【大紀元2017年09月10日訊】（大紀元記者陳懿勝台北報導）隨著科技發展，人工智慧（AI）的發展愈來愈迅速，其中，機器學習中的深度學習更受到注目，舉凡TensorFlow演算法及AlphaGo挑戰世界棋王，都讓人感受到深度學習所帶來的魅力。

什麼是深度學習？簡單說，就是利用多層的類神經網，讓電腦可以和人類一樣針對複雜的情況進行觀察、學習和反應，Google研究團隊產品經理彭浩怡表示，深度學習的概念在90年代就存在，但當時的電腦運算能力不足，效率不佳；近年來電腦在異構運算擁有更高運算效能，再加上大數據的發展，深度學習得以「捲土重來」。

彭浩怡指出，以影像辨識為例，過去的AI需依賴人工建立「特徵」讓機器得以分類，深度學習則是提供大量相關影像，讓系統自行建立特徵與分類，如此，不僅可省去建立特徵的人力與時間，也能讓AI持續學習，據Google統計，只需各5千張相關與不相關圖片，就可建立起完善的邏輯。

應用在醫療體系判讀病變

那麼，深度學習如何應用在醫療體系？彭浩怡以糖尿病視網膜病變的判讀舉例，全球有4.15億糖尿病患者，其中三~五成病患有視網膜病變危機，這些人又有一成會失明，代表著每20人就有1人有失明的危機。

彭浩怡表示，以印度來說，當地約有近7千萬糖尿病患，但眼科醫生卻高達12.7萬名職缺，在醫療資源匱乏下，有45%患者在診斷前飽受失明、視力減損的折磨。因此，Google與印度眼科醫院Aravind及Sankara Nethralaya聯盟，利用深度神經網路技術，透過建立標籤工具，並與54名眼科醫生合作，針對13萬眼底影像進行88萬次診斷，其糖尿病視網膜判讀機制已接近醫生的判斷結果。

此外，深度學習系統也可應用在判讀癌症活體組織切片，彭浩怡指出，據數據顯示，每12人乳癌切片中就有1人可能被誤診，前列腺癌則每7人就有1人被誤診，這是因為活體組織切片上有太多資訊，誤診的可能性必然會增加。

「深度神經網路技術可在腫瘤定位準確度（FROC）達到0.89，病理學家的FROC分數則是0.73（沒有時間限制）；在判讀癌症上，該模組有92%的敏感度，其中有8個是偽陽性判讀，病理學家有73%敏感度，0個偽陽性結果。這代表病理學家與深度學習技術合作，將能提高病理學切片的準確度，降低誤診的可能性。」

但彭浩怡也坦承，即使深度神經網路技術的辨識結果高於醫生，但在不同環境就會有許多變因存在，所以須進行臨床驗證，同時要與醫療團隊建立信任感，讓醫生願意與深度學習合作，並建立工作流程跟使用者介面設計，讓系統符合醫生的工作流程。目前該系統在短時間內不會推出，一來是機器學習輔助醫療儀器還在前期研究階段，且美國食品藥品監督管理局（FDA）的審核時間平均也要5年。

台灣擁AI預防醫學優勢

針對台灣AI的發展，TrendForce生技產業分析師蔡尚燐指出，AI在數位醫療健康領域的應用中，將扮演著樞紐或齒輪的角色，舉凡觀察常規醫療活動，病患的病歷、檢驗數據與醫療影像，以及在不同臨床場域、醫療照護模式中，所產生的大量臨床數據資訊，未來皆有機會藉AI技術協助，以增加臨床反應的時間與協助病患照護的精確度。

蔡尚燐認為，台灣臨床醫學能力不亞於其他先進國家，而全民健保資料庫從 2000年建置至今，龐大且完整的數據規模對導入大數據分析與人工智慧應用開發非常有利，若能與台灣優秀的ICT骨幹產業產生鏈結應用合作，實是相當有利的機會。

Google台灣總經理簡立峰指出，台灣糖尿病患者逾188萬人，對視網膜病變的數據蒐集有一定幫助，其實台灣在醫療和資訊科技已投入許多心血，深度神經網路技術能讓醫療體系與資通訊資源跨領域結合，確實是一大進步。

簡立峰表示，醫生太忙，工程師不懂醫療領域的特徵，過去在特徵萃取的工作上要花許多時間，如今深度神經網路可自動完成特徵萃取的工程，讓跨領域的研究變得更有機會。

簡立峰認為，台灣擁足夠的醫療中心，也有強大的健保體系，現在社會面臨少子化，高齡化，如果能在長期照顧投入AI與機器人應用，比如智慧型輔具、自動輪椅的開發，絕對可以獲得很好的發展。

至於如何將AI、醫療、教育三者結合，簡立峰坦承，現有醫療教育體系受限於新技術的更新快速，許多教授無法投入新趨勢的教育中，讓學子無法習得AI相關技術，除非有新教師願意打破現行教育體系架構才有可能。他建議，有興趣學習AI的學子可跨領域發展，讓AI與醫療專業二者同時並行。◇

責任編輯：芸清