目前Google已经与加州大学旧金山分校医学院、史丹佛大学医学院、芝加哥大学医学院等医疗研究人员合作，构思如何结合机器学习技术及临床诊断专业知识，借此改善医疗成效、降低不必要的额外医疗花费与医疗疏失情况。
在日前于山景城总部举办的Google I/O 2017期间说明如何借由机器学习投入医疗应用之后，Google研究团队产品经理彭浩怡 (Lily Peng)在此次台湾分享活动中也进一步说明如何过全新技术让医疗应用具体提升。
Google研究团队产品经理彭浩怡 (Lily Peng)
就机器学习应用来看，其实早在几十年前便已提出借由类神经网络架构运算模式，透过让电脑 (机器)持续透过原始资料进行学习，进而达成机器学习目的。但以过往运算能力相对不足情况，使得过去深度学习发展速度显德较缓慢，因此在近年来基于异构运算产生更高运算效能，使得电脑能在更短时间处理更多资讯量，进而让系统累积足够学习“经验”，并且能用于图像识别、逻辑判断、语言翻译等运算领域。
就近期统计数据来看，借由电脑深度学习运算的图像识别能力已经超越人眼判断准确率，甚至逐年提升其精准度，因此可延伸应用在诸如数据分析、趋势走向判断，或是用于复杂影像比对等项目。
让深度学习系统懂得自我修正
以Google目前建立类神经网络模型，主要采取积层式类神经网络交叠成1010组 (100亿组)网络交结组合，分别透过可进化式演算法及强化学习演算法让系统能从学习过程中累积经验，进而达成从学习经验中学习的成效，如同一般人会从过往经验法则产生不同想法，同时也透过开放学习框架TensorFlow让更多学习模型资料可彼此互通，进而快速串接诸多学习内容。
在Google所提出深度学习模式，分别以主控类神经网络推导子集学习模型架构，并且藉其进行特定模式的学习训练，同时评估最终训练结果，最后再将训练结果传回主控类神经网络，过程中则会依照学习情况判断是否修正资料，避免在学习过程产生错误情况，并且导致后续学习结果产生更大错误。
而就Google研究团队产品经理彭浩怡分享深度学习应用内容，其中包含筛选判断糖尿病视网膜、癌症等病变，取代传统由医师以人眼判断是否罹患病症作法，借此达成更有效预防因糖尿病造成失明情况，同时未来也能协助判断病患是否需住院观察，以及判断未来病症影响身体健康情况，同时也能借由病例资料深入了解病患可能需求。
类似应用，Intel先前也将基于深度学习的影像识别技术应用在新一代手术系统“SCOT (Smart Cyber Operating Theater)”，借此协助医师判断正确执刀位置、执刀力道与深度，同时也能辅助医师降低手术过程失误情况。
资料统一、建立信赖才是真正难处
针对未来发展部分，Google除计划进一步让深度学习识别结果具体提升，同时也计划衔接诸如医疗等级摄影器材、资料取用模式，并且与诸如美国食品药品监督管理局 (FDA)等单位合作制定规范，同时建立医师及病患对于分析数据结果的信赖，借此让深度学习技术能广泛应用在医疗领域。
目前Google已经与加州大学旧金山分校医学院、史丹佛大学医学院、芝加哥大学医学院等医疗研究人员合作，构思如何结合机器学习技术及临床诊断专业知识，借此改善医疗成效、降低不必要的额外医疗花费与医疗疏失情况，同时协助临床医师运用更准确的分析判断做出更好的诊断结果。甚至针对医疗人力资源较为短缺的偏远地区或发展中国家，结合云端分析运算资源也能协助医师做出更正确的医疗诊断，甚至对于长照体系也能带来更具效率的辅助效果。
但目前面临困难则包含如何建立医师与病患对于数据分析结果的信赖，以及如何推广至临床应用，其中更包含如何推动医疗开放数据标准FHIR (Fast Healthcare Interoperability Resources)，借此让病例等记录资料格式统一的作业进展，而Google目前也由专责团队持续与美国食品药品监督管理局推动此数据格式。
至于在数据判断造成误诊情况，彭浩怡表示其实深度学习的资料判读辅助模式，在许多年前就已经用在包含监控系统常见的图像追踪、分析，同时在现今运算能力持续攀升与运算模型持续优化情况下，其实造成资料误判比例已经变得更小。同时，将深度学习辅助判断应用临床诊断，其实美国食品药品监督管理局也有相关严格要求，因此最终判断结果依然要由医师藉其专业职能决定，而非完全仅以电脑识别结果作为最终诊断，因此在误诊责任厘清部分仍可清楚划分，甚至能在结合电脑辅助、人脑判断优势达成最好医疗成效。
