Google應用機器學習來偵測難以發現的大腸息肉

Google發表了最新將機器學習用於大腸鏡的研究，研究人員開發了一個機器學習模型，能夠幫助醫療人員在大腸鏡檢查中精確偵測息肉，以解決檢測不完全的問題。這個最新的研究，建立在早先的研究上，之前Google研究人員已經開發了一個系統，來最大化大腸鏡檢查範圍，避免醫療人員遺漏部份腸段未檢查。在臨床研究中應用這些系統，結果顯示能夠顯著提升息肉偵測率。

要檢測和去除大腸息肉的標準程序之一，便是進行大腸鏡檢查，在大腸鏡檢查過程，醫療人員使用內視鏡來檢查腸道中，尋找良性以及癌變的息肉，但因為各種因素，可能使得大腸鏡檢查不完全，像是息肉沒有被內視鏡照到，又或是息肉可能因為形狀或是大小的關係，即便出現在內視鏡視野中，也可能遭到遺漏。研究也顯示，大腸鏡檢查平均會遺漏22％-28％的息肉，而其中20％–24％的息肉有機會癌變。

在之前的研究中，Google研究人員已經開發了機器學習系統，來解決大腸鏡探索不完全的問題，透過在檢查期間，估計覆蓋與未覆蓋的區域，來降低不完全探索的機率，而新的這個研究，是要來解決當息肉出現在大腸鏡視野中，卻未被發現的問題。

研究人員開發了一個基於卷積神經網路（CNN）的系統，這個系統有2個主要優點，分別是能解決因為息肉難以發現，而產生偽陰性檢查結果的問題，另一個優點則是，該系統偽陽性率非常低，研究人員提到，偽陽性率使得系統更有可能被應用在臨床中。

研究人員使用了3,600段大腸鏡檢驗，約有8,600萬個影格來訓練系統，並且準備了1,400段的檢查過程，約3,300萬個影格進行測試，該系統能夠檢測出97％的息肉，在每段檢測僅會出現4.6次誤報，經過進一步的分析，部分誤報其實是有效的息肉偵測，只不過內視鏡檢查者以及資料註釋人員遺漏了這些息肉，研究人員提到，這個系統被證明在檢驗息肉上具備通用性，因為已經學會偵測那些，一開始遭到遺漏的息肉。

這些實驗是模擬息肉在視野中不超過5秒的結果，而這樣的檢查速度，會使醫療人員更難以發現息肉，因此系統的靈敏度，約是原始檢查的3倍，而當息肉出現在視野中不到2秒，則系統靈敏度更是原始檢查的4倍。

研究人員在這個大腸鏡息肉檢查系統，試用了2種神經網路架構RetinaNet和LSTM-SSD，RetinaNet是一種先進的靜態圖像物件偵測技術，能將其應用在連續影格偵測，在基準測試中，RetinaNet以平衡的運算速度以及精確性著稱，而LSTM-SSD是一種影片物件檢測架構，可以處理一些影片的時間特徵，像是模糊或是快速運動等狀況，其非常輕巧，可以在低成本的處理器上運作。研究人員提到，根據不同需求，可以選擇不同的神經網路，但都能獲得良好的結果。

目前這套系統已經進到醫療中心，實際用於100個大腸鏡檢查中，研究人員提到，這套系統降低排除息肉的時間，而且不會讓醫療人員遺漏任何的息肉，雖然每次檢測平均有3.8次誤報，但是醫療中心目前對該系統的回饋是正向積極的。