深度學習 (Deep Learning) 簡介

• 人工智慧的概念始於 1960 年代，長期成為電腦科學家們努力發展的重點。即使各界對於發展人工智慧各有看法，但其中最被看好的仍是機器學習領域。
• 我們認為與其告訴機器如何判斷，不如讓機器藉由自學、自我訓練的方式來學習。為了幫助機器變得更加聰明，Google 開發出類似人類、動物學習方式的演算法，讓機器透過觀察自行學習。
• 深度學習屬於機器學習的一種，儘管深度學習中使用的許多技術都不是新興科技，但在過去五年來，深度學習帶來的顯著成效卻已備受關注。
• 深度學習的成功可歸功於我們終於擁有大量、有趣的真實世界數據集(Dataset)，以及可訓練龐大、複雜模型的運算能力。神經網絡是目前被廣泛應用的最佳方式，它可解 決視覺、語言識別、語言理解等各式問題。

 

深度神經網路(Deep Neural Network, DNN)提升圖像辨識準確性

• ImageNet 圖像標籤挑戰:在電腦視覺社群，每年都有一個吸引各國研究團體參與的 ImageNet 圖像標籤挑戰賽。2011 年是最後一次由非採用深度神經網路(Deep Neural Network, DNN)技術的團隊贏得挑戰。隨著深度神經網路的持續發展，此技術在圖像辨 識的精準度逐年都在提升。其中，DNN 更在 2015 年達到與人類圖像辨識相同的水準。
• 卷積神經網路(convolutional neural nets)學習結構讓影像辨識更有效率
  • 在傳統電腦視覺中，若研究員想建構熊貓分類器，則需將熊貓的特徵(例如:圖像上的白色與黑色的數量)輸入到淺分類。這個過程為「特徵工程」(feature engineering or “hand-crafting features”。但這項分類費時、成效卻不高。
  • 相反地，卷積神經網路則會針對圖像進行優化、透過網路來處理特徵工程。這樣大大提升了研究效率，讓研究員能夠將寶貴的時間用在資料準備、模型架構、數據優化，不再需要耗費大量時間為圖像進行分類，進行特徵工程。

 

機器學習改善當下，防患於未然

• 在過去的十年間，醫界逐步採用電子醫療系統，讓臨床醫師和患者的資訊流通更順 暢，為醫界跨出重要的一步。現在，醫療保健業者也展開對機器學習應用的探索。
• Google 研究人員於過去一年發表了機器學習如何幫助臨床醫生檢測淋巴結中的乳腺癌 轉移，以及篩選糖尿病視網膜病變。
• 隨著機器學習技術成熟，它將更進一步準確預測醫療事件。如:病人是否需要住院、 需留院多久以及他們的健康狀況是否惡化，像是:尿道感染、肺炎或心力衰竭。
• 機器學習的進步讓我們能從去識別(意即不含任何可辨識身分的個資)的醫療記錄上分析 並找到模式，更準確的預測醫療事件、了解患者需求。
• 因此，我們與來自加州大學舊金山分校醫學院、史丹佛大學醫學院、芝加哥大學醫學 院等世界一流的醫療研究人員合作，研究如何結合機器學習技術與臨床專業知識，來 改善與預測病人的預後成效、拯救生命，並防止可能造成大規模損害的事件發生。
• 這類的醫療問題在世界各地都需要被解決:
  • 美國醫院每年的意外住院就額外花費高達 170 億美元，醫療相關感染導致
    99,000 人死亡，醫療與藥物問題造成 77 萬多人受傷和死亡。
  • 全世界每年有 4300 萬人受醫療疏失影響，且大多數發生在中低收入國家。

 

深度學習在醫學成像的應用

以下介紹的兩個案例都是由 Google 20%專案衍生出來的研究，他們立基於 Google 開源機器 學習系統 TensorFlow 而衍生出的演算法。TensorFlow 也廣泛被應用到許多外部的研究。史 丹佛研究團隊正採用 TensorFlow 架構以及深度學習來診斷皮膚癌。

• 協助診斷糖尿病視網膜病變(Diabetic Retinopathy, DR): ○ 背景:
  • 糖尿病視網膜病變是全球失明人數攀升的主因。據了解，全球有高達 4.15 億的糖尿病患者。為預防失明，糖尿病患者每年都應進行一次篩 檢。檢測糖尿病眼疾的常見作法就是檢查眼底圖像，並對疾病的嚴重程 度進行評估。嚴重程度取決於視網膜病變的型態(如:微型動脈瘤、出 血、硬性滲出物等)，這些都是檢驗眼球出血和滲液的指標。

• 案例:
  • 印度因缺近 12.7 萬名眼科醫生，導致近 45%的患者在接受診斷前飽受
    失明之苦。這其實並不應該發生，因為糖尿病視網膜病變是可全面預防 的。為了改善這樣的情形，Google 研究團隊與美國 EyePACS，以及印 度的 3 家眼科醫院 Aravind Eye Hospital、Sankara Nethralaya、 Narayana Nethralaya 緊密合作，創建了一個 128,000 張圖像的開發數 據集，並聘請了 54 名專業眼科醫師，每組圖像由 3-7 名眼科醫生進行 評估。這個數據及目前被用來訓練深度神經網路以協助醫師診斷出糖尿 病視網膜病變。
  • 我們分別在兩個臨床實驗中運用神經網路演算法辨識了約 12,000 張成像，再將診斷結果與由 8 名經過美國眼科醫師認證 的醫師判斷結果相互對照，以驗證診斷的靈敏度。
  • 最終實驗結果顯示我們的演算法表現與 54 名專業眼科醫生的辨 別結果達高度一致性。舉例來說，在下圖的數據集中，演算法 的 F-Score 值(結合靈敏度和特異性的度量，最大值為 1)為 0.95 分，稍微高於眼科醫生的 F-Score 中位數 0.91 分。