【e-zone 專訊】醫治隨時是爭分奪秒，但往往很多時診斷時會延誤，原因之一是每種病徵可以代表很多疾病，即使從清晰的醫學掃描影像，亦未必能快速診斷是何種急性或慢性病。機器學習（Machine Learning）可在此幫上大忙 － 雖則相關應用仍不算很成熟。
Google 在東京舉行「Made with AI」傳媒活動，總結了該公司在人工智能（AI）、機器學習與深度學習（Deep Learning）的進展。其中深度學習已廣泛應用在多個領域，特別需建基在影像分析的醫療保健範疇。
【相關報道】Google Assistant 好玩但未支援廣東話
【精選連結】善用機器學習 為企業引入智能
Google Research 產品經理、醫療成像團隊負責人彭浩怡（Lily Peng）解釋， Google 的深度學習技術協助醫療機構診斷疾病，她主要研究範圍是醫療影像檢測，如：視網膜成像、糖尿病和乳腺癌。她在會上特別提到「糖尿上眼」，即糖尿病引起的視網膜病變（Diabetic Retinopathy）。因糖尿病引致的視網膜病變是成人三大致盲原因之一，全球有 4 億 1,500 萬人受此病困擾，一半患者更因為及時檢查致盲－原因是醫生不足（特別是發展中國家）以及難從檢查眼底圖像中立即判斷出來，到確診時是已是太遲。
彭浩怡表示，其團隊在視網膜病變肆虐的印度聘請 54 名眼科醫生，收集閱讀並超過 13 萬張視網膜影像，並進行了 88 萬次診斷，以訓練深度神經網（DNN），提高圖像辨識能力。結果發現機器學習系統的表現（識別準確程度）已稍勝專業眼科醫生。這對醫生不足和專業影像診斷設備的地區尤其重要，因可盡快判別疾病。不過彭浩怡強調，機器學習工具協助醫生工作而非取代他們，醫學界也歡迎機器學習的成果。
事實上，愈多應用例子（圖像），深度學習演算工具便會愈準確，但多少數量才是「足夠」呢？彭浩怡認為以她研究經驗，大概 5,000 張影像應可對疾病作出合理估算，這也是跟數據「規模經濟效益」有關。除了癌症等慢性病診斷，會迅速惡化、死亡率高但又難以立即診斷出來的急症（如：敗血症），機器學習工具亦可幫上忙。
彭浩怡透露，Google 正跟印度及醫療機關和美國 FDA（食品藥品監督管理局）溝通，以及尼康（Nikon）等光學儀器商洽談，提高辨識成果，推廣應用範圍，但估計要把機器學習實際廣泛應用在醫療儀器起碼需要多年時間，且還要通過醫療和數據處理等方面的監管機構審查。
Source：ezone.hk