从2013年至今，针对机器学习在健康与生命科学领域的研究文献已经成长超过20倍，国际科技大厂Google也在其中贡献了一分力。而Google方面虽不能轻易断言这些研究还需要多久时间才能被商业化、普及化，但就现阶段的几个成果来看，AI对医疗检验效率的提升似乎已经是比较明确，也更快可能被实现的一个效益。
数据量不断增加，但专业人员不足
Google AI产品经理Daniel Tse表示，有大量数据浏览需求，以及专业人才有限的领域其实都很适合采用深度学习。而放眼全球，包括医疗在内，其实有很多产业都面临了数据量不断增加，但专业人员却不足的情形。以印度为例，过去就有约45%的糖尿病视网膜病变患者是在接受诊断之前就已经失明。而类似的困境，就是Google认为可以利用深度神经网络来协助解决的。
事实上Google除了在糖尿病的AI应用为人所知，Daniel Tse提到，深度学习也可以协助检测淋巴结中的乳腺癌转移瘤。这部分的应用和糖尿病视网膜检验比较不同的一点是，必须要使用更精密的显示仪器，因此每个玻片的资讯高达10亿像素，要进行彻底检查其实是一件非常耗时且复杂的工作，而且过去每12个乳腺癌检测中，可能就有一人可能会被误诊。从初步研究结果来看，Google相信这也是机器学习可以派得上用场的地方。
提升效率之外，AI在医疗还有很多可能
而不论是糖尿病，还是乳腺癌的检测，目前看来机器学习可以带来的最显着助益，就是分担专业医疗从业人员的工作附载量，也加快检测效率，进而减少如印度糖尿病病患因无法定期筛检，最终导致失明的状况。
当然，效率的提升只是AI应用在医疗上的其中一种可能性，如Google近期也发现，导入机器学习模型甚至可以协助预测目前医生还无法从图像上预测的病症，如预测患者5年内发生心脏病或中风的风险等等。不过这项研究目前还在比较早期的阶段。
閱讀更多 IT情報局菊長 的文章
