至於剛才提及 AI 及引伸出來的應用還有影像辨識，特別在醫療方面，可望解決發展中地區前線醫護人手不足的問題。Google Research 產品經理、醫療成像團隊負責人彭浩怡解釋，深度學習（Deep Learning）已廣泛應用在多個領域，特別需建基在影像分析的醫療保健範疇。
解決人手不足
彭浩怡解釋， Google 的深度學習技術協助醫療機構診斷疾病，她主要研究範圍是醫療影像檢測，如：視網膜成像、糖尿病和乳腺癌。她在 Made With AI 特別提到「糖尿上眼」，即糖尿病引起的視網膜病變（Diabetic Retinopathy）。因糖尿病引致的視網膜病變是成人三大致盲原因之一，全球有 4 億 1,500 萬人受此病困擾，一半患者更因未能及時檢查致盲，這既因醫生不足（特別是發展中國家），同時因難從檢查眼底圖像中立即判斷，以致確診時為時已晚。
彭浩怡表示，其團隊在視網膜病變肆虐的印度聘請 54 名眼科醫生，收集並閱讀超過 130,000 張視網膜影像，且進行了 880,000 次診斷，以訓練深度神經網（DNN），提高圖像辨識能力。結果發現，機器學習系統的表現（識別準確程度）已稍勝專業眼科醫生。這對醫生和專業影像診斷設備不足的地區尤其重要，因可盡快診斷疾病。不過她強調，機器學習工具是協助醫生工作而非取代他們，醫學界也歡迎機器學習的成果。
助診斷慢性病
事實上，愈多應用例子（如圖像），深度學習演算工具便會愈準確，但多少數量才是「足夠」呢？彭浩怡認為以她研究經驗，大概 5,000 張影像應可對疾病作出合理估算，這也跟數據「規模經濟效益」有關。除了癌症等慢性病診斷，會迅速惡化、死亡率高但又難以立即診斷出來的急症（如：敗血症），機器學習工具亦可幫上忙。
彭浩怡透露，Google 正跟印度及醫療機關和美國 FDA（食品藥品監督管理局）溝通，以及尼康（Nikon）等光學儀器商洽談，提高辨識成果，推廣應用範圍，但估計要把機器學習實際廣泛應用在醫療儀器，起碼需要多年時間，且還要通過醫療和數據處理等方面的監管機構審查。
總結：造福人群與轉身夠快
Google 前員工、創新工場（Sinovation Ventures）創辦人李開復，大力宣傳人工智能的潛力之餘，亦憂慮隱藏?的「泡沫」危機，特別是新手投資者。不過從技術發展來看，由機器學習開發帶來的應用可以「造福人群」形容，只要用得其法，業務發展可以更順遂，要擔憂反而是企業是否跟得上，以及員工轉身夠快與否。
Source：ezone.hk