Google前中国研究院院长：用迁移学习辅助医疗诊断辨识，小数据也能训练出精准ML模型

HTC健康医疗事业部总经理张智威从在2006年就加入Google研究院，随后还担任了Google中国研究院院长，在人工智能的领域已经投入多年，张智威已经回来台湾5~6年，但是因为较低调，鲜少人知道他其实已经回台湾一段时间。

他指出，类神经网络从1980年代就诞生了，10年前就有一篇ＭoGo的论文，预测了电脑下围棋会赢过人类，果真AlphaGo在今年初打败人类世界围棋冠军，他认为，资料量的规模和运算能力的成长，是AI近来兴起的关键。

不过，云端计算的能力在2008年就已经商业化，大数据也在2006年就开始兴起，像是Google好几年前就拥有庞大的数据库，成为世界第一大的搜索引擎，但是当时Google为何没有用AI?他的答案是：“当时并没有用AI的急迫性！”

当时Google搜索引擎的网页评分系统和广告推荐都并不需要用AI，就能提供给使用者的准确的结果，再加上，其实搜寻的结果和广告推荐都没有真实的数值（Ground Truth），因此，就连Google拥有丰富的数据和运算能力，也没有采用深度学习的模型。

现在，AI技术较成熟，他用一张实测的图显示，5种不同的算法，针对不同资料量来训练时，数据越多，算法的准确率就越高，因此，他表示，如果数据够多，就选择便宜的算法较佳，但若是数据不够多，不管是多厉害的论文发表的算法，其实效果都不彰。“大量资料是必要的，没有资料就没办法做AI！”张智威直言，AI系统的准确度，仰赖训练的资料量。

他将眼光放向台湾其中一项强项，那就是医疗，他认为医疗诊断需要更好的典范转移，他举例自己过去看诊的过程，发现自己心脏不适后，到医院挂号等待，终于轮到自己看诊时，医生却只有5分钟的时间可以看诊，在5分钟的时间内也无法确诊，要另外安排其他的相关检验检查，检验完毕后再回来看诊，确诊后医生开药给病患回家吃，来来回回就耗费了好几天，如果下次又感受到身体不适，又得重复一样的流程，他认为，医疗的诊断还可以有更有效率的流程。

他指出，未来医院不再需要集中在城市的某些地方，而是一个分散的系统，分散在一个地区的各地，让民众到达医疗机构变得方便，而医院不再需要非常完整且精密的医疗仪器，而是一个病人与医生的互动场所，因为许多病患的医疗资讯收集工作，可以在平时就完成。

他举出，应该要有设备能够平时追踪病患的健康状态，将这些平时的资料存放在云端，健康系统发现病患身体状况可能有问题时，可以传送警示给病患，建议病患到医院检查，而医生也因为有更多足够的数据，就能够更容易确诊病患的问题，病患的身体状况也能得到更好的照顾。

“台湾的优势是医疗，但是最后的关键还是需要数据！”张智威直言，没有数据，预测系统是做不来的，他以HTC研究与健康医疗部门所开发的医疗诊断检测设备来解说AI在医疗上的应用，医疗诊断检测设备包含验血验尿诊断、呼吸诊断、光学诊断、生命特征诊断，以及问诊。

验血验尿诊断可侦测糖尿病、贫血、肺炎、白细胞增多症和尿道感染，而呼吸诊断则是可以侦测阻塞性肺炎疾病，光学诊断能够侦测中耳炎和黑色素瘤，生命特征诊断即是心律不整、高血压等疾病。

他指出，医生的问诊就是缩减病患需要做的检查和潜在症状可能性的过程，透过最少的问题，定义出最准确的诊断猜测，现在有些网站提供病患自行搜寻症状，系统经过分析后再给予使用者可能疾病结果，但是，他表示，这样的使用者体验不够友善。

张智威试想如何将AlphaGo成功的经验，移转到到医疗诊断系统上，他透过增强学习，让代理人（Agent）询问病患病症，根据病患回复的病症给予病患预测的状态，并用报酬的机制，答对给予奖励，判断错误或是问太问题就扣分，不断的训练。

他比较了AI在围棋与医疗诊断的差别，首先围棋的棋谱可能性是有限的集合，而人类身体的状况有无限种可能，再者，围棋的输出是二元结果，只有输和赢两种，但是人体的疾病大约有800种，最后围棋可以出其不意，探索新的下棋法，但是医疗诊断必须遵循用药指示，不能轻易尝试新方法。

有鉴于医疗诊断和围棋的差异，张智威将人体用阶层式分层，将身体的分成不同部分，主代理人选择一个身体部分的代理人问诊，需要考虑的包含病患医疗资料、身体的部位和疾病的好发时间，最后，达成大约7.24个问题，就可以完成问诊。

光学诊断的部分，他以中耳炎的判读为例，用CNN 和DNN算法辨识，但是因为训练样本不足，只有1,000多个图像样本，导致算法的准确率大约只有75％，于是，团队开始想办法，在网络上找了各式各样的影像，不是只局限于耳道的影像，并将这些网络上找来的图片分类，透过CNN模型，将原本的图片和处理后的图片比对，当输入一张图片到CNN模型时，就会产生相对应的编号和辨识结果，像是中耳炎的图片可能对应到柳丁或是拉花咖啡，他表示，这样对应的关系，就是将某个领域的知识转移到不同的领域上，也就是所谓的迁移学习，因此，透过这些与中耳炎无关的影像，最后辨识的模型准确率高达90%以上。

不过，他也认为，目前AI都还只是擅长辨识物件，AI只学习到了人脑的额叶（Frontal Lobe）运作，离真正的AI还很远。

他表示，现在很多企业都还在鼓励年轻人开发App，但是他指出，现在App如果不收费，只靠广告赚钱的话，至少要有15亿的使用者下载App 才有办法赚钱，而台湾根本没有这么大的人口市场。台湾的AI人才很多，重点是要有开发AI应用的动机，他也建议，网络上有许多开源的AI课程，有兴趣往AI发展的开发人员都可以多多利用。