電腦眼中的病理切片

「眼前的黑不是黑，你說的白是什麼白。」把這段摘自視障歌手蕭煌奇成名作品的歌詞，拿來連結到近年來最熱門的AI，似乎還挺搭配的。

只是，電腦所看到的世界，到底是什麼模樣？相信許多人都覺得好奇。1960年代，科學家將攝影機接上電腦，試圖讓電腦透過攝影機這雙眼睛來理解繽紛的世界，但攝影機輸入電腦的影像，其實是一個二維的矩陣，矩陣中只有色彩與亮度資訊，距離人類能分辨事物的程度，還有一段長遠的路要走。

研究過程中，科學家發現利用卷積(Convolution)的運算來處理影像，可以快速提取出影像中的一些特徵，像是圖片模糊化、找出圖片的邊緣等。在信號處理領域，卷積就像濾波器，眾多信號經過濾波器處理，可以把真正需要的部分提取出來，

環顧日常生活器物，收音機就是濾波器應用的典型例子，原本的廣播信號是FM xxx.x MHz，頻率很高，人的耳朵無法聽到，濾波器把高頻濾掉，只剩下人耳可聽到的頻率，這就是一維的卷積。

從聲音到影像，卷積的處理就得從一維擴展到二維，透過矩陣運算，可以提取想要的特徵，也可以快速改變圖像的顯示，Photoshop的濾鏡功能就是二維卷積的實際應用。雖然1960年代人工智慧的發展不如預期，卻讓影像處理的發展大步躍進，為之後的人工智慧發展打下良好基礎。

電腦處理能力雖越來越強，要讓它去認得圖片中有一隻貓，其實是一件非常困難的任務。「一場圍棋的可能性，大約等於二的604次方，但光是一隻貓的圖片 ，可能就有二的800萬次方種可能性。」(1)，這意味要讓電腦認識一隻貓，其複雜度可能比2016年在圍棋界打遍天下無敵手的AlphaGO還高。

1998年，Yann LeCun利用卷積神經網路(Convolution Neural Network, CNN)成功應用在手寫辨識上(2)。到了2010，華裔科學家李飛飛建置了多達100萬張高幾度、多標籤的影像資料庫ImageNet，並且每年定期舉辦ImageNet影像識別大賽。ImageNet讓卷積神經網路快速發展起來，在2015年，總共152層的神經網路已經可以把電腦影像識別的錯誤率降到3.6％，超越了人類的平均錯誤率5%，象徵電腦比人類更能解決影像上的問題(1)。

2017年，因為AlphaGO的成功，機器學習大幅發展，Google實驗室開始將機器學習應用在醫學領域，在Detecting Cancer Metastases on Gigapixel Pathology Images(3)這篇論文中，利用卷積神經網路來預測癌症轉移，在Google提出Inception的演算法中，定位得分（FROC）達到 89%，明顯超過沒有限時的病理學家表現，他們的得分僅為 73%(5)。

之後，有許多研究開始利用卷積神經網路處理各種醫療影像，像是利用卷積神經網路在全切片影像中分辨各種組織結構(4)；其中，台灣的研究團隊也不落人後，雲象科技在2021年以零細節標註零分割方法，得以將未經切割的病理全切片影像，直接用於訓練AI模型，成功超越美國知名病理AI公司Paige，論文也登上Nature Communications(6)。

未來的醫療科技發展，人工智慧勢必會成為不可或缺的強大工具，從影像、基因、病歷等各種資料的輸入，可以讓人工智慧分析出各種可能的病灶，相信可以大幅減少醫師的工作量，也能為病人帶來個人化的治療方案，讓人類生命得以延長，生命品質也能更加提升。