AI 大未來:Google 怎用機器學習,幫助醫療診斷更有效率、準確?

機器學習幫助人類的潛力無窮,某種角度來說,Google 向台灣大眾的這次分享會非常的「經典」,深入淺出為大家演繹了深度學習科技到底如何與人類協作,進而讓醫生診斷得更精準、有效!
評論
評論

今天 Google 台灣招開第二場機器學習媒體聚會,找來矽谷總部的彭浩怡醫學博士,為大家介紹她與團隊如何透過卷積神經網為底的圖像辨識技術,幫助醫生檢測糖尿病視網膜病變,與淋巴結中的乳腺癌轉移瘤等臨床應用實例。機器學習幫助人類的潛力無窮,某種角度來說這次分享非常的「經典」,深入淺出為大家演繹了深度學習科技到底如何與人類協作,進而讓醫生診斷得更精準、有效。

美籍華裔的彭浩怡博士先從很基本的概念為大家介紹人工智慧與深度學習。簡言之,深度學習是一組可以讓機器自我訓練的演算法,它有許多部分並不是晚近才新興發明的新科技,而是因爲運算能力與真實世界資料量在過去五年皆有飛躍性提升,才讓這項技術得以實用化。其中模擬人類神經運作原理發展的神經網絡,是目前所有人工智慧派流中最被廣泛應用的技術,只要把模型妥善設計調教,就能獲得非常好的分析結果。

▲值得一提的是今天主講者彭浩怡博士同時擁有醫學博士 (M.D)、生物工程博士 (Ph.D) 雙學位

圖像辨識就是深度學習技術最具突破性的領域之一。彭浩怡舉例在運用深度學習之前,如果想爲傳統電腦視覺建構一組「熊貓分類器」,那就必須透過分類費時、成效卻不高的「特徵工程」(feature engineering)一個一個把熊貓特徵輸入到淺分類。但多虧了卷積神經網路,只要喂給電腦大量「熊貓」與「非熊貓」的圖像,電腦就會自己針對圖像進行優化、透過網路來處理特徵工程,大大提升辨別效率。其辨識精準度已是在 2015 達與人類辨識相同水準,而且現在資料量也不用太大,彭浩怡說目前演算法已經進步到只需「熊貓」與「非熊貓」各 5000 張,就可建立起有效的模型。

既然圖像辨識目前發展已相當先進,那 Google 所做的,就是把它用在醫療影像識別上。彭浩怡與她的團隊透過「Google 20% 專案」,使用開源機器學習系統 TensorFlow 在糖尿病視網膜病變、淋巴結中的乳腺癌轉移瘤兩個計畫裡。彭浩怡解釋,糖尿病視網膜病變是全球失明人數攀升最主要的原因之一,全球現有約 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,而最常見的檢測法就是檢查眼底圖像。

因此 Google 在急需 12.7 萬名眼科醫生的印度進行了這項計畫,他們與美國 EyePACS,以及印度的 3 家眼科醫院 Aravind Eye Hospital、Sankara Nethralaya、 Narayana Nethralaya 進行合作,收集了 128,000 張視網膜照片,並請來 54 名專業眼科醫師,每張照片都會由 3-7 名醫生進行評估,建立起糖尿病視網膜病變的深度學習模型。最終在兩個臨床實驗中用深度學習模型辨識約 12,000 照片,再與 8 名美國眼科醫師判斷結果相互比照,以驗證診斷的靈敏度。最終實驗結果顯示演算法表現與 54 名專業眼科醫生的辨別結果達高度一致性。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。而接下來使用 3D 成像技術、光學相干斷層掃描對視網膜各個層面進行檢查的部分,就會交給 DeepMind 執行。

彭浩怡也介紹他們透過深度學習 Inception 技術訓練病理切片圖像識別,提高判斷乳腺癌轉移瘤的時間效率與診斷一致性。過去乳腺癌切片的誤判機率甚高(約 1/12),但 Google 演算法的病理預測熱圖能產生很大改善,其定位分數 (FROC) 達到 89%,大幅超越了在沒有時間限制下,病理學家對腫瘤定位的正確率 (73%)。而其他使用相同數據集的團體也獲得高達 81% 的分數;此外彭浩怡也透露,母公司 Alphabet 旗下的生技子公司也正努力運用深度學習在基因治療上。而史丹佛大學自身也使用 TensorFlow,將其用在診斷皮膚癌中。

不過彭浩怡強調,這些研究都還處在早期實驗階段,除了精進演算法增加判別率以外,統整各醫療組織數據格式,讓數據標準化將會是未來挑戰之一,Google 希望透過醫療開放數據標準,讓深度學習技術將此過程自動化,使得臨床醫師和研究人員更容易使用這些數據;另外也將跟許多廠商合作,串連各種醫療器材,讓醫師在使用器材能更無縫接軌,增進診斷效率。

最後 Google 台灣董事總經理簡立峰補充,醫療 AI 出現並不會搶了醫生的就業機會,從上面幾個案例來看,醫生判診相對準確但涵蓋率不夠,AI 則是反過來,因此應該通力合作,會是發展人機協作非常好的領域。而台灣不論在醫療領域還是資通訊領域都有穩健基礎,特別是因健保關係,醫療資料非常完善,若能充分利用在地圖像資料與既有技術,十分具機器學習於醫療領域的發展潛力。如果礙於法規無法大規模推動,那也可考慮在各醫院體系內部先行。而面臨台灣少子化、高齡化而衍伸出的長期照護問題,也會機器學習可延伸發展的好機會,像自駕車技術就有機會衍生出自動輪椅等更細緻的服務。


Cookie 消失?試試看全新 AI 影像內容辨識:讓用戶看的內容決定看到的廣告

Google Chrome 即將淘汰幫助廣告主的工具—— Cookie ,它的離去將再一次地影響數位廣告產業。
評論
Photo Credit:<a href="https://www.shutterstock.com/zh/image-photo/ai-artificial-intelligence-big-data-internet-1075853384" target="_blank">shutterstock</a>
評論

透過GA分析進站者發現, Safari的新客數越來越多,難道這表示 iOS 的用戶數也跟著增加了嗎?注意了,這有可能是 Apple 封鎖第三方 Cookie 帶來的影響。隨著 Google 即將淘汰 Chrome 上的 Cookie ,這個幫助廣告主記住用戶受眾的小工具,將要再一次地影響數位廣告產業。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

後 Cookie 時代的廣告受眾如何鎖定?

各大廣告平台在過去幾年不斷地透過 Cookie 以及其它方式,悄悄收集使用者的用戶數據,隨著這幾年用戶的隱私權意識抬頭, Apple 與 Google 對於藉由 Cookie 辨識用戶資料的廣告投遞方式,持有不同的態度,這也將是所有廣告主的極大挑戰。當 Cookie 不復存在,要如何辨識使用者資料?

Cookie 消失了,或許會有新的數據辨識工具來取代,但是任何試圖跟蹤受眾的方式,都難以符合大眾對於保護隱私權的期望。另一方面,也極有可能無法再通過日趨嚴格的媒體監管限制。無論如何,數位廣告不能像過去一樣,無條件地使用類似 Cookie 的追蹤方式,來達到與現在同樣的廣告效果。

後 Cookie 時代內容辨識類型的廣告鎖定方式,將成為未來具指標性的投放策略。廣告與瀏覽平台或內文主題的高相關性,不僅能顯著提高受眾的互動度,更重要的是,完全不需要收集任何個人數據。

FreakOut Taiwan 不斷嘗試更友善的廣告投遞形式, 自 2016 年進入台灣市場的原生廣告,到 2020 年末引進「 Mirrors 」 AI 影像視覺內容辨識系統,都是以網路使用者的角度出發。「 Mirrors 」不需要使用傳統的受眾興趣設定,即可針對「目標受眾在觀看的影像內容」、「品牌自身競爭對手或相關指定系列產品出現的影片」來投遞 YouTube 上的影音廣告。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

AI 人工智慧影像技術突破,推動新一代內容辨識功能

傳統的內容比對廣告皆為自然語言處理 NLP 中心,基於「純文字」的比對來顯示相關廣告,如大家很熟悉的 Google AdSense 。但是,結合新興的 AI 演算和複雜的圖像辨識,已然能夠達到「影片」的內容偵測,透過增加多個比對層和基於自然語言處理 NLP 的基準定位,可深度學習並提供更精細的辨識洞察力。

舉例來說,若想要將汽車廣告投放給對汽車有興趣的人,我們要先從可能對汽車感興趣的受眾中開始推估,並且根據過去的經驗加入不同的興趣條件,最後針對素材更進一步地測試。透過 Mirrors ,我們可以讓廣告出現在有滿足特定條件的影片內,例如:在消費者觀看的影片中,出現汽車評測報告、自家品牌或競爭對手的 LOGO 、代言人等指定條件,再依照不同廣告主設定的預算判斷是否露出廣告。

藉由這樣的影像比對方式,可以更有效地根據消費者行為觸發廣告投遞條件,而不再是現行的用戶受眾數據。人的興趣是多樣且多變的,當對汽車有興趣的用戶在完成汽車的選購後,短期內將不會再瀏覽相關資訊,轉而瀏覽其他更具時效性的內容。透過消費者當下正在觀看的影片內容,取代消費者身上被貼上的數位標籤,將更貼近消費者本身的使用行為。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

Mirrors AI 影像辨識:用消費者看的內容決定廣告

2021 年台灣數位報告指出,台灣人在各網路內容服務中,最愛「網路影片」的比例高達 97.9%,遠超過 Vlog、串流音樂、網路廣播、Podcast 。

影音廣告早已是品牌經營的趨勢:根據 DMA 2019 年台灣數位廣告量統計報告指出,台灣各類型廣告中,影音廣告以 37.2% 的成長比例大幅領先奪冠。其中 YouTube 持續蟬聯台灣最常被造訪網站第 2 名(僅次於 Google ) ,在台灣各大影音平台中的觸及率及影響力不容小覷。

2021 年 FreakOut Taiwan 已與客戶合作,進行搭載新系統的 YouTube 串流內廣告投遞,在針對品牌及產品客製化的多層鎖定策略建議下,房地產廣告的 CTR 表現高於平均,並發現「人臉」群組辨識表現為佳,其中多為財經、名嘴等名人。而美妝品牌廣告 VTR 表現優異,則以品牌「 Logo 」、「人臉」群組有最出色的表現。

本文章內容由「驚點股份有限公司( FreakOut Taiwan )」提供,經關鍵評論網媒體集團廣編企劃編審。