Google前中國研究院院長：用遷移學習輔助醫療診斷辨識，小數據也能訓練出精準ML模型

HTC健康醫療事業部總經理張智威從在2006年就加入Google研究院，隨後還擔任了Google中國研究院院長，在人工智慧的領域已經投入多年，張智威已經回來台灣5~6年，但是因為較低調，鮮少人知道他其實已經回台灣一段時間。

他指出，類神經網路從1980年代就誕生了，10年前就有一篇ＭoGo的論文，預測了電腦下圍棋會贏過人類，果真AlphaGo在今年初打敗人類世界圍棋冠軍，他認為，資料量的規模和運算能力的成長，是AI近來興起的關鍵。

不過，雲端計算的能力在2008年就已經商業化，大數據也在2006年就開始興起，像是Google好幾年前就擁有龐大的數據庫，成為世界第一大的搜尋引擎，但是當時Google為何沒有用AI?他的答案是：「當時並沒有用AI的急迫性！」

當時Google搜尋引擎的網頁評分系統和廣告推薦都並不需要用AI，就能提供給使用者的準確的結果，再加上，其實搜尋的結果和廣告推薦都沒有真實的數值（Ground Truth），因此，就連Google擁有豐富的數據和運算能力，也沒有採用深度學習的模型。

現在，AI技術較成熟，他用一張實測的圖顯示，5種不同的演算法，針對不同資料量來訓練時，數據越多，演算法的準確率就越高，因此，他表示，如果數據夠多，就選擇便宜的演算法較佳，但若是數據不夠多，不管是多厲害的論文發表的演算法，其實效果都不彰。「大量資料是必要的，沒有資料就沒辦法做AI！」張智威直言，AI系統的準確度，仰賴訓練的資料量。

他將眼光放向臺灣其中一項強項，那就是醫療，他認為醫療診斷需要更好的典範轉移，他舉例自己過去看診的過程，發現自己心臟不適後，到醫院掛號等待，終於輪到自己看診時，醫生卻只有5分鐘的時間可以看診，在5分鐘的時間內也無法確診，要另外安排其他的相關檢驗檢查，檢驗完畢後再回來看診，確診後醫生開藥給病患回家吃，來來回回就耗費了好幾天，如果下次又感受到身體不適，又得重複一樣的流程，他認為，醫療的診斷還可以有更有效率的流程。

他指出，未來醫院不再需要集中在城市的某些地方，而是一個分散的系統，分散在一個地區的各地，讓民眾到達醫療機構變得方便，而醫院不再需要非常完整且精密的醫療儀器，而是一個病人與醫生的互動場所，因為許多病患的醫療資訊收集工作，可以在平時就完成。

他舉出，應該要有設備能夠平時追蹤病患的健康狀態，將這些平時的資料存放在雲端，健康系統發現病患身體狀況可能有問題時，可以傳送警示給病患，建議病患到醫院檢查，而醫生也因為有更多足夠的數據，就能夠更容易確診病患的問題，病患的身體狀況也能得到更好的照顧。

「臺灣的優勢是醫療，但是最後的關鍵還是需要數據！」張智威直言，沒有數據，預測系統是做不來的，他以HTC研究與健康醫療部門所開發的醫療診斷檢測設備來解說AI在醫療上的應用，醫療診斷檢測設備包含驗血驗尿診斷、呼吸診斷、光學診斷、生命特徵診斷，以及問診。

驗血驗尿診斷可偵測糖尿病、貧血、肺炎、白細胞增多症和尿道感染，而呼吸診斷則是可以偵測阻塞性肺炎疾病，光學診斷能夠偵測中耳炎和黑色素瘤，生命特徵診斷即是心律不整、高血壓等疾病。

他指出，醫生的問診就是縮減病患需要做的檢查和潛在症狀可能性的過程，透過最少的問題，定義出最準確的診斷猜測，現在有些網站提供病患自行搜尋症狀，系統經過分析後再給予使用者可能疾病結果，但是，他表示，這樣的使用者體驗不夠友善。

張智威試想如何將AlphaGo成功的經驗，移轉到到醫療診斷系統上，他透過增強學習，讓代理人（Agent）詢問病患病症，根據病患回覆的病症給予病患預測的狀態，並用報酬的機制，答對給予獎勵，判斷錯誤或是問太問題就扣分，不斷的訓練。

他比較了AI在圍棋與醫療診斷的差別，首先圍棋的棋譜可能性是有限的集合，而人類身體的狀況有無限種可能，再者，圍棋的輸出是二元結果，只有輸和贏兩種，但是人體的疾病大約有800種，最後圍棋可以出其不意，探索新的下棋法，但是醫療診斷必須遵循用藥指示，不能輕易嘗試新方法。

有鑒於醫療診斷和圍棋的差異，張智威將人體用階層式分層，將身體的分成不同部分，主代理人選擇一個身體部分的代理人問診，需要考慮的包含病患醫療資料、身體的部位和疾病的好發時間，最後，達成大約7.24個問題，就可以完成問診。

光學診斷的部分，他以中耳炎的判讀為例，用CNN 和DNN演算法辨識，但是因為訓練樣本不足，只有1,000多個圖像樣本，導致演算法的準確率大約只有75％，於是，團隊開始想辦法，在網路上找了各式各樣的影像，不是只局限於耳道的影像，並將這些網路上找來的圖片分類，透過CNN模型，將原本的圖片和處理後的圖片比對，當輸入一張圖片到CNN模型時，就會產生相對應的編號和辨識結果，像是中耳炎的圖片可能對應到柳丁或是拉花咖啡，他表示，這樣對應的關係，就是將某個領域的知識轉移到不同的領域上，也就是所謂的遷移學習，因此，透過這些與中耳炎無關的影像，最後辨識的模型準確率高達90%以上。

不過，他也認為，目前AI都還只是擅長辨識物件，AI只學習到了人腦的額葉（Frontal Lobe）運作，離真正的AI還很遠。

他表示，現在很多企業都還在鼓勵年輕人開發App，但是他指出，現在App如果不收費，只靠廣告賺錢的話，至少要有15億的使用者下載App 才有辦法賺錢，而臺灣根本沒有這麼大的人口市場。臺灣的AI人才很多，重點是要有開發AI應用的動機，他也建議，網路上有許多開源的AI課程，有興趣往AI發展的開發人員都可以多多利用。