生物行移动版

随着人工智能技术的飞速发展，谷歌持续将深度学习应用于医疗健康领域。近日，谷歌产品经理兼医学博士Lily Peng在视频会议上透露，谷歌AI算法在医疗领域取得重要进展：不仅能通过深度学习快速识别糖尿病视网膜病变的迹象，还能通过活检图像精准定位癌细胞，为患者提供临床指导。

深度学习技术原理

深度学习基于人工神经网络，通过多层互联节点模拟人脑处理信息的方式，使计算机能够自主学习，无需人工编程。Lily Peng指出：“自20世纪60年代以来，人工神经网络已存在多年，但深度学习凭借更强的计算能力，能够构建更多层次，从而高精度处理复杂任务。在深度学习中，特征提取由计算机自动完成，我们只需提供大量示例，让网络自行确认功能。”

进展一：快速识别糖尿病视网膜病变

谷歌在视网膜扫描图像算法上取得重要突破，其AI算法可快速识别糖尿病视网膜病变的迹象。糖尿病视网膜病变是全球可预防性失明增长最快的原因，但可通过定期眼科检查检测。医生使用特殊相机拍摄患者眼睛，根据可见出血量评估病情。然而，全球许多地区缺乏足够的眼科医生。Lily Peng表示，印度目前短缺127,000名眼科医生，45%的患者在诊断前已出现视力下降。

为解决这一问题，谷歌设计了一种AI算法分析视网膜图像，识别糖尿病视网膜病变特征。该计划由54名眼科医生主导，分析了128,000张视网膜图像，每张图像多次标记以消除诊断差异。该算法已显示出高精度，谷歌正基于此构建界面和硬件，使印度医生输入视网膜图像后能立即获得评估分数。谷歌将继续优化算法，提高便利性，并计划进行更多临床试验以获得监管批准。

进展二：癌症病理检测

谷歌深度学习还应用于癌症检测，正在开发另一种算法，分析活检图像以定位已扩散到淋巴结的转移性乳腺癌。Lily Peng说：“我们的目标是找出淋巴结中任何乳腺癌位置，以确定癌症阶段并指导治疗。”目前，该算法在肿瘤定位上的精确度达89%，超过训练有素的人类病理学家的73%。借助该算法，可准确定位癌症肿瘤位置。

然而，该算法也存在缺点：在检测包含1万至40万张图像的载玻片时，其中20至150,000张显示肿瘤，算法肿瘤位置敏感度达92%，但每张载玻片有8个假阳性读数。相比之下，人类医生敏感度仅73%，但假阳性为零，即不会将正常组织误判为肿瘤。Lily Peng表示：“如果结合AI算法和病理学家，我们将获得低假阴性（诊断结果）和高敏感度（肿瘤位置）的理想状态。”

商业化前景与监管

谷歌研究人员表示，AI算法投入医疗商业化仍需时日，需在获得监管批准前进行充分临床测试以证明其功效和准确性。关于美国FDA可能对下一代医学图像分析工具实施更严格规定，Lily Peng认为，由于该设备所属产品分类，FDA将采取“中立”或“客观”方式，将其视为现有医疗成像和处理设备的升级版本，只要公开功能有充分证据支持，即可获批。