以深度学习判读肿瘤定位、糖尿病视网膜病变,Google:AI 与医生合作可达理想成效

作者 | 发布日期 2017 年 08 月 09 日 20:31 | 分类 google , 人工智能 , 医疗科技
2017-08-08_152530-624x441

【Technews科技新报】机器学习为 AI 人工智能发展重点领域,而深度学习做为机器学习其中一环,近年来应用于影像辨识发展最为快速且突破最大。Google 研究团队产品经理、医学博士彭浩怡(Lily Peng)在 8 月 8 日活动中,说明 Google 深度学习应用于医疗领域的成果,尤其在诊断糖尿病视网膜病变、癌症转移等方面已有进展。




深度学习网络提升影像辨识能力

彭浩怡指出,深度学习随着真实数据资料量大增、运算能力更为强化,近五年来成效相当显著,而神经网络也获得广泛应用,在解决视觉、语言辨识与理解等问题上,比其他方法的表现更好。他提到,深度神经网络(Deep Neural Network,DNN)的影像辨识精准度不断提升,2015 年更已达到与人类相同的影像辨识水准。

▲ 深度神经网络的影像辨识准确性,已于 2015 年达到人类辨识水准

从过去所采用的传统电脑视觉来看,若要建构熊猫分类器,必须要经过“特征工程”(feature engineering)过程,得手动输入所有熊猫相关特征,不仅分类费时且成效不高;如今透过卷积神经网络(Convolutional Neural Network,CNN)可大幅提高影像辨识效率,只要提供电脑大量熊猫及非熊猫图片,各约 5,000 张以上愈多愈好,卷积神经网络会自行学习辨识熊猫。相较于过去传统电脑视觉着重特征工程,卷积神经网络更偏重在准备资料,进行模型架构(Model architecture)及数据优化(Numerical Optimization)两方面。

医疗影像辨识应用

深度学习在影像辨识领域应用相当广泛,彭浩怡和研究团队运用 Google 自家开源机器学习系统 TensorFlow 架构进行机器学习研究,进一步将技术应用在医疗领域判读医学成像,包括诊断糖尿病视网膜病变、乳腺癌肿瘤转移等。彭浩怡指出,糖尿病视网膜病变是全球失明人数攀升的主因,目前有 4.1 亿糖尿病患者都有视网膜病变的风险,但其实这是可以预防的。

视网膜眼底经特殊相机拍摄后,必须由专业眼科医生判读影像加以分级,不过,有些地区如印度因眼科医生严重短缺,加上其他因素导致 45 %病患在诊断前已失明,对于可全面预防的病变来说,这样的结果着实令人沮丧。身为医生的彭浩怡为改善现状,与研究团队着手研究如何将深度学习应用于视网膜影像判读,并与印度当地伙伴沟通合作。

Google 研究团队采用 26 层卷积神经网络,创建出具有 12.8 万张视网膜眼底影像的开发数据集(Dataset),透过 54 名专业眼科医生判读分级并建立模型,进而训练模型判读视网膜眼底影像,达到如同专业眼科医生般判读视网膜病变等级的能力;接着也进一步开发辨识工具,只要将图像拖曳至系统便能得出诊断结果,现正于印度当地医院进行临床实验。目前试验结果显示,演算法判断结果与专业眼科医生的诊断结果呈高度一致性。


▲ 以深度神经网络判读视网膜眼底图像,建立模型后开发辨识工具

Google 深度学习另一应用是判读癌症组织切片。彭浩怡表示判读病理切片并不容易,以乳腺癌切片为例,每 12 人当中就有 1 人可能被误诊,其他癌症也有遭误诊的情况,这是因为病理切片上可见的生物组织资讯庞杂,每个切片在 40 倍放大后约有 100 亿像素(10 Gigapixels),相当于 1,000 张千万像素照片的量,还要在有限的时间内审查,这对病理医生来说是极大挑战,因此需借由演算法为医生提供协助。

Google 为此以深度学习开发自动检测演算法,并加以训练改善,用来判断乳腺癌扩散或转移定位。该演算法的定位准确率(FROC)可达 89 %,超越病理学家在没有时间限制下对肿瘤定位的正确率 73 %。彭浩怡认为,最理想的做法就是病理学家跟演算法共同合作,如此不仅具有高敏感度,又可避免假阳性结果。

除此之外,Google TensorFlow 也广泛应用到许多外部医学研究,例如斯坦福大学(Standford University)研究团队就采用 TensorFlow 架构和深度学习,进一步研究皮肤癌判读应用。

下一步锁定三大重点发展

为了让深度学习未来在医疗诊断上能更有效也更精准地辅助医生,接下来主要朝三大重点发展,分别是与世界各地合作伙伴进行临床验证、与医疗团队建立建立信任感,以及改善工作流程与使用者界面设计。

至于临床验证需要多少时间才能实际应用,彭浩怡说明,目前有关技术包括影像分析、算法等还在初期发展阶段,尽管美国食药管理局(FDA)对这些技术并不陌生也有一定程度理解,平均可能还要再五年时间才有机会通过审查、正式推出市场,因此恐怕不会太快实现。

▲ 医学博士彭浩怡(Lily Peng)为 Google 研究团队产品经理,结合医疗与资讯跨领域知识,推动 Google 机器学习应用发展(活动当日透过越洋视频分享成果)

深度学习除了应用在医学成像判读外,Google 也正进行“DeepVariant”计划,将技术用在基因体定序数据(genome sequencing data)方面,并与更多医疗单位组织建立合作伙伴关系,未来将持续为医疗照护领域做出贡献,共同努力改善人们的健康。

(图片来源:《科技新报》摄)

如需获取更多资讯,请关注微信公众账号:Technews科技新报

杨 安琪

政治大学日文系毕业,在媒体、出版产业任职多年。生活中少不了电影、摇滚乐、美国超级英雄;喜欢学习新知,关注科技产业、电子商务发展趋势、商管议题。
未经许可,任何媒体、网站或个人不得复制、转载、或以其他方式使用本网站的内容,违者必究。

直接使用新浪微博发表评论

 

发表评论