機器的「深度學習」將為生物影像學帶來重大變革

文章發表:2018/03/23

黃浥暐

壹、新訊快遞1

眼睛為靈魂之窗,對Google的科學家而言,眼睛更能成為判斷個人健康狀態的窗口。研究人員讓電腦對於大量視網膜影像進行「深度學習」,分析血管的不同狀態並找出規律,最後能推測出個人的血壓、年齡及吸菸習慣,甚至是預測該人是否即將發生心臟病。

此研究使用「卷積神經網路」(Convolutional Neural Networks, CNN),為一種「深度學習」的演算法,此技術使影像處理變得更加容易、用途更加廣泛,運用在生物影像的分析上,不僅能從圖形化的DNA序列數據中找出基因突變,能將平面的顯微鏡影像立體化並標示出胞器位置,未來更能幫助我們挖掘過去醫學影像中被人眼所忽略的疾病特徵。

貳、評析

人類的智慧來自大腦神經網路的運作,我們必須透過學習以吸收知識,進而提升自己的思考與判斷能力。機器的「人工智慧」則依靠科學家設計的函數模組,在電腦中組成「類神經網路」,使其能在接收大量訓練資料後,以層層演算法進行「深度學習」並歸納出背後的規則,進而能在下次遇到同類資料時加以分析並做出決策。CNN即為一種深度學習的類神經網路,擅長以高效及整體化的方式來處理影像,如Facebook用於照片的人臉辨識功能。隨著電腦科技的進步,此技術亦隨之起飛,已被廣泛運用於社群網站與相機軟體中,但在生物影像的運用方面尚處起步階段,生物醫學領域的科學家們必須決定,何種研究適用於深度學習,亦即要使用哪些影像讓電腦辨識並作出預測。

一、應用之一:分子生物學研究

舉例來說,Google於2017年12月發布的深度學習工具DeepVariant,將人類基因的定序結果影像化,再讓電腦去學習這些不同序列的圖形模式,將待測序列片段與參考序列基因組影像進行圖形比對之後,便能辨識出突變的基因,甚至是單一鹼基對的變異2。在Allen Institute的細胞生物學家們,則將光學顯微鏡下捕捉到的灰階、平面影像,經卷積神經網路的運算後轉換成3D影像,且能找出部分胞器並以色彩標示。此技術可排除對細胞進行染色的步驟,此步驟需要耗費許多的實驗時間與較複雜的實驗室設備,甚至還會損壞細胞3

二、應用之二:醫學診斷

除前述Google團隊對視網膜影像進行分析以預測心臟病的發作4,史丹佛大學的研究團隊亦曾創造一個可診斷皮膚癌的人工智慧演算法,最終成果發表於2017年1月的Nature雜誌上,他們以近13萬張皮膚疾病圖像的數據庫對電腦進行訓練,然後讓電腦對皮膚檢體的影像進行判讀,經過 21 位認證皮膚科醫生的對比測試,該算法的表現已能媲美皮膚科醫生5

三、未來潛能:探索未知

機器的深度學習生物影像學的運用,能幫助我們能突破人眼判讀的極限,從現有的影像中汲取更多線索,而這些由機器「偶然間」找出的生物特徵,更可能改變我們對生命現象與疾病的認知,或成為推動生醫研究的關鍵。除了將深度學習應用於影像,科學家也期望此技術未來能拓展至生化及其他分子數據的分析,借重機器的智慧,有望為生物醫療領域開闢一條嶄新的道路。

參、延伸閱讀

  • 黃瀚萱、陳信希,醫療大數據及其應用,台灣醫學,26卷2期,589-594頁,2016年11月。

註釋

  1. Amy Maxmen, Deep Learning Sharpens Views of Cells and Genes, NATURE, Jan. 3 2018, https://www.nature.com/articles/d41586-018-00004-w (last visited Mar. 19, 2018). 返回內文
  2. Google research blog: DeepVariant: Highly Accurate Genomes With Deep Neural Networks. https://research.googleblog.com/2017/12/deepvariant-highly-accurate-genomes.html (last visited Mar. 19, 2018). 返回內文
  3. Gregory R. Johnson, Rory M. Donovan-Maiye, & Mary M. Maleckar, Building a 3D Integrated Cell, https://www.biorxiv.org/content/biorxiv/early/2017/12/21/238378.full.pdf 返回內文
  4. Ryan Poplin, Avinash V. Varadarajan, Katy Blumer, Yun Liu, Michael V. McConnell, Greg S. Corrado, Lily Peng & Dale R. Webster, Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning, 2 NATURE BIOMEDICAL ENGINEERING 158-164 (2018). (last visited Mar. 19, 2018). 返回內文
  5. Andre Esteva, Brett Kuprel, Roberto A. Novoa, Justin Ko, Susan M. Swetter, Helen M. Blau & Sebastian Thrun, Dermatologist-level classification of skin cancer with deep neural networks, 542 NATURE 115–118 (2017). 返回內文

月旦系列雜誌

月旦實務講座,限時優惠,加贈精選期刊1年份

月旦知識庫,精準搜尋



數位整合服務
產品服務
讀者服務專線:+886-2-23756688   傳真:+886-2-23318496   地址:臺北市館前路28號7樓

Copyright © 元照出版 All rights reserved. 版權所有,禁止轉貼節錄
TOP