通过机器学习让医疗数据更好用

欢迎大家关注我们的网站和系列教程：http://www.tensorflownews.com/，学习更多的机器学习、深度学习的知识！

在过去 10 年间，医疗数据已经从以纸质文件为主几乎完全数字化为电子健康记录。但是，理解这些数据涉及一些关键挑战。

第一，供应商之间没有共同的数据表示形式；每个供应商都使用不同的方式来构建他们的数据。第二，即使使用相同供应商的网站也可能存在很大不同，例如，他们通常为同一种药物使用不同的代码。第三，数据可能分布在多个表格中，一些表格包含患者就医记录，一些包含实验室结果，其他的则包含生命体征数据。

快速医疗互操作性资源 (FHIR) 标准解决了其中的大多数挑战：它具有一个坚实并且可扩展的数据模型并基于成熟的网络标准构建，正在快速成为个体记录和批量数据访问的事实标准。但是，为了实现大规模机器学习，我们需要一些补充：各种编程语言的实现，将大量数据序列化到磁盘的有效方法，以及允许分析大型数据集的表示形式。

我们高兴地开源 FHIR 标准的一种 Protocol Buffers (简称 Protobuf) 实现，它可以解决这些问题。当前版本支持 Java，并且将很快支持 C++、Go 和 Python。对配置文件的支持也即将发布，还会推出一些工具，帮助用户将旧数据转换成 FHIR:

https://github.com/google/fhir

将 FHIR 用作核心数据模型

过去几年，我们一直与众多学术医疗中心合作&#