随着科技发展，人工智能（AI）的发展愈来愈迅速，其中，机器学习中的深度学习更受到注目，举凡TensorFlow演算法及AlphaGo挑战世界棋王，都让人感受到深度学习所带来的魅力。
什么是深度学习？简单说，就是利用多层的类神经网，让电脑可以和人类一样针对复杂的情况进行观察、学习和反应，Google研究团队产品经理彭浩怡表示，深度学习的概念在90年代就存在，但当时的电脑运算能力不足，效率不佳；近年来电脑在异构运算拥有更高运算效能，再加上大数据的发展，深度学习得以「卷土重来」。
彭浩怡指出，以影像辨识为例，过去的AI需依赖人工建立「特征」让机器得以分类，深度学习则是提供大量相关影像，让系统自行建立特征与分类，如此，不仅可省去建立特征的人力与时间，也能让AI持续学习，据Google统计，只需各5千张相关与不相关图片，就可建立起完善的逻辑。
应用在医疗体系判读病变
那么，深度学习如何应用在医疗体系？彭浩怡以糖尿病视网膜病变的判读举例，全球有4.15亿糖尿病患者，其中三~五成病患有视网膜病变危机，这些人又有一成会失明，代表着每20人就有1人有失明的危机。
彭浩怡表示，以印度来说，当地约有近7千万糖尿病患，但眼科医生却高达12.7万名职缺，在医疗资源匮乏下，有45%患者在诊断前饱受失明、视力减损的折磨。因此，Google与印度眼科医院Aravind及Sankara Nethralaya联盟，利用深度神经网路技术，透过建立标签工具，并与54名眼科医生合作，针对13万眼底影像进行88万次诊断，其糖尿病视网膜判读机制已接近医生的判断结果。
此外，深度学习系统也可应用在判读癌症活体组织切片，彭浩怡指出，据数据显示，每12人乳癌切片中就有1人可能被误诊，前列腺癌则每7人就有1人被误诊，这是因为活体组织切片上有太多资讯，误诊的可能性必然会增加。
「深度神经网路技术可在肿瘤定位准确度（FROC）达到0.89，病理学家的FROC分数则是0.73（没有时间限制）；在判读癌症上，该模组有92%的敏感度，其中有8个是伪阳性判读，病理学家有73%敏感度，0个伪阳性结果。这代表病理学家与深度学习技术合作，将能提高病理学切片的准确度，降低误诊的可能性。」
但彭浩怡也坦承，即使深度神经网路技术的辨识结果高于医生，但在不同环境就会有许多变因存在，所以须进行临床验证，同时要与医疗团队建立信任感，让医生愿意与深度学习合作，并建立工作流程跟使用者介面设计，让系统符合医生的工作流程。目前该系统在短时间内不会推出，一来是机器学习辅助医疗仪器还在前期研究阶段，且美国食品药品监督管理局（FDA）的审核时间平均也要5年。
台湾拥AI预防医学优势
针对台湾AI的发展，TrendForce生技产业分析师蔡尚燐指出，AI在数位医疗健康领域的应用中，将扮演着枢纽或齿轮的角色，举凡观察常规医疗活动，病患的病历、检验数据与医疗影像，以及在不同临床场域、医疗照护模式中，所产生的大量临床数据资讯，未来皆有机会借AI技术协助，以增加临床反应的时间与协助病患照护的精确度。
蔡尚燐认为，台湾临床医学能力不亚于其他先进国家，而全民健保资料库从2000年建置至今，庞大且完整的数据规模对导入大数据分析与人工智慧应用开发非常有利，若能与台湾优秀的ICT骨干产业产生链结应用合作，实是相当有利的机会。
Google台湾总经理简立峰指出，台湾糖尿病患者逾188万人，对视网膜病变的数据搜集有一定帮助，其实台湾在医疗和资讯科技已投入许多心血，深度神经网路技术能让医疗体系与资通讯资源跨领域结合，确实是一大进步。
简立峰表示，医生太忙，工程师不懂医疗领域的特征，过去在特征萃取的工作上要花许多时间，如今深度神经网路可自动完成特征萃取的工程，让跨领域的研究变得更有机会。
简立峰认为，台湾拥足够的医疗中心，也有强大的健保体系，现在社会面临少子化，高龄化，如果能在长期照顾投入AI与机器人应用，比如智慧型辅具、自动轮椅的开发，绝对可以获得很好的发展。
至于如何将机器学习算法、医疗、教育三者结合，简立峰坦承，现有医疗教育体系受限于新技术的更新快速，许多教授无法投入新趋势的教育中，让学子无法习得AI相关技术，除非有新教师愿意打破现行教育体系架构才有可能。他建议，有兴趣学习AI的学子可跨领域发展，让AI与医疗专业二者同时并行。