深度學習：拆解健康密碼

Share this post:

(文章於2018年8月16日在香港經濟日報刊登)

用內窺鏡和大腸鏡檢查人體內部，始自1880年代，病理學家須接受長期訓練，用顯微鏡和侵入性測試辦別腫瘤。隨城市人口與內科疾病增加，診斷專家日漸吃緊，肉眼有時難免誤診。能否將深度學習 (Deep Learning) 技術用於診斷影像？

深度學習模仿人類腦部神經元互相連結，迅速處理及傳遞訊息。人工神經網絡利用層次、連結和方向傳遞數據，由第一層出發，每層進行不同工序，直到最後一層，數據成為輸出的洞見。分析醫療影像約需100層人工神經網絡。

人工神經網絡在醫學應用上有巨大潛力，但要機器像人類般「思考」，須增加神經網絡的層數去處理數據，耗用龐大運算資源。高效能運算系統如 IBM POWER Systems，能為局面帶來轉機。本港有部分研究機構更已引入有關系統，進行深度學習在醫學領域的研究。

訓練人工神經網絡進行深度學習，當中涉及運用區域性卷積神經網絡，把不規則影像分拆為數千小區域，每區產生數千項數據，計算它們是否相似，然後再以非線性方法分析不規則數據。此外，研究隊伍使用大量人體異常組織的影像，讓系統深度學習，判斷不同細胞的大小、形狀，及相對於其他細胞的位置。

項目中所採用的系統具備雙重處理器，並藉著 NVIDIA 的技術，在處理器與圖像處理器間提供高頻寬低延遲連結，大幅加快深度學習的訓練時間，由數十星期縮短至數十小時；讓研究人員能更快處理影像數據和深度學習，進一步協助拆解健康密碼。