人工智慧是能让事物变更聪明的科学，而机器学习则是训练机器透过学习使其变得聪明。
机器学习的运作方式，就是藉由训练影像辨识模型，提升效率与精準度，并且可以辨
识不同类型的影像输入。
举例来说，当你今天要训练机器辨识在影像中猫或狗的特徵, 你可以输入上千张猫的影像, 并且指认这是猫, 而不需要描述有关猫咪的特徵, 机器即可从输入的例子中自己学习辨认猫的影像。
机器学会从数以千计的训练模型中辨识出猫的影像后, 接下来它可以在之后的每张影像中自动辨认出猫的图像而无须透过人工介入。
人工智慧在医疗领域的研究现况自 2013 年以来，机器学习在健康与生命科学领域的研究文献数量已成长超过 20 倍，而机器学习可为医疗领域面临的两大挑战带来帮助：需透过人工浏览大量资料: 新技术的採用，使得近年来需要透过医生筛选及判读的资讯量大幅增加, 尤其是在扫描或例行影像程序。
专家与医生人力的短缺: 放射科医生以及其他专业医生在全球都面临短缺的状
况, 而在慢性疾病 (如糖尿病与心脏病) 发病率不断增加的情况下只会更糟 。
机器学习在医学影像辨识上的应用案例
协助诊断糖尿病视网膜病变（Diabetic Retinopathy，DR）：
背景：
全球有 4.15 亿的糖尿病患者, 糖尿病的常见併发症之一是糖尿病引起的视网膜病变, 而这也是全球失明人数迅速攀升的主因。为预防失明, 糖尿病患者每年都应进行一次筛检，而检测糖尿病眼疾的常见作法就是检查眼底图像。
拍摄眼球底部的影像后, 则会依据患者病变轻重程度分级，在检测过程中, 医生观察的影像都是检验眼球出血和渗液的指标。而全球具有经验与知识的专家人力面临短缺，印度因缺少近 12.7 万名眼科医生，导致近 45% 的患者在接受诊断前就已经失明。
Google 研究团队与美国扫描影像单位及印度医学单位合作，获得大量的影像案例作为研究基础，导入深度神经网路 (Deep Neural Network, DNN) 来判读眼底图像
首先建立影像标籤工具，并聘请 54 名眼科医师辨识成像，再运用 Inception（又名 GoogLeNet）的神经网路演算法辨识了约 130,000 张成像以进行训练, 并依据判断呈现五种等级的辨识结果。这个数据集目前被用来训练深度神经网路, 以协助医师诊断糖尿病视网膜病变, 同样运作的原理也被应用在 Google 相簿中。
2016 年，Google 在美国医学协会期刊《The Journal of the American Medical Association》上，发表了与一般眼科医师的判读具高度一致性的结果; 随着研究的进展，今年二月，我们也于《Ophthalmology》期刊中，进一步发表了与视网膜专科医师的判读高度相符的结果。
这套系统也被应用在印度亚拉文眼科医院的前导计划中，经过三个月后, 发现透过 AI 比人工分级有更高的準确度，因此也正逐渐增加将透过此演算法来检测的病患人数。
我们也同与印度、泰国与美国的医学单位进行合作，投入临床验证与应用，并同时致力于推对监管机构的核准。而在研究过程中，我们也发现硬体设备将会是扫描影像过程中不可或缺的要素，所以 Google 也与 Verily (Alphabet 中的姐妹公司) 以及 Nikon 合作，让硬体设备不会成为机器学习在影像辨识中的障碍。
Google 也致力于研究神经网路 (Neural Network, NN) 的可解释性。过去，神经网路通常被认为如黑盒子 (black boxes) 一般神秘，其实不然。而且透过不同的技术, 我们可以以视觉化方式，了解神经网路是如何做出判断；例如透过热感应图 (heat maps), 我们可以看出神经网路是如何强调标籤中最容易辨识的像素。
机器学习模型除了根据筛选结果协助医生进行诊断外，甚至可以协助预测目前医生还无法从影像上预测的病症。在 Google 近期发表的论文中提到, 我们也训练机器学习模型来预测医生在评估患者心脏病发作或中风风险时考虑的各种因素，像是年龄、自报性别、吸菸状况、血压或主要不良心血管事件 (MACE) 等。
结果显示除了这些準确预测风险因素之外，我们也可以直接预测患者五年内发生心脏病发作或中风的风险。
目前 Google 只有运用几百个案例来训练模型, 这项研究还在相当早期的阶段，但模型的曲线下面积 (AUC) 达到 0.7 (演算法正确度达 70%)。
而这项技术将有机会应用到未来评估心血管疾病风险时，可以透过非侵入性方式所取得的影像来进行相似的预测，也因此将能为更多人所用。
帮助检测淋巴结中的乳腺癌转移瘤癌症的诊断包括取肿瘤样本，放在玻片上、染色，在显微镜下观察细胞情形。每一个玻片上包含将近 10 亿像素 (10 gigapixels) 的资讯，而透过显微镜彻底检查这些玻片则非常耗时且複杂。
而每 12 人的乳腺癌检测中，就有 1 人可能被误诊，也是过去面临的一大挑战。
为了解决时间限制和诊断差异性高的问题，Google 正帮助医生检测淋巴结内乳癌细胞转移情况，建立产生预测热图的模型来帮助肿瘤细胞的定位作判断。
当我们最终用玻片对还未训练的模型进行训练时，该演算法产生的预测热图有了很大的改善，且演算法的定位分数 (FROC) 达到 89%，大幅超越了在没有时间限制下，病理学家对肿瘤定位的正确率（73%），我们也将这项研究工具开放到网路上，让其他研究人员都可以使用。
机器学习在医疗领域的未来发展为了确保病患能够得到最佳的临床诊断结果，未来这些应用将与医师的工作流程相互整合，让医疗判断结果更精準。除此之外，也可以把这项技术带到其他组织类型的应用上。例如：前列腺癌的格里森分级 (gleason grading) 表现结果与病理学家的判断相同。
利用机器学习来预防失明及预测心血管疾病，只是将人工智慧应用于帮助病患的其中几个例子。人工智慧在医疗领域的发展潜力十分庞大，这就是为什幺把这项技术开放给所有人是相当重要的。因此，我们过去发表了多项研究并将机器学习工具致力于 (如 TensorFlow)，提供给每一位对运用人工智慧解决医疗相关问题感兴趣的医生和研究员。
神经网路的可解释性也是目前热门研究方向之一，是解读与信任人工智慧的重
要方式，同时也是协助医师判读诊断的重要工具，尤其像谈到未来机器学习能进一步透过医师不曾考虑的因素进行疾病风险预测，透过呈现数据与机器学习模性用以判读/分类的特徵让其可以被解释，能有助于建立医师对其预测结果的信任。因此，我们也研发多项工具，让人们可以更理解数据与模型背后的运作与意涵。而在我们预测心血管疾病的风险研究中，模型也显示对预测最有效的区域影像。
Google 非常重视在医疗相关研究与应用的可靠性，在真正落实应用之前，希望
透过有说服力的研究结果取得医疗学界的专业认可，于是透过医学期刊与医学
模型等方式来呈现研究结果。我们也非常希望将相关的技术带到实际应用中，
同时也积极与监理单位进行合作以取得核准，像是美国食药署 (FDA) 以及欧盟
等相关单位；而临床验证的部份我们也与硬体的厂商 Nikon 等来合作。
Google AI 研究团队积极与医生和临床医学相关单位合作, 在筛选与诊断方面，透过深入了解医院中的临床医学流程与需求，以打造适合的工具，并藉此提升测试及决策的能力与效率。在糖尿病视网膜病变的案例中，由于筛检过程中的资料量相当庞大，于是我们投入筛检研究以提升整体效率；其他病症诊断的应用上，我们也将机器学习应用于缩小搜寻範围以减少所需的时间。
在与台湾的医学相关合作伙伴上, 我们会视个别状况而定, 通常我们会先推出一个前导计画，若碰到像是资料量非常庞大或医师不足等状况, 都是机器学习能够提供帮助的发展方向。
–
Google AIAI 总是贴心人设想？Google 内部影片：其实它正全面接管你的人生！
Google 空降台南启动「Google 智慧台湾计画」，预计一年训练出 5 万名数位行销人
专业 PM 价值超高，年薪 750 万台币起跳