從2013年至今，針對機器學習在健康與生命科學領域的研究文獻已經成長超過20倍，國際科技大廠Google也在其中貢獻了一分力。而Google方面雖不能輕易斷言這些研究還需要多久時間才能被商業化、普及化，但就現階段的幾個成果來看，AI對醫療檢驗效率的提升似乎已經是比較明確，也更快可能被實現的一個效益。
數據量不斷增加，但專業人員不足
Google AI產品經理Daniel Tse表示，有大量數據瀏覽需求，以及專業人才有限的領域其實都很適合採用深度學習。而放眼全球，包括醫療在內，其實有很多產業都面臨了數據量不斷增加，但專業人員卻不足的情形。以印度為例，過去就有約45%的糖尿病視網膜病變患者是在接受診斷之前就已經失明。而類似的困境，就是Google認為可以利用深度神經網路來協助解決的。
事實上Google除了在糖尿病的AI應用為人所知，Daniel Tse提到，深度學習也可以協助檢測淋巴結中的乳腺癌轉移瘤。這部分的應用和糖尿病視網膜檢驗比較不同的一點是，必須要使用更精密的顯示儀器，因此每個玻片的資訊高達10億像素，要進行徹底檢查其實是一件非常耗時且複雜的工作，而且過去每12個乳腺癌檢測中，可能就有一人可能會被誤診。從初步研究結果來看，Google相信這也是機器學習可以派得上用場的地方。
提升效率之外，AI在醫療還有很多可能
而不論是糖尿病，還是乳腺癌的檢測，目前看來機器學習可以帶來的最顯著助益，就是分擔專業醫療從業人員的工作附載量，也加快檢測效率，進而減少如印度糖尿病病患因無法定期篩檢，最終導致失明的狀況。
當然，效率的提升只是AI應用在醫療上的其中一種可能性，如Google近期也發現，導入機器學習模型甚至可以協助預測目前醫生還無法從影像上預測的病症，如預測患者5年內發生心臟病或中風的風險等等。不過這項研究目前還在比較早期的階段。
此外，即使在某些項目上，AI的正確檢測率已經高於專業醫療從業人員，但要想真正普及到臨床醫療，除了必須通過法規監管，Daniel Tse特別提到，取得醫界信任也是非常重要的。而在取得信任這部分，除了機器學習的「可解釋性」扮演關鍵角色，和醫院緊密合作，了解醫院實際的臨床流程等等，也非常重要。
