以深度學習判讀腫瘤定位、糖尿病視網膜病變,Google:AI 與醫生合作可達理想成效

作者 | 發布日期 2017 年 08 月 09 日 17:59 | 分類 AI 人工智慧 , Google , 尖端科技 follow us in feedly

機器學習為 AI 人工智慧發展重點領域,而深度學習做為機器學習其中一環,近年來應用於影像辨識發展最為快速且突破最大。Google 研究團隊產品經理、醫學博士彭浩怡(Lily Peng)在 8 月 8 日活動中,說明 Google 深度學習應用於醫療領域的成果,尤其在診斷糖尿病視網膜病變、癌症轉移等方面已有進展。




深度學習網路提升影像辨識能力

彭浩怡指出,深度學習隨著真實數據資料量大增、運算能力更為強化,近五年來成效相當顯著,而神經網路也獲得廣泛應用,在解決視覺、語言辨識與理解等問題上,比其他方法的表現更好。他提到,深度神經網路(Deep Neural Network,DNN)的影像辨識精準度不斷提升,2015 年更已達到與人類相同的影像辨識水準。

▲ 深度神經網路的影像辨識準確性,已於 2015 年達到人類辨識水準

從過去所採用的傳統電腦視覺來看,若要建構熊貓分類器,必須要經過「特徵工程」(feature engineering)過程,得手動輸入所有熊貓相關特徵,不僅分類費時且成效不高;如今透過卷積神經網路(Convolutional Neural Network,CNN)可大幅提高影像辨識效率,只要提供電腦大量熊貓及非熊貓圖片,各約 5,000 張以上愈多愈好,卷積神經網路會自行學習辨識熊貓。相較於過去傳統電腦視覺著重特徵工程,卷積神經網路更偏重在準備資料,進行模型架構(Model architecture)及數據優化(Numerical Optimization)兩方面。

醫療影像辨識應用

深度學習在影像辨識領域應用相當廣泛,彭浩怡和研究團隊運用 Google 自家開源機器學習系統 TensorFlow 架構進行機器學習研究,進一步將技術應用在醫療領域判讀醫學成像,包括診斷糖尿病視網膜病變、乳腺癌腫瘤轉移等。彭浩怡指出,糖尿病視網膜病變是全球失明人數攀升的主因,目前有 4.1 億糖尿病患者都有視網膜病變的風險,但其實這是可以預防的。

視網膜眼底經特殊相機拍攝後,必須由專業眼科醫生判讀影像加以分級,不過,有些地區如印度因眼科醫生嚴重短缺,加上其他因素導致 45 %病患在診斷前已失明,對於可全面預防的病變來說,這樣的結果著實令人沮喪。身為醫生的彭浩怡為改善現狀,與研究團隊著手研究如何將深度學習應用於視網膜影像判讀,並與印度當地夥伴溝通合作。

Google 研究團隊採用 26 層卷積神經網路,創建出具有 12.8 萬張視網膜眼底影像的開發數據集(Dataset),透過 54 名專業眼科醫生判讀分級並建立模型,進而訓練模型判讀視網膜眼底影像,達到如同專業眼科醫生般判讀視網膜病變等級的能力;接著也進一步開發辨識工具,只要將圖像拖曳至系統便能得出診斷結果,現正於印度當地醫院進行臨床實驗。目前試驗結果顯示,演算法判斷結果與專業眼科醫生的診斷結果呈高度一致性。

▲ 以深度神經網路判讀視網膜眼底圖像,建立模型後開發辨識工具

Google 深度學習另一應用是判讀癌症組織切片。彭浩怡表示判讀病理切片並不容易,以乳腺癌切片為例,每 12 人當中就有 1 人可能被誤診,其他癌症也有遭誤診的情況,這是因為病理切片上可見的生物組織資訊龐雜,每個切片在 40 倍放大後約有 100 億畫素(10 Gigapixels),相當於 1,000 張千萬畫素照片的量,還要在有限的時間內審查,這對病理醫生來說是極大挑戰,因此需藉由演算法為醫生提供協助。

Google 為此以深度學習開發自動檢測演算法,並加以訓練改善,用來判斷乳腺癌擴散或轉移定位。該演算法的定位準確率(FROC)可達 89 %,超越病理學家在沒有時間限制下對腫瘤定位的正確率 73 %。彭浩怡認為,最理想的做法就是病理學家跟演算法共同合作,如此不僅具有高敏感度,又可避免假陽性結果。

除此之外,Google TensorFlow 也廣泛應用到許多外部醫學研究,例如史丹佛大學(Standford University)研究團隊就採用 TensorFlow 架構和深度學習,進一步研究皮膚癌判讀應用。

下一步鎖定三大重點發展

為了讓深度學習未來在醫療診斷上能更有效也更精準地輔助醫生,接下來主要朝三大重點發展,分別是與世界各地合作夥伴進行臨床驗證、與醫療團隊建立建立信任感,以及改善工作流程與使用者介面設計。

至於臨床驗證需要多少時間才能實際應用,彭浩怡說明,目前有關技術包括影像分析、演算法等還在初期發展階段,儘管美國食藥管理局(FDA)對這些技術並不陌生也有一定程度理解,平均可能還要再五年時間才有機會通過審查、正式推出市場,因此恐怕不會太快實現。

▲ 醫學博士彭浩怡(Lily Peng)為 Google 研究團隊產品經理,結合醫療與資訊跨領域知識,推動 Google 機器學習應用發展(活動當日透過越洋視訊分享成果)

深度學習除了應用在醫學成像判讀外,Google 也正進行「DeepVariant」計畫,將技術用在基因體定序數據(genome sequencing data)方面,並與更多醫療單位組織建立合作夥伴關係,未來將持續為醫療照護領域做出貢獻,共同努力改善人們的健康。

(圖片來源:《科技新報》攝)