過非侵入性方式所取得的影像來進行相似的預測,也因此將能為更多人所用。

幫助檢測淋巴結中的乳腺癌轉移瘤

癌症的診斷包括取腫瘤樣本,放在玻片上、染色,在顯微鏡下觀察細胞情形。每一個玻片上包含將近 10 億像素 (10 gigapixels)的資訊,而透過顯微鏡徹底檢查這些玻片則非常耗時且複雜。

而每 12 人的乳腺癌檢