目前醫生在依據乳房攝影判斷乳癌發生的情況下，有四分之一的乳癌無法被及時判斷發現。為了提升乳癌確診的效率，科學家計劃以數百萬包含了健康女性以及患有乳癌的女性乳房攝影資料來訓練人工智慧，希望能夠提升診斷的精確度。就像醫事放射師隨著經驗的累積，能夠增進分辨腫瘤生成與否的能力，隨著更多樣數量更多的資料訓練，提升人工智慧判斷癌症發生的能力。加州大學舊金山分校（University of California, San Francisco）的 Dexter Hadley 醫生認為，只要能以上百萬張乳房攝影訓練演算法，人工智慧就會比人類醫生更能偵測判斷乳癌的發生。這聽起來並不困難，但其中真正的問題在於如何取得大量資料，因為大多數國家對個人資訊都設有法律保護，研究者與科技公司很難取得敏感性的個人醫療資訊。因此，身為醫生與計算生物學家（computational biologist）的 Hadley 開始嘗試一些比較主動的解決方式。他和同事建立了一套系統，讓民眾可以簡單與研究者分享個人醫療資訊的同時保有資訊安全，並且仍然保留控制資訊使用的權利。他們所建立的這套系統使用的技術也是與加密貨幣比特幣相同的區塊鏈（blockchain）技術，預計很快便會進入測試階段。研究團隊計劃收集 300 萬至 500 萬美國女性的乳房攝影結果，並在 5 月時開始以此訓練人工智慧辨識乳癌發生與否。研究團隊集合了來自學術界與新創公司成員，他們希望利用區塊鏈技術，更簡單有效分享醫學掃描結果、醫療紀錄及基因定序等資訊。甚至有些計畫還會付錢給資訊使用者，這些對醫療資訊有需求的一方有許多也計畫從區塊鏈系統徵得這些資訊，以訓練人工智慧演算法的研究團隊。由於近年來民眾普遍越來越在意科技巨頭企業以散布大眾的個人資訊甚至醫療資訊獲利。2016 年，與 Google 同樣隸屬 Alphabet 母公司位於倫敦的人工智慧公司 DeepMind 就因為媒體披露英國國民保健署（National Health Service）在未經知情同意下提供該公司 160 萬筆病患紀錄，而使公司深陷輿論。當時其中資訊甚至包含病患姓名、性病史及其他敏感性資訊。麻省理工學院電腦科學家 Andrew Lippman 表示，目前 Google 與 Facebook 都逐漸捨棄了民眾無法自行管理監督的資料庫，但是醫療領域缺乏像 Facebook 這樣的企業角色，因此運用區塊鏈技術建立去中心化的資訊共享平台並保障個人隱私，或許可以當成一種資料辨識控制策略，是解決的方式。需要研究大量臨床資料才幫助醫療進步區塊鏈是一種分散式的電子資訊系統，以互相連結的分散資料庫記錄交易內容。區塊鏈共享內容因為分散特性，讓整個系統相對穩定，當有人試圖入侵資料庫時，入侵者必須逐一破解系統內互相連結的各個分散單元，會讓整個入侵工作更艱鉅。在這項研究中，區塊鏈扮演交換分流的角色，引導資料在醫療人員與研究者用戶之間流通。而提供資訊的女性能透過區塊鏈保障雲端資料的安全性，並決定是否開放或撤銷他方讀取資料的權限。透過建構讓用戶主導並保障資訊安全的系統，研究團隊希望女性更願意分享她們的乳房攝影資料以提升人工智慧判斷乳癌的能力。而參與者項研究的女性可在 breastwecan.org 網站瀏覽自己的乳房攝影資訊，並獲得醫師根據乳房攝影資訊中組織密度、年齡及其他已知癌症因素對她們罹患乳癌的風險解讀判斷。這項研究並不是首次以區塊鏈技術用於將個人資訊與學術界以及企業界交流，譬如哈佛大學遺傳學家 George Church 共同創立的新創公司 Nebula Genomics，也嘗試提供平台讓企業找到願意做全基因定序的民眾，並且在定序完成後，讓定序結果在企業與個人之間共享。自費進行全基因定序的民眾可自行決定是否將基因資訊販售給 Nebula 使用，費用會以能轉換為美元的數位代幣形式流通。Church 表示，Nebula 會確保合作的企業夥伴遵守他們的承諾，只在約定期限內保留用戶個人資訊。相反的，其他像是位於加州的 23andMe 等基因定序公司，雖然同意將進行的定序結果與學術界分享，但分享資訊後並不會管控資訊的用途以及使用方式。除此之外，也有許多定序公司將匿名基因定序資訊分散賣給生技公司或藥商。Lippman 表示，讓民眾得以掌握自己的醫療紀錄還能對他們的健康管理有立即直接的益處。他與研究生開發的以區塊鏈為基礎建立的健康紀錄分享平台 MedRec，今年將在波士頓的貝斯以色列女執事醫療中心（Beth Israel Deaconess Medical...
Google 發表了名為 Audio-Visual Speech Separation 的音訊分離技術，能夠透過分析影像以及聲音的特徵，將影片中各人物所說的話分離成獨立音軌，如此一來就能讓觀眾在雙人同時講話的影片中，自由選擇要聽誰的語音，此外這項技術也能用來分離背景雜音，強化視訊通話時的音質表現。人工智慧協助分析當人類專注於聆聽某個人說話時，頭腦會「自動調低」其他人與環境雜音的音量，讓人可以在吵雜的場合也能彼此交談。然而要透過電腦個別人物的語音單獨抽離出來，仍然是個相當艱鉅的挑戰。Google 的軟體研發團隊在《Looking to Listen at the Cocktail Party》一文中，提出了透過深度學習與聲音-影像模型的方式分離語音的技術，能夠強化影片中特定人物的語音，並消除其他人的聲音與環境音。這項技術最大的特色，在於它會同時分析影片中的影像與聲音，透過辨識人物表情的變化，提升辨識精準度，同時它也能應用於一般單聲道影片，系統會自動辨識影片中的人物與聲音，觀眾需要做的只要點選影片中出現的人臉，就能只聽到他的聲音。在研發過程中，團隊引用了 10 萬支 YouTube 只有單一講者的無干擾演講影片，並將這些總時數長達 2,000 小時的影片混入其他演講影片與背景雜音，以用於訓練多重串流卷積神經網路（Multi-Stream Convolutional Neural Network），讓人工智慧發揮分離音訊的效果。▲ Audio-Visual Speech Separation技術可以將影片中不同人的聲音分離。（Source：Looking to Listen at the Cocktail Party）▲ 該技術不但會分析聲音，也會分析影片中人物的嘴型與表情。（Source：Looking to Listen at the Cocktail Party）▲ 在人工智慧的協助下，這項技術能夠分離多個人物的語音與背景雜音。（Source：Google Research Blog）實際效果展示開發團隊也公布了許多 Audio-Visual Speech Separation 的展示影片，讀者可以從下列影片中看出這項技術的效果確實十分出色。▲ 隨著影片的播放，可以看到切換到不同音軌時，就只會出現指定人物的語音。▲ 原始影片為 2...
蘋果軟體發展各界關注。分析師報告指出，今年 HomePod 出貨可能遠低於市場預期，意味著蘋果發展人工智慧 AI 可能有隱憂。凱基投顧分析師郭明錤出具報告預期，今年 HomePod 出貨量可能只有 200 萬台到 250 萬台，遠低於市場預期的 500 萬台到 1,000 萬台。其中 100 萬台到 150 萬台出貨，可能在發售後的一個月內。報告認為，HomePod 銷售不佳的關鍵，在於 Siri 語音助理使用體驗不如競爭對手，以及 HomePod 擁有出色音質，但較高售價影響需求等影響。從 Siri 語音助理軟體來看，郭明錤表示，蘋果推出 AI 語音助理 Siri 已超過 6 年，早於競爭對手，大量 iOS 和 macOS 裝置推廣，但截至目前對大部分全球使用者而言，Siri 卻非必需功能，蘋果也還不是人工智慧語音助理市場領導品牌。報告也指出，HomePod 從銷售後，一直沒有支援新語系，這也影響了 HomePod 的出貨動能。郭明錤預期，蘋果可能正在思考低價版 HomePod，但他認為，即便有商業化計畫，可能僅有利短期出貨動能，仍需搭配更好的使用者體驗，才能有助蘋果與 Amazon、Google 等在智慧音箱市場競爭。國外科技網站 MacRumors 日前引述研究機構 Loup Ventures 針對 HomePod 進行一連串測試報導，發現蘋果 HomePod 雖在音質和易操作程度取得領先，但在人工智慧方面，只有 52.3% 的問題回答正確，排名墊底。（作者：鍾榮峰；首圖來源：Flickr/David Sandoz...
為了體驗如今人工智慧的自然語言處理有多強大，Google 近日發表了語義體驗網站「Semantic Experience」，其中有一個全新的書籍搜尋引擎「Talk to Books」，以及兩個基於機器學習的單詞關聯遊戲。相比平常我們搜尋一本書，主要是透過書名、作者等關鍵詞檢索，Talk to Books 裡，我們可以像平常講話輸入一句話，隨後搜尋引擎就會解讀和預判這句話，給予搜尋結果。也就是說，你可以用「聊天」方式找到你想看的書。試著在搜尋框輸入一個問題：What is the best programming language？（什麼是最好的程式語言？）排在第一位的搜尋結果，是一本用 C 語言寫程式的書《C Programming for Arduino 》，作者是 Julien Bayle。這本書有一句話，搜尋結果裡有加粗：There is no scientific or universal way to define what is the absolute best style of programming. （目前沒有一個科學或廣義方式定義什麼是絕對完美的程式。）在搜尋結果中，能回答這個問題的句子或段落加粗顯示，下方還有作者及書籍訊息。我們用聊天方式向 Talk to Books 提問，然後它用搜尋結果告訴你，這本書裡這段話，可以回答你的問題，這些或許就是你想找的書。另一個名為「SEMANTRIS」的頁面，有兩個基於機器學習的單詞遊戲 Arcade 和 Blocks。▲ Arcade。玩 Arcade 時，需要在一定時間內輸入與某個目標詞語最相關的單詞、短語或句子，越相關得分越高，同時目標詞語會下移。▲ Blocks。Blocks 則像無時間限制的消去遊戲。輸入某個單詞、短語或句子後，遊戲會自動判斷頁面哪個單詞與之最相關，然後這個單詞所在的方塊，以及相鄰同色的方塊就會消除。每次消除都會有新方塊掉下來，方塊堆積到達頂部，遊戲結束。「Semantic Experience」這個項目呈現的是機器學習「詞向量」技術，這項技術能讓機器更快、更準確理解人類的語言。目前 Google 已在自家人工智慧開源軟體庫 TensorFlow 開源了一個預訓練語義的模組，開發者可使用自己的詞彙或語句實驗，訓練自己的模型。（本文由...
隨著「AI 智慧電動車」與「ADAS」應用已成為當今科技產業的新寵，欲轉型進入車電供應鏈的消費型電子廠商，都清楚必須先通過 AEC-Q100（針對 IC）、ISO 16750（針對模組）規範測試，方能拿到基本門票；然而針對 MCM、SIP 等複雜多晶片供應商，應該依循哪項規範？困擾 IC 設計廠商與 Tier1 汽車模組商多年的難題，終於在近期有官方解答──最新車規 AEC-Q104。此規範在上月一釋出，電子產品驗證測試實驗室──宜特科技就接到眾多國際晶片廠詢問是否能夠進行測試，代表此規範具有一定重要性及影響力。汽車電子協會（Automotive Electronics Council， AEC）旗下多晶片模組（Multichip Modules，MCM）委員會成員，包含萊迪思 （Lattice）、英特爾（Intel）、英飛凌（Infineon）、超捷科技（Microchip）、恩智浦（NXP）、安森美（On Semiconductor）、德州儀器（TI）等企業，近期宣告 AEC-Q104 MCM 規範，一解 MCM、系統構裝（System In Package，SIP）、堆疊式封裝（Stacked Chip）等複雜多晶片型態應該依循 IC，還是模組規範的難題；此外，AEC-Q104 更是車用行業規範中，首次定義車用板階可靠度測試項目（Board Level Reliability，BLR）的規範。宜特可靠度工程處協理曾劭鈞表示，與 AEC-Q100 相較，AEC-Q104 除了首次定義車電 BLR 測項外、針對基本概述、試驗方式、測試項目、ESD 測試規格及試驗樣品數量都有明確說明。▲宜特可靠度工程處協理曾劭鈞。針對 AEC-Q104 基本概述上，宜特可靠度工程處協理曾劭鈞說明，AEC-Q104 的一大原則在於 MCM 上使用的所有元件，包括電阻／電容／電感等被動元件、二極體離散元件、以及 IC 本身，在組合前若有通過 AEC-Q100、AEC-Q101 或 AEC-Q200，MCM 產品只需進行 AEC-Q104H 內僅 7 項的測試，若 MCM 上的元件未先通過 AEC-Q100、AEC-Q101 與 AEC-Q200，那必須從...
未來，人們恐怕很難再用另一張表情掩飾自己真正的情緒。就算你開始避免使用社群網站，穿梭在路上的你仍可被結合人工智慧的感測技術區分出正在「真心微笑」或「假笑」，公司、政府以及任何公共機構都可收集這些有價值的生物數據，而你還無法逃離這種被動技術。杜比實驗室科學家、史丹佛大學神經生理學家 Poppy Crum 於《TED 演講》介紹了這主題。你的表情或許可以將情緒隱瞞得天衣無縫，但你身體內發出的各種訊號欺騙不了電腦系統的掃描分析，比如眼睛膨脹反應大腦運作的難易程度、皮膚散發的熱量揭露你是否正感受到壓力或正激情昂然，呼出的二氧化碳量表明某人或一群人越來越激動，而呼吸中的微量化學物質能顯示出感受。同時，腦電波也可以揭開「視線謊言」，就算你的視線鎖定在眼前人身上，你的注意力是否神遊到天邊也都在腦電波下一覽無遺。Poppy Crum 相信，現實世界結合人工智慧的感測設備將開始收集前所未有的生物訊息，並迎來另一個移情技術時代。這些技術可濫用在操縱一途，撕裂每個人的內心世界，為恐怖監控護航。想像一下你的主管或國家政治人物對你發表洋洋灑灑的演講，而你內心贊同或反對都在科技之下一目了然。感測技術讓個人隱私越來越不保，但是否也能善意運用，比如檢測那些即將進入法庭審判、宣稱精神失常的加害者。究竟他們真的是精神狀況有問題？抑或只是拿精神疾病當脫罪擋箭牌？表情之下是內疚還是得意忘形，都將無所遁形。 TED 2018: Technology reveals fear and other emotions Forget Facebook — your body emits data that could be used to read your emotions, check your health, and track aggression （首圖來源：pixabay）
早在 2004 年，已有人預言汽車將像智慧手機，成為供不同軟體運行的智慧平台。時至今日，Linux 系統因屬開源軟體，容易由各車廠按需要自行改寫，並連接至各種軟體，因此成為多間車廠爭相採用的作業系統。隨著車載系統及自動駕駛不斷發展，不難預見，Linux 在未來汽車市場會愈來愈常見。車載系統領域，Blackberry 的 QNX 系統及 Microsoft 的 IoT Connected Vehicles 均曾是 Linux 的有力對手，但由於 Linux 的開源優勢，前者都先後失去競爭地位。隨著多年來一直使用 Microsoft 系統的 Ford 亦轉投 Linux 懷抱，看來已迎來大一統局面。發行 Linux 開源系統 Ubuntu 的 Canonical 發言人表示，Tesla 的電動車也採用 Ubuntu 系統，期望將來汽車製造商會與 Linux 系統開發商合作，建立適用量產汽車的車載作業系統。▲ Tesla 現在使用的 Linux 系統。為推廣車載 Linux 系統，多間對 Linux 抱持正面態度的車廠組成了 Automotive Grade Linux（AGL），包括 Ford、Honda、Mazda、Nissan 等大汽車品牌。透過這個組織，多間車廠得以共享系統軟體的原始代碼及開發工具包，讓下一代智慧汽車更快到來。AGL 執行董事 Dan Cauchy 聲明表示，汽車製造商正慢慢轉型成軟體開發公司，因為他們知道顧客除了在意汽車效能，車上的智慧資訊系統、自動駕駛系統等也是重要賣點。因此，車廠將效法科技企業，以開源方式共同研發。AGL 亦致力開發 AGL 虛擬架構，以加快...
Apple 的 Siri 可以說是最著名的語音助手之一，其中不必按按鈕便能向 Siri 下指令的「Hey Siri」功能也受到許多好評，近日在部落格中，Siri 團隊除了表示計畫運用機器學習持續改進這項功能，也解釋了 iOs 設備的 Hey Siri 功能的運作方式，以及未來計畫持續改進的目標。所謂的「Hey Siri」功能，就是讓使用者不必按按鈕、只需在語音指令前加上 Hey Siri，手機便會自動啟動並遵照指示行動。但 Apple 究竟是怎麼做到的？部落格文章指出，「Hey Siri」的進化與解決了「關鍵片語檢測」（key-phrase detection）問題相關，同時運用了 DNN 來進行了早期建模工作，並使用了遞歸神經網路（RNN）來進行多樣化的訓練與學習。Siri 團隊解釋，之所以選擇以「Hey Siri」作為觸發語，是因為即使在這項功能推出以前，人們在運用按鈕呼喚 Siri 也會自然而然的在請求前加上這句話。這原先是一個方便用戶的簡單決定，但早期的離線實驗中，Hey Siri 的簡潔和口語性卻為開發團隊帶來額外的挑戰。Siri 團隊主要面臨的錯誤辨識挑戰為三種，分別為當用戶表達類似短句時、當非用戶說出 Hey Siri 時，以及最令 Siri 團隊頭痛的當非用戶說出類似短句時。為了讓 Siri 不被類似短句及非用戶誤導，團隊先是將焦點由尋常語音辨識目標的「說話內容」轉移至辨識「說話者」的身分，利用說話者辨識（speaker recognition, SR）並結合相關技術來增進偵測關鍵短句的系統質量。以目前來說，Apple 會要求首次使用的用戶以要求的 5 個短句來語音來完成說話者辨識系統的註冊，但除了這種顯性註冊模式之外，團隊也設計了另一種隱性模式（implicit enrollment）的辨識：透過紀錄用戶一段時間內的語音，進而提高對說話者辨識的穩健性。當然考量到個人隱私的因素，音頻將保留於設備上而並非雲端，但這種設計目前仍有一些疑慮存在，如果早期紀錄的語音片段並非用戶本人，那麼設備可能會錯誤的拒絕用戶指令或錯誤的接受非用戶的聲音，如此一來功能將變得毫無用處。展望未來，除了像所有語音辨識系統一樣得想辦法克服環境噪音的問題，Siri 團隊還希望未來用戶能不需經過任何訓練與註冊，在開始使用「Hey Siri」功能後透過用戶的許可，透過生活裡的指令中便能將語音辨識資料的內容持續增長與更新。雖然還不清楚這些改動何時會推出，但 Apple 經常會在每年 6 月全球者開發大會上談到 Siri 的重大改進，相信在不久的未來我們很快就能聽到一些好消息。 Apple explains ‘Hey Siri’ speaker...
資安廠商趨勢科技 17 日宣布，發表一項專為提升變臉詐騙攻擊防範能力的最新技術。這項以人工智慧 (AI) 為基礎的創新技術，將整合至趨勢科技多項產品當中，應用在發現專門假冒執行長，或其他重要人士名義所發出的電子郵件時提供警告，以降低企業遭到變臉詐騙攻擊的風險。趨勢科技指出，這套創新的 Writing Style DNA (寫作風格 DNA) 技術，可針對變臉詐騙提供更進階新的防護。因為其採用 AI 來建立使用者寫作風格的「微跡證」，其中包含了 7,000 多項寫作特徵。因此，當遇到疑似假冒重要人士名義發出的電子郵件時，就可利用 AI 來分析其寫作風格，並且發送通知給寄件人、收件人和 IT 部門，警告其變臉詐騙的風險。趨勢科技執行長陳怡樺表示，未來的威脅情勢需要具備人工智慧的防護來結合專家規則和機器學習。因此，Writing Style DNA 這項新的技術，可對於我們現有的電子郵件防護，以及我們免費提供給企業的網路釣魚模擬與意識提升服務。趨勢科技還表示，2017 年攔截到的所有勒索病毒當中，有 94% 都是經由電子郵件散布。此外，預計在 2018 年全球變臉詐騙損失總金額將高達 90 億美元，平均每一件變臉詐騙損失約 13.2 萬美元。因此，企業有必要透過訓練和技術雙管齊下來防範網路釣魚。另外，根據統計，有將近 70% 的變臉詐騙攻擊都是假冒企業機構的執行長、總裁，或是總經理來緊急要求員工進行匯款，或者提供某些敏感資料。而這類攻擊不易被偵測的原因，在於這類電子郵件通常不會附上附件檔案或網站連結。因此，較不會被判定為可疑郵件。對於這樣變臉詐騙的風險，Writing Style DNA 技術可藉由 「作者分析」 來強化現有的 AI 防護層，檢查電子郵件的標題與內容，來分析電子郵件的意圖及攻擊行為。如此一來，就能對這些挾持正常網域和帳號來避開傳統過濾的攻擊進行偵測。再者，高層主管也可針對被標示為可疑的電子郵件提供意見回饋來降低誤判，進而提高偵測率。趨勢科技表示，Writing Style DNA 將於 2018 年 6 月在 Cloud App Security (CAS) for Microsoft Office 365...
深度學習技術近來在眼科、皮膚科、放射科和病理科等醫學學科領域展現出了極大的應用前景，它可以為世界各地的患者提供更加精準、可用的高品質醫療服務。Google 近期也發表了一項研究成果，該成果顯示，卷積神經網路檢測淋巴結中的乳腺癌轉移準確率，可以媲美一名訓練有素的病理學家。然而，目前為止，用複合光學顯微鏡直接觀察組織仍然是病理學家診斷疾病的主要手段，如何將微觀組織進行數位化展示，成了深度學習技術在病理學科大規模應用的關鍵挑戰。4 月 16 日，在美國癌症研究協會年會（AACR）的一場演講，一篇題為《擴增實境顯微鏡實時自動檢測癌症（正在審查）》的論文介紹了一款「擴增實境顯微鏡」（ARM）平台原型，相信這款產品可以幫助加速深度學習技術在全球病理學領域的推廣應用。該平台由一個經改良的光學顯微鏡組成，能對即時分析圖像並直接在用戶視野內顯示機器學習運算的分析結果。值得一提的是，只需使用低成本、現成的元件，就可將這款擴增實境顯微鏡改造成世界各地醫院和診所常見的普通光學顯微鏡，而且無需全面升級數位系統就能分析組織。現代計算元件和深度學習模型──比如在 TensorFlow 平台建構的模型，使這個擴增實境顯微鏡平台能執行大量預訓練模型。和使用傳統顯微鏡一樣，使用者透過目鏡觀察樣品，機器學習運算輸出的結果將即時投射到光路，疊加在樣本的原始圖像上，幫助觀察者快速定位和量化感興趣的特徵。而且，平台的計算和視覺反饋非常迅速──目前速度達 10 幀／秒，這意味著當使用者移動組織或放大倍數進一步觀察時，可獲得流暢無縫的視覺體驗。▲ 左圖：擴增實境顯微鏡的原理概述。一台數位相機捕捉與用戶相同的視野（FoV），然後將影像傳送給一個附加的計算單元，該單元能執行即時推理的機器學習模型。隨後推理結果反饋到一客製的 AR 顯示螢幕，螢幕與目鏡內連，並將模型輸出的結果與標本顯示在同一平面。 右圖：該圖展示了平台原型改造成典型臨床級光學顯微鏡後的樣子。理論上，擴增實境顯微鏡可提供各式各樣的視覺反饋，包括文字、箭頭、輪廓、熱圖和動畫，且可執行多種類型的機器學習運算以應對不同任務，比如對象檢測、量化和分類等。為了展示擴增實境顯微鏡的功能，我們讓其執行兩種不同的癌症檢測運算：一種用於檢測淋巴結標本中的乳腺癌轉移，另一種用於檢測前列腺切除術標本的前列腺癌。這些運算可在 4-40x 的放大倍數下運作，並用綠色輪廓勾畫出檢測到的腫瘤區域。這些輪廓可幫助病理學家注意到感興趣的區域，而不至於遺漏外觀模糊的腫瘤細胞。▲ 透過擴增實境顯微鏡觀察到的視圖。這些圖像展示了 4x、10x、20x 和 40x 放大倍數下的淋巴結標本。雖然這兩個癌症檢測模型並非用擴增實境顯微鏡直接捕捉的影像訓練，但後者上的表現非常出色，無需額外訓練。我們相信，假如直接用擴增實境顯微鏡獲取的影像進一步訓練，這些運算的表現還將繼續提升。最初都是用來自一種光學結構完全不同的完整標本掃描器的影像訓練，但在擴增實境顯微鏡平台的表現非常出色，無需額外再訓練。例如，淋巴結轉移檢測模型在擴增實境顯微鏡運算時，曲線面積達到 0.98，前列腺癌檢測模型的曲線面積達到 0.96，僅略低於 WSI 得到的結果。我們相信，這款擴增實境顯微鏡將給全球衛生事業產生重大影響，尤其是在發展中國家的傳染病診斷方面──包括結核病和瘧疾等。此外，在即將採用數位病理工作流程的醫院，擴增實境顯微鏡也可以與數位工作流程結合使用。光學顯微鏡已在很多行業證明了其價值，但在病理學領域作用有限。我們相信擴增實境顯微鏡可以應用於醫療、生命科學研究和材料科學等眾多領域。我們很高興能繼續探索這款擴增實境顯微鏡，幫助加速機器學習技術在世界各地產生積極影響。（本文由 雷鋒網 授權轉載；首圖為示意圖，來源：NHGRI）