Google相信，AI相關技術已成熟到可應用在醫療，AI可以提升醫療準確率及普及率。

「準確度」是指可以透過AI輔助，提升醫生判斷的準確度，提升醫療品質；「普及率」則是希望透過AI提升醫生效率，讓更多人可以接受照顧。

今天的分享分三大部份：什麼是AI？為什麼AI技術適合應用在醫療？最後，我會和大家分享眼科案例。

AI深度學習，提升影像判讀效率、準確性

我先定義什麼是AI。

在AI中，大家非常喜歡舉的例子就是：貓、狗分辨系統。我們提供許多貓跟狗的圖像，看AI系統能否分辨這張圖是貓還是狗？

傳統做法中，大家會清楚描述貓和狗的特性，例如：貓臉比較圓、狗臉比較長。

但當有一個新的動物照片進來，就會覺得：臉圓是貓、臉長是狗，因此，這個方法有它的侷限性：舉例來說，這張投影片圖片中有許多吉娃娃、也有許多馬芬蛋糕。

我第一次看到這些圖時，就想：誰這麼有才？竟然發現吉娃娃跟馬芬蛋糕原來長得這麼像！這就是傳統方式的侷限性。這種問題，就適合使用深度學習來解決。

深度學習模型是透過許多層的節點組成，每個節點是簡單的運算，組合起來達成複雜運算，且具備「不需要人類手動訂定規則，只需要輸入大量資料，就能學會圖像辨識」的特色。

雖然深度學習並非全新技術，早在1980至1990年代就很完整，但現在有更多資料、更多運算，透過深度學習系統，判斷的準確率也一直大幅提升。

這樣的技術已在生活中被廣泛應用，包括在Google相片輸入關鍵字，就會自動搜尋你所拍攝的照片；Gmail有自動回覆功能；甚至Google Translate可翻譯不同語言。

AI能讓醫生判斷更精準、有效

但為什麼AI非常適合應用在醫學呢？

因為AI醫學有幾個特性：首先，醫學領域中有非常多的資料要看，例如說例行性的篩檢、醫療影像的判讀，如果可以透過AI提升醫生判斷效率、或者讓醫生判斷準確率提升，就有辦法讓更多人接受照顧。

第二個原因是：醫生跟醫生間，往往判讀不一致，如果使用AI輔助醫生診斷，就能讓醫生判斷更精確，借此提升醫療品質。 

我們來分享一個眼科案例：糖尿病視網膜病變。

AI系統已達一般眼科醫生水準

糖尿病視網膜病變是糖尿病的一個併發症，它造成的原因是視網膜血管長期屬於高血糖環境下，造成血管破損、出血，嚴重的話導致失明，全世界約有4.15億人口都曝露在這樣子的風險之下，但是全世界並沒有足夠資源，讓這些人可被提早診斷。

在印度，眼科醫生不足，導致近半數病人來不及診斷、治療，造成視力損傷，但這個疾病是可以妥善防治的，檢查方式並不複雜：透過「眼底造影」讓醫生看影像判斷。

「眼底造影」判斷分五級：從藍色的「完全沒有疾病」、到紅色的「非常嚴重」，深紅色的斑點就是出血位置，醫生判斷方式是尋找視網膜上是否出血（Hemorrhages）。

我們蒐集了印度及美國眼底造影影像，並找了54位眼科醫生標記這些資料，總共蒐集13萬張圖片及來做模型訓練，共有88萬個診斷，以此訓練AI模型。

2016年底，我們在頂尖醫療期刊JAMA上發表相關論文，證明AI系統已達到一般眼科醫生水準。

人類醫師的一致性，只有六成

但工程師尋求進步，AI要如何超越眼科醫生呢？於是我們先把眼科醫生的診斷結果拿出來再次分析一下，結果發現一個重要問題：醫生對影像判讀有滿高的差異。

不只是醫生彼此間判讀有差異，就連同一張影像，兩個月後給同一位醫生再看一次，也可能有不同診斷；醫生及醫生間的一致性僅約60%，這代表有40％不一致；而醫生自己的一致性只有大約65%。

為了解決此問題，我們讓許多醫生一起進行討論、診斷，來做為最終診斷結果，在此概念下重新調整AI系統，而AI跟醫生一起合作，往往達到的準確率，會比單獨AI、或是單獨的醫生更準確。

有了新的研究結果後，我們目前正在跟泰國政府合作，進行全國性糖尿病視網膜病變篩檢。 

透過眼底造影，AI就可預測你5年內罹患心臟病、中風風險

最後想跟大家分享一個很有趣的延伸研究。

當我們有許多眼底造影影像，此外同時有病人的心血管疾病資料，我們就想：有沒有辦法從眼底造影來判斷心血管疾病呢？

我們發現，AI可以透過眼底造影，判斷這個人的性別、血壓、以及醣化血紅素濃度，以此偵測出這個病人5年內罹患心臟病或中風的風險，甚至能判讀許多心血管疾病風險因素。

醣化血紅素是有趣的例子，傳統判斷上，需要禁食8小時並抽血，但若AI可以從眼底造影就判讀到夠準的資訊，或許有機會可使用非侵入式方式做檢驗，為醫療帶來新的可能。

我們相信AI有機會大幅提升醫療準確力及普及率，希望除眼科研究外，未來有機會再跟大家分享醫療以外的其他研究。

台灣具備AI醫療的三大優勢

我相信台灣在AI醫療應用具備相當大的潛力，原因是：開發醫療AI須具備三大要素：有好問題、好數據、好模型。

台灣有厲害的醫療人才，許多醫生週末都在練AI，這代表他們在臨床治療上看到了適合發展的機會。台灣醫院及人口密集，因此也有許多數據；而開發模型部份，台灣不缺科技人才。因此，台灣聚集了這三大要素，相信有發展性。

另一個可思考的是：疾病有「區域性」特色，例如台灣「肝炎」盛行，有相當多肝炎資料是其他國家沒有的，或許台灣能從這個角度思考：有哪些盛行的疾病、哪些資料較多？由此做出和其他國家不同的角度。

轉貼至 : https://reurl.cc/QpQm62