当前位置:<主页 > 海量的数据 >Google 台湾总经理简立峰:「AI 医疗应用市场很大,而 >

Google 台湾总经理简立峰:「AI 医疗应用市场很大,而



    Google 台湾总经理简立峰:「AI 医疗应用市场很大,而机器学习改善当下,防患于未然

    在过去的十年间,医界逐步採用电子医疗系统,让临床医师和患者的资讯流通更顺
    畅,为医界跨出重要的一步。现在,医疗保健业者也展开对机器学习应用的探索。 Google 研究人员于过去一年发表了机器学习如何帮助临床医生检测淋巴结中的乳腺癌转移,以及筛选糖尿病视网膜病变 。

    随着机器学习技术成熟,它将更进一步準确预测医疗事件。如: 病人是否需要住院、
    需留院多久以及他们的健康状况是否恶化,像是: 尿道感染、肺炎或心力衰竭。机器学习的进步让我们能从去识别 (意即不含任何可辨识身分的个资) 的医疗记录上分析
    并找到模式,更準确的预测医疗事件、了解患者需求。

    因此,我们与来自加州大学旧金山分校医学院、史丹佛大学医学院、芝加哥大学医学
    院等世界一流的医疗研究人员合作,研究如何结合机器学习技术与临床专业知识,来
    改善与预测病人的预后成效、拯救生命,并防止可能造成大规模损害的事件发生。

    这类的医疗问题在世界各地都需要被解决: 美国医院每年的意外住院就额外花费高达 170 亿美元(约合台币 5100 亿元),医疗相关感染导致 99,000 人死亡,医疗与药物问题造成 77 万多人受伤和死亡。 全世界每年有 4300 万人受医疗疏失影响, 且大多数发生在中低收入国家。

    深度学习在医学成像的应用

    以下介绍的两个案例都是由 Google 20%专案衍生出来的研究,他们立基于 Google 开源机器学习系统 TensorFlow 而衍生出的演算法。TensorFlow 也广泛被应用到许多外部的研究。史丹佛研究团队正採用 TensorFlow 架构以及深度学习来诊断皮肤癌。

    协助诊断糖尿病视网膜病变 (Diabetic Retinopathy, DR): 糖尿病视网膜病变是全球失明人数攀升的主因。据了解,全球有高达 4.15 亿的糖尿病患者。为预防失明,糖尿病患者每年都应进行一次筛检。检测糖尿病眼疾的常见作法就是检查眼底图像,并对疾病的严重程度进行评估。严重程度取决于视网膜病变的型态 (如: 微型动脉瘤、出血、硬性渗出物等),这些都是检验眼球出血和渗液的指标。

    Google 台湾总经理简立峰:「AI 医疗应用市场很大,而

    印度因缺近 12.7 万名眼科医生, 导致近 45% 的患者在接受诊断前饱受失明之苦。这其实并不应该发生,因为糖尿病视网膜病变是可全面预防的。为了改善这样的情形,Google 研究团队与美国 EyePACS,以及印度的 3 家眼科医院 Aravind Eye Hospital、Sankara Nethralaya、Narayana Nethralaya 紧密合作,创建了一个 128,000 张图像的开发数据集,并聘请了 54 名专业眼科医师,每组图像由 3-7 名眼科医生进行评估。这个数据及目前被用来训练深度神经网路以协助医师诊断出糖尿病视网膜病变。

    我们分别在两个临床实验中运用神经网路演算法辨识了约 12,000 张成像,再将诊断结果与由 8 名经过美国眼科医师认证的医师判断结果相互对照,以验证诊断的灵敏度。

    最终实验结果显示我们的演算法表现与 54 名专业眼科医生的辨别结果达高度一致性。举例来说,在下图的数据集中,演算法的 F-Score 值 (结合灵敏度和特异性的度量, 最大值为 1) 为 0.95 分,稍微高于眼科医生的 F-Score 中位数 0.91 分。

    Google 台湾总经理简立峰:「AI 医疗应用市场很大,而目前,Google 仍积极与视网膜研究领域的专科医生合作,以建立更完整的量化评量标準。Google 已与印度 Aravind 医院完成了第一次的临床试验。试验结果显示该演算法判断结果与现行医师的诊断结果是一致的,而第二、第三次的临床实验也正在进行中。
    此外,Google 于此发表的研究中,2D 眼底图像的判读只是众多糖尿病视网膜病变诊断步骤中的其中一步。在某些情况下, 医师也会利用 3D 成像技术、光学相干断层扫描 (Optical Coherence Tomography, OCT) 来就视网膜的各个层面进行详细检查。此研究目前由 DeepMind 的同事来执行。未来,Google 也将结合这两种判断方式, 以协助医师更有效率地判断各类眼疾。

    帮助检测淋巴结中的乳腺癌转移瘤:

    病人疾病的诊断相当仰赖病理师的分析。而病理切片的判断是一个複杂且需要长时间训练以累积经验的过程。即使受过密集的训练,不同病理师对同一病人的诊断也会各异,进而发生误诊的情况。每 12 人的乳腺癌切片中, 就有 1 人可能被误诊 (比例依各地人口数不同而有差异),在其他癌症诊断中也有类似情形 (例: 前列腺癌 7 人中有 1 人可能被误诊)。

    针对乳腺癌的诊断,準确率有时候仅有 48%,和前列腺癌诊断準确率一样低。这主要是因为準确的判断需要非常庞大的资讯加以分析与检测。

    在一般情况下,病理医生负责审查病理切片上可见的所有生物组织,但是每个患者有很多病理切片,在进行 40 倍放大时每个切片都有 10 亿的像素 (10 gigapixels),这不仅是数据量的问题,时间有限也往往是个挑战。

    为了解决时间限制和诊断差异性高的问题,Google 正研究导入深度学习来打造一个能协助病理学家有效提升工作流程的自动检测演算法。我们採用了过去用于 2016 ISBI Camelyon Challenge 的图像 (由 Radboud 大学医学中心提供) 来训练并优化这个演算法,以针对已经扩散 (转移) 到与乳腺相邻的淋巴结的乳腺癌的定位作判断。

    虽然肿瘤发生概率预测热图 (heat maps) 有点众声喧哗,但是 Google 现成的深度学习方法如 Inception (又名 GoogLeNet ) 于提高时间效率与诊断一致性的结果相当好。透过额外的订製设计,包含训练网络以不同的放大倍率来检查图像 (就像病理学家所做的那样), 我们发现训练一个相当或超过病理学家表现的模型是有可能的。尤其这个模型不受时间限制,可长时间检测病理切片。

    Google 台湾总经理简立峰:「AI 医疗应用市场很大,而

    实际上,该演算法产生的病理预测热图有了很大的改善,且演算法的定位分数 (FROC) 达到 89%,大幅超越了在没有时间限制下,病理学家对肿瘤定位的正确率 (73%)。而其他使用相同数据集的团体也获得高达 81%的分数。此外,我们的模型泛化能力非常好,即使是使用从不同医院、不同扫描仪获取的图像,成效也不错。更多详细资讯, 可参阅 Google 的文章「Detecting Cancer Metastases on Gigapixel」。

    淋巴结活体组织切片特写。切片包含乳腺癌转移以及与肿瘤相似但为良性正常组织的巨噬细胞。

    Google 台湾总经理简立峰:「AI 医疗应用市场很大,而

    机器学习在医疗项目的未来发展

    儘管在这些应用人工智慧的医疗案例中,演算法都能让机器在各项任务中维持良好表
    现,但仍因缺少了医师对疾病的广泛了解与实际经验,让这些应用无法完成任务外的
    异常检测病症。如:发炎过程、自身免疫疾病或其他类型的癌症。

    为了确保病患能够得到最佳的临床诊断结果,未来这些应用将与医师的工作流程相互整合,让医疗判断结果更精準。例如,病理学家透过查看最可能的预测肿瘤区域 (可以允许多达八个假阳性区域),以减少假阴性比率 (未检出肿瘤的比率)。这些演算法可以协助病理学家更容易且準确地测量肿瘤大小,这个和预测相关的因素。

    随着机器学习技术在医疗上达成的显着成果,一些临床医师也和我们接触,希望能够
    更了解、更有效使用医疗资讯,进而产出更好的诊断结果。由于医疗数据非常複杂,过去一年中我们对数据进行了验证,以确保结果準确无误。
    接下来的几个月,我们将把这些数据提供给来自每个医疗系统和外部人员以进行临床
    审查。我们也同时协助统整各医疗组织数据格式。由于每个诊所都有各自的数据记录方式,不仅让观察变得困难,缺乏数据相互操作性和标準化也让这个建置过程耗费许多必须手动调整资料的时间。

    现在,基于医疗开放数据标準 FHIR (Fast Healthcare Interoperability Resources),我们能利用深度学习技术将此过程自动化, 让临床医师和研究人员更容易使用这些数据。

    我们的医疗合作伙伴将确保患者数据在分享出去前都被适当地去识别化。接着,我们
    使用 Google 云端的基础设施,严格遵守 HIPAA 隐私规範并以最高级别保护。这些记录与消费数据将分开储存。临床上的突破只有在医学界和深度学习专家紧密合作时才能达成。虽然在 Google 的大多数员工并不是医生,但我们持续以独特的专长期许为医疗照护做出贡献。我们将与更多医疗单位组织建立合作伙伴关係,共同努力改
    善全球数百万人的健康。

    机器学习在台湾医疗领域的可能发展

    Google 台湾总经理简立峰认为:Google 在糖尿病的视网膜病变上面只花了 13 万个病患数据,而台湾自己的糖尿病病患就有将近两百万,因此台湾绝对是有能力做出跟 Google 相同的服务,而且更贴近本土市场所需。

    台湾不论在医疗领域还是资通讯领域都有稳健基础。因此若能利用台湾在地图像资料
    与既有技术,就有机会发展此领域,甚至在未来将成功案例发展到国际。若碍于法规,需要进一步将 AI 技术应用到医疗领域,可考虑在医院内部先行。这是在其他国家很难得的,因为台湾拥有非常完整健保系统可多加利用。

    面临台湾少子化、高龄化而衍伸出的长期照护问题,或可透过机器学习技术加以解
    决。如:自驾车技术可衍生开发出自动轮椅。

    而简立峰更表示:张忠谋认为 AI 最重要的重点在如何应用,这对台湾也是。未来各国趋势都走向建立自有的资料库和自有的研发团队,台湾也必须建立属于自己的本土 AI 团队,医疗的 AI 台湾有一定的发展优势,这些优势连美国都不一定有,这个方向会是台湾很好的破口。