臨床驗證結果:2016 年，我們在美國醫學協會期刊 《The Journal of the American Medical Association》上，發表了與一 般眼科醫師的判讀具高度一致性的結果;隨著研究的進展，今年 二月，我們也於《Ophthalmology》期刊中，進一步發表了與視 網膜專科醫師的判讀高度相符的結果。
這套系統也被應用在印度亞拉文眼科醫院的前導計劃中，經過三 個月後，發現透過 AI 比人工分級有更高的準確度，因此也正逐漸 增加將透過此演算法來檢測的病患人數。
我們也同與印度、泰國與美國的醫學單位進行合作，投入臨床驗 證與應用，並同時致力於推對監管機構的核准。而在研究過程 中，我們也發現硬體設備將會是掃描影像過程中不可或缺的要 素，所以我們也與 Verily (Alphabet 中的姐妹公司) 以及 Nikon 合 作，讓硬體設備不會成為機器學習在影像辨識中的障礙。
我們也致力於研究神經網路 (Neural Network, NN) 的可解釋性。 過去，神經網路通常被認為如黑盒子 (black boxes) 一般神秘，其 實不然。而且透過不同的技術，我們可以以視覺化方式，了解神 經網路是如何做出判斷;例如透過熱感應圖 (heat maps)，我們可 以看出神經網路是如何強調標籤中最容易辨識的像素。
○ 導入機器學習可協助全新的科學發現
機器學習模型除了根據篩選結果協助醫生進行診斷外，甚至可以協助預測目前醫生還無法從影像上預測的病症。
在我們近期發表的論文中提到，我們也訓練機器學習模型來預測 醫生在評估患者心臟病發作或中風風險時考慮的各種因素，像是年齡、自報性別、吸菸狀況、血壓或主要不良心血管事件(MACE) 等。
結果顯示除了這些準確預測風險因素之外，我們也可以直接預測 患者五年內發生心臟病發作或中風的風險。
目前我們只有運用幾百個案例來訓練模型，這項研究還在相當早 期的階段，但模型的曲線下面積 (AUC) 達到 0.7 (演算法正確度達70%)。而這項技術將有機會應用到未來評估心血管疾病風險時， 可以透過非侵入性方式所取得的影像來進行相似的預測，也因此 將能為更多人所用。
● 幫助檢測淋巴結中的乳腺癌轉移瘤:
○ 背景:
癌症的診斷包括取腫瘤樣本，放在玻片上、染色，在顯微鏡下觀 察細胞情形。每一個玻片上包含將近 10 億像素 (10 gigapixels)的資訊，而透過顯微鏡徹底檢查這些玻片則非常耗時且複雜。而每 12 人的乳腺癌檢測中，就有 1 人可能被誤診，也是過去面臨 的一大挑戰。
