記者葉立斌／台北報道
Google開辟的全新演算法，產生的病理猜測熱圖有了很大的改善，且演算法的定位分數(FROC)到達89%，大幅超出了在沒有時候限制下，病理學家對腫瘤定位的准確率(73%)。而其他利用溝通數據集的集團也取得高達81%的分數。
深度學習屬於機器進修的一種翻譯儘管深度學習中使用的很多手藝都不是新興科技，過去五年來，深度進修帶來的光鮮明顯成效卻已備受存眷。深度學習的成功可歸功於我們終於擁有大量真實世界的數據集，和可練習複雜、複雜模子的運算能力翻譯神經收集是今朝被普遍運用的最好體例，它可解決視覺、說話辨認、說話理解等各式問題。
Google台灣區總司理簡立峰暗示，台灣豈論在醫療範疇照舊資通信範疇都有穩健根蒂根基。是以若能哄騙台灣在地圖象資料與既有技術，就有機遇發展此範疇。簡立峰表示，如需要進一步將 AI 手藝應用到醫療領域，可斟酌在病院內部先行。這是在其他國度很難辦到的，因為台灣具有非常完全健保系統，可多加使用翻譯
Google致力於AI人工聰明的開辟，而開辟成果
全球有4.15億的糖尿病患者可能激發視網膜病變，而在印度有45%糖尿病患者，目力有減損翻譯視網膜眼底圖象能協助診斷糖尿病視網膜病變。在拍攝眼球後，採用深度神經網路來判讀眼底圖象，便可判定患者的病情是輕或重翻譯
另外一個病例則是乳癌。病人疾病的診斷相當仰賴病理師的剖析翻譯而病理切片的判定是一個複雜且需要長時候訓練以積累經驗的進程。即便是資深醫師也可能誤診，而深度進修手藝可協助判讀活體組織切片。
前面的靠山常識講完了，目下當今要進入醫療的部份翻譯彭浩怡示意，開源進修系統 TensorFlow被Google的20%專案利用，下面兩個案例是用在視網膜與乳癌。史丹佛研究團隊正採用 TensorFlow 架構以及深度進修來診斷皮膚癌。
▲Google研究團隊産品司理、醫學博士彭浩怡(Lily Peng)翻譯（圖／Google提供）
有關深度進修的未來，彭浩怡認為，雙方的合作需盡早投入臨床，也就是現實被醫師運用，隨後改良使用者介面設計與工作流程。彭浩怡也坦言，「機器進修輔助醫療尚在前期研究，還需要5年才能開發出來翻譯」
多數的AI都必需經由過程「ImageNet圖象標籤挑戰」，這是電腦社群常舉行的小型競賽。透過一千個標籤來選出與該圖像最接近的一個。這些圖片的主體多不在中央，乃至不太清晰，但系統仍丟出大量標籤且有幾個射中，不外如果一個都沒中也在預感之中。但如今精準度已可以或許大幅晉升。
演算法要准確需要高端相機，影象品質不好的話沒法做診斷。Nikon在各式攝影開辟上有相當高的成績，包括醫療攝影。是以Google與它們親密合作，以期兩邊相互支援，到達更高的正確度。
傳統上需要找出熊貓的圖片，需要手動輸入熊貓特徵（想像一下：你要是沒看過熊貓，你也不知道熊貓應當是什麼模樣吧。），但利用卷積神經網路的話，只要給他大量紛歧樣的熊貓照片，以及大量不是熊貓的照片，系統就可以辨識熊貓。
文章來自: http://www.setn.com/News.aspx?NewsID=281148有關各國語文翻譯公證的問題歡迎諮詢天成翻譯公司02-77260931
留言列表
