當基因數據有效提升癌症治療「精準化」後，近年來熱門的人工智慧也逐漸結合癌症醫療，透過電腦科學的輔助，使癌症患者能獲得更準確的診斷，更有效的治療，並同時減輕醫療人員與系統的負擔。在切入主題前，本篇我們先來認識什麼是人工智慧。
比翼生醫 醫療事務經理 陳長溢
何謂人工智慧 (Artificial Intelligence, AI)?
在現今的時代中，我們每天的生活其實都充斥著人工智慧的影子，舉凡是你使用的購物網站、社群媒體與交通工具等，所謂的「人工智慧」，指的是透過軟、硬體的結合，使機器具有與人溝通、與世界交流的能力。一般來說，人工智慧又可區分為「強人工智慧」，強調機器具有自我意識，能獨立思考，並表現出人類所有的行為特徵，例如: 漫威電影中，鋼鐵人有求必應的機器助理，Jarvis，能完成一切交付之任務，甚至在某些時候，能預先提供超越人類知覺的判斷，但此種機器目前還僅止於在科幻電影與小說中；而我們現在經常接觸到的是「弱人工智慧」，指機器能根據問題給出相對應的答案，甚至在技術加持下，可提供優於人類判斷的結果，但機器本身並無思考能力，僅是透過資料邏輯來推估。那目前我們是如何實現人工智慧，主要是透過一種方法——「機器學習」。
機器學習 (Machine Learning)
「機器學習」，顧名思義就是透過大量數據與演算法來訓練機器，讓它去「學習」如何完成任務，並能不斷的「修正」自己的錯誤，而逐步產出「正確」的結果。近年來，由於大量的問題解決需求與資料多元性，也發展出許多廣為應用的演算法，例如:
•「分類」問題: 邏輯迴歸 (Logistic regression)、決策樹 (Decision tree)、隨機森林 (Random forest)、支持向量機 (Support vector machine)、貝氏機率分類 (Naive Bayes classifier)、梯度提升樹 (Gradient boosting tree) 與神經網路 (Neural network) 等，
•「預測」問題: 線性迴歸 (Linear regression)、決策樹 (Decision tree)、隨機森林 (Random forest)、梯度提升樹 (Gradient boosting tree) 與神經網路 (Neural network) 等，
•「降維」問題: 主成分分析 (Principal components analysis)、t分布隨機鄰近嵌入 (t-distributed stochastic neighbor embedding) 與均勻流形逼近及投影 (Uniform manifold approximation and projection) 等，
•「分群」問題: K平均演算法 (K-means)、階層式分群 (Hierarchical clustering) 與高斯混合模型 (Gaussian mixture model) 等，
•「關聯」問題: 先驗演算法 (Apriori algorithm) 等。
在機器學習中，通常需要提供較多資訊給演算法，像是特徵萃取，以能產出較精確的評估，但在複雜的電腦視覺中，機器學習往往無法提供媲美人類水準的結果，因此最近發展出一分支——「深度學習」。
深度學習 (Deep Learning)
「深度學習」是機器學習的一環，其啟發是人類大腦在生物學上的運作模式，大腦透過神經元之間的連結，發展成神經網路。利用這種概念，將模型設計成層層堆疊的神經網路，數據輸入至每一層的獨立神經元中，並被各神經元分配一個權重，每個權重都代表對數據的不同認知，再結合每一層的誤差，經運算後輸入至下一層，如此向下傳遞，而產出最終結果。目前深度學習已有大量應用，尤其是在電腦視覺與影像辨識與偵測領域。
機器學習可以用在哪裡?
機器學習目前已被廣泛使用於各種產業，族繁不及備載，例如: 汽車、製造業、媒體與娛樂、零售商、網路購物與金融市場等，而其中在醫療保健與生命科學產業，也由於大量醫療健康數據的加持，使得機器學習能參與維繫與提升人們健康，下一篇我們將好好聊聊癌症醫療如何與人工智慧相結合。
若欲進一步了解更多資訊，歡迎寄信至Bryant.chen@behealthventures.com