当2016年世界各国政府和主要非政府组织讨论成立联合国时，也在讨论建立一个全球卫生组织。
这个组织就是我们今天所知的世界卫生组织（WHO）。
为了纪念该组织的成立，2006年世界卫生大会（WHA）决定将WHO《组织法》生效之日4月7日定为“世界卫生日”，作为全球卫生日。
意识日。
每年的世界卫生日都有一个主题，突出世界各地关注的公共卫生优先领域。
[3]在COVID-19疫情仍在全球肆虐之际，今年的主题显得尤为恰当和及时——“建设一个更公平、更健康的世界”。
去年以来，受疫情影响，世界各国医疗资源在一定时期内面临或轻或重的紧张和短缺。
在感谢医护人员的奉献和辛劳的同时，我们也要看到，医疗条件不平等的全球性问题依然突出。
有些人因为环境和生活条件的原因，无法享受到优质的医疗服务，过上健康的生活。
因此，从政府和非政府机构，到有社会责任的公司，再到普通人，服务不足的社区不应被忽视。
我们需要携起手来，给予他们所需的支持和帮助，确保每个人都享有有利于健康的工作和生活条件。
对于企业在这个过程中能做什么，我们可以看到，除了更好地让大家通过捐款和各种社区服务来表达爱心和关怀之外，他们也在发挥自己的“特长”，比如谷歌这样的科技公司对技术进行了改造将普遍认为的“冰冷”转变为“人情味”，让医疗创新造福更多人。
和许多科技公司一样，谷歌在疫情期间积极共享工具和资源，帮助人们更好地应对。
[5]此外，谷歌还一直在探索如何应用机器学习和人工智能等先进技术来帮助解决医疗健康领域的难题。
为更多糖尿病患者带来更准确的视网膜病变筛查自2017年以来，谷歌、Verily（Alphabet旗下的生命科学和医疗公司）和印度马杜赖的Aravind眼科医院已开始使用机器学习模型进行视网膜病变筛查应用于临床。
这项全球临床研究计划之所以在印度启动，正是因为印度的眼科医生数量严重不足——根据2017年的数据，眼科医生的缺口高达10万以上。
在印度总共约1万名糖尿病患者中，只有数千人接受了糖尿病眼病筛查，这意味着相当数量的糖尿病视网膜病变或糖尿病黄斑水肿患者面临失明的高风险，因为他们不接受糖尿病眼部疾病筛查。
得到及时的护理。
阿拉文眼科医院的工作人员正在对患者进行糖尿病眼病检查。
该模型从开发到临床应用，谷歌AI研究人员花费了数年时间。
它的工作原理类似于专业眼科医生 - 分析眼底。
扫描胶片，观察是否有疾病迹象（如微动脉瘤、出血、硬性渗出等）及其严重程度。
该模型使用在 128,000 次眼底扫描数据集上训练的深度神经网络，可以自动执行这项需要专门训练的任务。
为了提高这个模型在临床环境中的性能、可解释性和适用性，谷歌还在年底对其进行了重大改进：首先，在训练模型时，谷歌改变了模型对糖尿病视网膜病变的分级。
两个级别（未患病/患病）细化为五个级别 - N（未患病）、Mi（轻度）、Mo（中度）、S（重度）、P（增殖期），并添加了一组视网膜的诊断结果专家们在诊断过程中对有分歧的病例进行讨论，直至达成共识，使得用于训练模型的人类诊断更加准确和精细。
然后，Google 使用精心挑选的 0.22% 图像子集作为调优集来优化模型超参数（在模型运行之前设置值的参数），从而显着提高模型的性能。
在优化后的测试中，该模型的Kappa系数（分类精度的衡量标准，越接近1越准确）达到了0.84。
相比之下，视网膜专家和普通眼科医生的 Kappa 系数分别为 0.82-0.91 和 0.80-0.84。
最后，当模型给出结果时，它还会向医生展示算法对不同病变等级的预测概率，并标记出导致这一判断的最重要区域。
这种方法可以增加医生对糖尿病视网膜病变分级的信心，让他们更准确地发现病变。
因此，该模型现在可以集成到医院的筛查流程中。
“人机协作”之后，正如阿拉文眼科医院首席医疗官兼视网膜服务主任 R. Kim 博士所说，“医生有更多时间与患者一起进行疾病治疗和管理，患者数量也减少了”放映的次数也增加了。
”[9] 虽然这个系统要成为真正可以大规模应用的项目还需要一段时间（特别是需要进行大量的用户研究以满足医生和患者在实际情况下的不同需求），但它仍然向我们表明，机器学习技术有潜力帮助筛查更多患者并在服务欠缺的地区预防疾病。
检测贫血 贫血的主要原因包括营养缺乏以及个人和环境卫生不良，是另一种在欠发达地区流行的疾病。
一般来说，检测贫血需要进行血液检查，如果血红蛋白含量低于正常值，就意味着患者患有贫血。
眼底视盘区域对于贫血的检测非常关键。
谷歌去年的一项研究表明，基于眼底（主要是视盘和周围血管）图像，辅以一些常见的患者元数据（如年龄、性别等），机器学习模型可以量化血红蛋白的量在病人体内。
与单独使用元数据相比，这种方法将检测准确度从 74% 提高到 88%。
其他科学家已经测试了该模型在各种环境下的工作情况，并有可能支持比血液测试更快、更简单的贫血筛查。
提高皮肤病诊断水平 皮肤病也是患者和专业医生数量严重失衡的一类疾病。
以美国过去几年的数据为例，37%的患者患有至少一种皮肤病。
而且其中一半以上没有经过皮肤科医生的诊断和治疗。
然而，普通全科医生和专科医生之间的诊断准确性存在巨大差距。
前者的准确率仅为24%-70%，而后者的准确率为77-96%。
可以说，皮肤科专家的短缺可能导致导致不正确转诊、延误护理、误诊等问题。
就减轻全球皮肤病诊疗负担而言，由于短期内大幅增加皮肤科医生的数量不太现实，因此帮助全科医生提高诊疗水平显得尤为重要。
在 ，谷歌开发了一个深度学习系统来帮助诊断初级保健中一些最常见的皮肤状况。
该系统可以使用基于一张或多张皮肤异常临床图像和医疗记录中多达45类元数据（如年龄、性别、症状等）的Inception-v4神经网络架构，结合特征转换后的元数据处理并列出患者可能患有的几种皮肤病，从而帮助全科医生提高皮肤病治疗的准确性，从而增加患者数量。
为了验证这个系统的准确性，谷歌用由10个案例组成的验证集A对其进行了验证，并将结果与??美国专业认证皮肤科医生给出的诊断结果（通过投票汇总的结果）进行比较。
从结果来看，其top-1准确率（患者最有可能患的皮肤病）和top-3准确率（患者最有可能患的前三种皮肤病）分别为71%和93% ，接近专业皮肤科医生。
谷歌训练和验证该系统的过程也表明，由于不同的患者有不同的肤色，训练后的模型可能存在种族偏见。
为此，谷歌根据 Fitzpatrick 皮肤类型对数据集进行了分类，并评估了系统诊断至少占数据集 5% 的几种肤色（涵盖 II 型至 IV 型）的准确性。
经验证，该系统对于不同肤色的准确率相似，证明其具有足够的包容性，适合不同肤色的人。
结论“AI+医疗”作为当前医疗健康领域最热门的话题之一，确实具有巨大的应用潜力。
关键是我们要找到正确的方法，让最普通的医护人员和患者都能用上，完善全球的医疗体系。
公平包容，增进人类福祉。
从这一点来看，我们无疑还有更多的工作要做，而谷歌正在开展的这些努力也许能够给我们带来启发和启发。