談起人工智慧，深耕AI多年的諸多各大科技公司，自始至終不斷關注能將技術實際落地於醫療產業發展中，尋找發展的機會與應用。
國際科技巨頭的角色，究竟是會擴大科技公司大者恆大的局面，或是會為其他新進者提供基礎建設？於亞馬遜網路服務公司（Amazon Web Services, AWS）負責香港及台灣區域的翁宇強Paul Yung，分享了在醫療照護領域上的各種成功案例，及對於人工智慧的發展觀點。
2006年，全球最大的五間企業包含石油公司、銀行業、軟體業……等，但是12年後的現在，全球最大的五間企業分別是Apple、Alphabat、微軟、亞馬遜與facebook，清一色都是技術背景的公司。
科技公司的影響力無遠弗屆，服務的範圍自個人用戶至全球各產業的企業用戶，醫療產業也不例外。在醫療產業與人工智慧結合的過程中，究竟科技公司居中扮演了什麼樣的角色呢？
於亞馬遜網路服務公司（Amazon Web Services, AWS）負責香港及台灣區域的翁宇強Paul Yung，談科技大廠如何協助推動醫療產業發展（圖 / 風傳媒）
提早辨識病症、加快分析速度，以AI克服勞力密集問題
根據WTO統計，擁有糖尿病的患者，在五年內失明的比例大約是17%，20年內失明的比例大約是63%。由於初期在外表上沒有什麼明顯的分別，但是眼球背後的血管正在被逐步破壞，因此這個狀態最需要的是早期發現問題。
「在我們跟史丹佛大學的合作中，我們分享我們deep learning的演算法給史丹佛，史丹佛則是提供各種不同階段的眼部影像給我們，來進行演算法的訓練。」根據Paul表示，經過訓練的演算法比起專業醫生來大約有95%的準確度，透過這樣的工具，大量避免了未能早期發現失明症狀的情況。
在亞馬遜與史丹佛大學的合作中，透過影像可及早辨識出糖尿病性視網膜病變，及早進行治療（圖 / cocoparisienne@pixabay）
亞馬遜與Arterys的合作則是另一個經典案例。這間美國的公司主要進行心血管的檢查，它們將核磁共振的資料放上亞馬遜的雲端平台，在15秒內就能產出檢查報告；如果透過傳統醫生來判讀報告，則需要30至60分鐘才能完成。「我們用了幾千份影像去進行machine learning，抓出了1000多個不同的規則來進行判斷，直到正確率和醫生一樣高後才正式推出。」
藉由雲端平台產出的核磁共振檢驗報告，擁有與醫生一樣高的正確率，卻僅需要15秒左右即可產出報告（圖 / jarmoluk@pixabay）
對Paul而言，AI的重點並不在於取代醫生，而在於創造更好的服務，「透過AI，我們可以把過去勞力密集的狀況給解除掉，讓醫生可以把專業放在更好的地方。」
人工智慧發展的瓶頸？「規模」是關鍵因素
「根據我們的經驗，做AI最大的問題在於『規模』。」要進行machine learning或deep learning需要大量的資料，但儲存在機房資料很難移轉到另一個平台去進行訓練，或是可能機房本身也不夠大、不足以儲存巨量資料。
有了資料要進行訓練，則是電腦運算力的問題。繪圖處理器（graphics processing unit, GPU）的價格高昂，對許多企業來說是非常大的投資，「也常常看到企業購買了1000台的GPU，進行兩個月的training後，就把GPU放在機房沒再使用了。」
GPU雖然提供了高度的運算能力，但價格高昂，對許多組織來說是非常大的投資（圖 / Recklessstudios@pixabay）
因此在人工智慧的發展過程中，訓練演算法的方法及工具已存在，但對於許多組織而言依舊非常遙遠，在醫療領域也是如此。Paul感嘆，「好的技術會改變我們的生活，但好的技術通常都存在於大公司之中。」
未來已經到來，只是分配並不平均
AWS現今的服務內容，來自於大約12年前，亞馬遜一項「將IT服務轉變為產品提供外部使用」的專案，「我們希望將AI的權力下放，AI的入門門檻比較高，但我們希望所有人都有機會能夠使用AI的技術。」
亞馬遜將內部運用到的各項技術運用，轉化為對外的服務內容（圖 / amazon.com）
在數據方面，藉由過往10多年的經驗，亞馬遜協助客戶將數據移轉至亞馬遜的雲端平台，也有許多新的客戶的數據原始就儲存在亞馬遜之中，以便進行演算法的訓練；GPU的運算力也是採用租用的方式，讓各種不同組織可以因應需求來選擇合適的方案。
對於亞馬遜在人工智慧發展於醫療領域的角色，Paul認為「自由」與「選擇」是關鍵因素，「前陣子我剛看了一本William Gibson的科幻小說《神經漫遊者》，William Gibson曾說過這麼一句話：The future is here, it’s just not evenly distributed yet.（The Economist, December 4, 2003）」
請先 登入 以發表留言。