在日前於山景城總部舉辦的Google I/O 2017期間說明如何藉由機器學習投入醫療應用之後，Google研究團隊產品經理彭浩怡 (Lily Peng)在此次台灣分享活動中也進一步說明如何過全新技術讓醫療應用具體提昇。
就機器學習應用來看，其實早在幾十年前便已提出藉由類神經網絡架構運算模式，透過讓電腦 (機器)持續透過原始資料進行學習，進而達成機器學習目的。但以過往運算能力相對不足情況，使得過去深度學習發展速度顯德較緩慢，因此在近年來基於異構運算產生更高運算效能，使得電腦能在更短時間處理更多資訊量，進而讓系統累積足夠學習「經驗」，並且能用於圖像識別、邏輯判斷、語言翻譯等運算領域。
就近期統計數據來看，藉由電腦深度學習運算的圖像識別能力已經超越人眼判斷準確率，甚至逐年提昇其精準度，因此可延伸應用在諸如數據分析、趨勢走向判斷，或是用於複雜影像比對等項目。
讓深度學習系統懂得自我修正
以Google目前建立類神經網絡模型，主要採取積層式類神經網絡交疊成1010組 (100億組)網絡交結組合，分別透過可進化式演算法及強化學習演算法讓系統能從學習過程中累積經驗，進而達成從學習經驗中學習的成效，如同一般人會從過往經驗法則產生不同想法，同時也透過開放學習框架TensorFlow讓更多學習模型資料可彼此互通，進而快速串接諸多學習內容。
在Google所提出深度學習模式，分別以主控類神經網絡推導子集學習模型架構，並且藉其進行特定模式的學習訓練，同時評估最終訓練結果，最後再將訓練結果傳回主控類神經網絡，過程中則會依照學習情況判斷是否修正資料，避免在學習過程產生錯誤情況，並且導致後續學習結果產生更大錯誤。
而就Google研究團隊產品經理彭浩怡分享深度學習應用內容，其中包含篩選判斷糖尿病視網膜、癌症等病變，取代傳統由醫師以人眼判斷是否罹患病症作法，藉此達成更有效預防因糖尿病造成失明情況，同時未來也能協助判斷病患是否需住院觀察，以及判斷未來病症影響身體健康情況，同時也能藉由病例資料深入了解病患可能需求。
類似應用，Intel先前也將基於深度學習的影像識別技術應用在新一代手術系統「SCOT (Smart Cyber Operating Theater)」，藉此協助醫師判斷正確執刀位置、執刀力道與深度，同時也能輔助醫師降低手術過程失誤情況。
資料統一、建立信賴才是真正難處
針對未來發展部分，Google除計畫進一步讓深度學習識別結果具體提昇，同時也計畫銜接諸如醫療等級攝影器材、資料取用模式，並且與諸如美國食品藥品監督管理局 (FDA)等單位合作制定規範，同時建立醫師及病患對於分析數據結果的信賴，藉此讓深度學習技術能廣泛應用在醫療領域。
目前Google已經與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醫療研究人員合作，構思如何結合機器學習技術及臨床診斷專業知識，藉此改善醫療成效、降低不必要的額外醫療花費與醫療疏失情況，同時協助臨床醫師運用更準確的分析判斷做出更好的診斷結果。甚至針對醫療人力資源較為短缺的偏遠地區或發展中國家，結合雲端分析運算資源也能協助醫師做出更正確的醫療診斷，甚至對於長照體系也能帶來更具效率的輔助效果。
但目前面臨困難則包含如何建立醫師與病患對於數據分析結果的信賴，以及如何推廣至臨床應用，其中更包含如何推動醫療開放數據標準FHIR (Fast Healthcare Interoperability Resources)，藉此讓病例等記錄資料格式統一的作業進展，而Google目前也由專責團隊持續與美國食品藥品監督管理局推動此數據格式。
至於在數據判斷造成誤診情況，彭浩怡表示其實深度學習的資料判讀輔助模式，在許多年前就已經用在包含監控系統常見的圖像追蹤、分析，同時在現今運算能力持續攀升與運算模型持續優化情況下，其實造成資料誤判比例已經變得更小。同時，將深度學習輔助判斷應用臨床診斷，其實美國食品藥品監督管理局也有相關嚴格要求，因此最終判斷結果依然要由醫師藉其專業職能決定，而非完全僅以電腦識別結果作為最終診斷，因此在誤診責任釐清部分仍可清楚劃分，甚至能在結合電腦輔助、人腦判斷優勢達成最好醫療成效。
