更快診斷阿茲海默症只是第一步罷了。
醫院產生出海量醫療資料，而在因應隱私和安全方面的問題時，可以使用這些資料重新檢視從醫院管理到患者照護的一切內容，這卻代表要謹慎組合這些資料，才不會繼續把這些資料鎖在組織的某個角落裡。
加州大學舊金山分校的一組研究人員展現了深度學習與資料強強聯手，所能釋放出的強大威力，還有這項研究對於改善醫療保健體系的潛力。
「醫學領域才剛開始使用深度學習及其它人工智慧技術，然而科技業已經向世人展現運用這些技術的成效。」加州大學舊金山分校巴卡運算健康科學研究所的兒科、病理學與實驗室醫學助理教授 Dexter Hadley 說。
Hadley 以 Google、加州大學舊金山分校和其它學術醫療中心的研究為例，發展出能夠預測哪些患者更有可能再次住院的方法，比起醫院現有的演算法成效更佳。
「通過深度學習與一些洞察資料，就能做很多事情了。」他說。
Hadley 的初步研究成果在確認患者出現阿茲海默症的時間，每次都能比起醫師所判斷的時間提早六年。
強大的第一步
前加州大學舊金山分校教授，也是放射科醫生的 Benjamin Franc 離開醫院後與 Hadley 接觸，想要展現出如何利用龐大的影像資料庫來促進獲得更精準的診斷結果，兩人便開始進行相關研究。
Franc 鎖定 Alzheimer’s Disease Neuroimaging Initiative（阿茲海默症神經影像計畫，ADNI）這個專門的共享資料庫，這是一項由美國國立衛生研究院資助的大型多地點研究案，專注於臨床試驗，以提升預防和治療阿茲海默症的效果。
他們的初步研究成果讓人眼睛為之一亮：該團隊在使用千名阿茲海默症患者的兩千餘個大腦影像來訓練深度學習演算法後，在較最終診斷平均提早75個月偵測出阿茲海默症的敏感度方面達到 100% （在研究團隊今年初發表的報告裡，有更深入介紹相關發現）。
Franc 與 Hadley 覺得這或許只是冰山一角，背後還隱藏著更大的潛力。
「如果我們要擴大分子成像技術的規模以加惠全球醫學界，我們就得找出辦法，以妥善利用手邊的各種資訊。人工智慧在這方面就能派上用場。」Franc 說。
阿茲海默症演算法是在運行四個 NVIDIA TITAN X GPU 的一架六核心伺服器上進行訓練和推論。團隊使用 90% 的 ADNI 影像進行訓練，留下 10% 的影像進行驗證，還使用 TensorFlow 和 Keras 深度學習函式庫，加上 Google 的 Inception 神經網路架構來進行影像分類和偵測。
資料都在那裡
除了可能改變遊戲規則，Hadley 的母親正是阿茲海默症患者，他也對阿茲海默症的相關發現感到沮喪。他表示所有要用以加快診斷的神經影像資訊都有，只是主要業內擔心患者隱私外洩而不願分享資訊，讓他們難以獲得這些資訊。
他說醫療服務提供商忘記了健康保險可攜性及責任法案（HIPAA）規定的「可攜性」一事，這些規定原本就是在確保業界能適當共享這些資料。
Hadley 覺得這對阿茲海默症患者及其家屬帶來了不必要的難題。
Hadley 說：「如果我們六年前知道這一點，事情就不會是這個樣子了。」
所以他認為自己和 Franc 做了一件大事，他們展現彙整現有資料便能做到的程度，Hadley 希望深度學習會是及早發現多種疾病的答案。
他以乳癌為例，說透過彙整資料便能更早診斷出乳癌。他指出要是能共享資料，我們便能模擬數百萬名患者的回溯性跨機構臨床試驗內容。
如果能更有效地運用資料和應用深度學習技術，便能減少進行試驗的患者人數，又能加快診斷速度。
「科技不再是限制醫學發展的因素，它是政治和政策。若是能排除這些困難，未來肯定是一片光明。」Hadley 說。