怎样提高AI深度学习效率

想要将某个领域的发展继续推进，有时候必须停下来看看现有的状况，进行策略性整理和分析，才能订出未来发展的大方向。医疗领域的发展也是如此，在医院收集的数十亿笔病例中，包括CT图、X光图、病理图等数子化医疗记录，我们为了要发展精准的医疗科技，近几年科学家希望能通过人工智能的技术在这些数据中找出核心关键。

来自美国斯坦福大学（Stanford University）博士研究员Leon Bergen在TRANS Conference 2018论坛上表示，医疗机构现有的数据将会是未来数字医疗发展的重要资料库，我们通过计算机建模和实验来研究语言学方法，在语言分析过程中清除不相关的资料。拥有一个有效且完整的医疗数据库，必须先清除医疗资料库中的暗数据，才能进一步分析，并提供医疗人员正确的决策方向。

目前医疗护理流程图、医生诊断记录、放射科报告、肺部疾病报告的数字化医疗数据都可以透过AI进行分析。研究员Bergen表示，在进行数据分析之前，整理杂乱且无法直接使用的暗数据（Dark Data）是相当重要的一点。技术人员提供整理过的数据给AI系统进行深度学习，在这过程中包含了收集大量数据、清除暗数据、训练神经网络和通过网络内容进行分析。

Bergan指出，在训练AI系统的深度学习过程中，研发人员必须不怕出错，在不断试验的过程当中，神经网络会依循每一次的结果改进，并给予不同以往的产出。研发人员必须评估神经网络产出的结果，并调整网络的学习数据。

举例来说，当系统判断病患有67%的死亡率，数据人员就必须依照最后病患实际的存活状况来调整系统的数据设定。通过真实的结果与事先预测之间差异的反馈，才能不断提高之后的预测精准度。

以往数据似乎就是片段的资讯，然而现在图形数据已经可以透过强大的图形处理器（GPU），提供既快速又系统化的分析。不过在电脑断层扫描（CT）的分析上，有时候还会出现AI分析的结果与医生的判断有出入。此时，就必须比对神经网络、医生诊断和CT图片上的各种差异。

对于人工智能是否取代人类，Bergen 表示，许多评论都认为在未来几十年之内，AI很有机会在很多领域的分析胜过人类，但要完全取代人类还是有困难的！