[東京現場]Google與眼科界的「麥當勞」合作，想讓印度盲人重見光明|數位時代 BusinessNext

Google在東京舉辦#MadeWithAI亞太區媒體活動，會中Google展示了在醫療領域的最新進展，並且會後接受媒體採訪，闡述了Google在糖尿病視網膜病變檢測的未來發展想法。

導入機器學習，判斷糖尿病視網膜病變

糖尿病是一種因胰島素缺乏或拮抗胰島素功能的因子出現導致血糖上升的疾病。不論是第一型(胰島素依賴型IDDM)或第二型(非胰島素依賴型NIDDM)的患者，長期血糖上升會引起眼部視網膜微細血管病變，稱之為糖尿病視網膜病變(diabetic retinopathy)。

而Google將機器學習技術，導入糖尿病視網膜病變的圖像檢測中。Google研究產品經理彭浩怡（Lily Peng）指出，Google研究團隊創建了一個開發數據集，聘請54名專業眼科醫師來檢視、評估13萬張以上的圖像進行了88萬次的診斷。

再利用這些經過眼科醫師評估的圖像訓練TensorFlow模型，在這個訓練中所應用的神經網路名為Inception模型，經過充分訓練後，這些模型就能夠在「沒有醫生」診斷的情況下拍攝圖像，並替這些圖像進行五級量表分類。結果顯示：演算法在發現症狀的敏感度和判斷症狀的準確度上，都比人表現的還要好。

透過判斷 9963 張成像所組成的數據集可看出，神經網路演算法(黑色曲線)和8名眼科醫生(彩色點)的辨識結果顯示出高度一致性(中度或更嚴重的糖尿病性視網膜病變或糖尿病性黃斑水腫)。曲線上的黑色鑽石方塊對應了演算法的高靈敏度與高特異性。

圖／ Google

1200萬名印度盲人中，70％只需簡單手術即可治癒

為什麼選擇糖尿病視網膜病變作為研究主題？「這是當地醫院的一大痛點。」彭浩怡說。

根據《哈佛商業評論》，「1200萬名印度盲人中，有70％的人其實只需要簡單的手術就能治癒，但前提是他們要有機會進行手術。」而根據調查印度缺乏近12.7萬名眼科醫生，導致近45%的患者在接受診斷前就已經失明。也就是說，糖尿病視網膜病變是可預防的。

「Google研究團隊與印度的眼科醫院Aravind、Sankara以及美國EyePACS進行臨床試驗，希望未來能把這個技術用在眼科臨床診斷中。」彭浩怡說。

Aravind是世界上最大的眼科醫院，也是世界最大的單一眼科手術提供商。整個Aravind眼科醫療系統專長在白內障的切除，醫院握有豐沛的視網膜攝影數據。而且Aravind本身在醫療流程就以「麥當勞式」創新，做一個眼科手術僅需做一個漢堡的時間，舉世聞名。

與Verily智慧隱形眼鏡計畫有關？

雖然研究成果驚人，但若要談落地談實務應用會遭遇什麼挑戰呢？「我們發現硬體設備是視網膜治療的關鍵障礙。」彭浩怡說。

影像品質是影響機器診斷準確度的重要關鍵，雖然使用現有的視網膜攝影設備就已經得到很棒的研究成果，但還是有一部份照片品質不佳。

因此Alphabet的子公司Verily也與全球知名的視網膜攝影相機廠商Optos（已被Nikon收購）合作共同設計新的攝影硬體，讓新攝影設備可以更容易，更有效率地獲得更高品質的影像。

另外，由於Verily已經與瑞士藥廠Novartis（諾華）旗下的眼科品牌Alcon（愛爾康）合作，用Smart Contact Lens的技術研究糖尿病與老花眼等疾病，希望設計出可以偵測血糖的智慧隱形眼鏡，因此讓人聯想Google將機器學習導入糖尿病視網膜偵測是否和智慧隱形眼鏡有關？

不過，對此彭浩怡否認，「我們的研究和Verily隱形眼鏡計畫沒有關聯，我們也沒有進行相關的專案。」她強調，「視覺對於人來說是非常重要的五官，因此如何大量降低因糖尿病而眼盲是一個很重要的研究方向，這本身就是一件大事。」

商業模式不是重點，目標在於找到潛在病患

Aravind醫院的特殊商業模式很特別，醫院僅向約1/3能付費的病患收費，但2/3的病患為免費的「交叉補貼」制度。那這些沒有財力付費的病患，有福享受機器學習技術讓他們早期發現早期治療嗎？Google有沒有和Aravind醫院討論過可能的商業模式呢？

對此彭浩怡指出，「對我們來說最重要的不是商業模式，而是增加價值的模式，我們不是要從這些病患身上賺到錢。而是找到更多潛在的病患，給予他們更多的醫療機會。」

《哈佛商業評論》指出，「Aravind眼科體系有三分之二的病患獲得免費治療或接受補助，但該醫院仍能夠只靠本身獲利，來支付所有擴張計畫的費用。」因此若機器學習能順利前進Aravind將能成為醫師的重要幫手，這省下來的醫療成本或時間，可以做出更好的運用。

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。