机器学习助推医疗服务向质高价廉转变

机器学习不仅能大幅削减成本，而且几乎能实时获取诊断结果；通过运用四种机器学习的算法，还能让医生尽早干预疾病风险的发生；将来更加廉价、更易获得、质量更高的医疗将会推动机器学习算法技术成为主流，同时也会提高对医生自身的要求。

疾病诊断是医疗系统中更偏向于劳动密集型的工作之一，恰好，它也是机器学习算法的擅长领域。尽管这一领域的工作还处于早期发展阶段，但这项技术正在迅速发展，并似乎准备转变为一项“诊断医学”。

随着机器学习在医疗领域应用的不断加深，越来越多的机器学习应用在医疗诊断的案例涌现。大部分的诊断数据都是基于图像的，比如X射线、磁共振，以及超声波图像，也包括基因组概况、流行病学数据、血液检测、活检结果，甚至是医疗研究论文。因此，这为训练神经网络和其他机器学习技术提供大量的数据。

疾病预测：早发现早治疗

普通医疗体系不能永远保持精确又快速的诊断，但机器学习不仅能大幅削减成本，其诊断结果几乎能实时获取。越来越多的情况下，机器学习能够比老练的医生提供更准确的诊断。

例如，MIT Technology Review近期的一份报告指出，Hongyoon Choi和Hwan在韩国高级科学和技术研究所Cheonan公共卫生中心和Kyong Hwan研发的深度卷积神经网络（CNN），它仅仅通过PET（正电子发射断层显像）的大脑扫描，就能够准确判断出患者是否具有三年内患上阿尔茨海默病的趋势。

Hongyoon和Kyong利用那些具有轻度认知障碍、易发展为阿尔茨海默氏症的患者的脑图像数据集预测该疾病，准确度高达84％。

早发现早治疗是降低大多数疾病治疗成本甚至逆转诊断结果的关键。

就阿尔茨海默症而言，能在症状恶化前延缓病情发展。在美国，老年痴呆症在众多死亡原因中排行第六。据估计，2017年老年痴呆症的护理成本会达到259亿美元。预计到2050年，这一数字将飙升至1．1万亿美元。

同样，皮肤癌如果在早期检测结果是5年内生存率97％，那么在晚期检测中的结果则会下降到14％。

这样悬殊的数据促使斯坦福研究人员开发了深度学习算法，并使其成为了一种潜在的生命保护程序。斯坦福人工智能实验室的教授塞巴斯蒂安·史朗（Sebastian Thrun）领导的团队开发了卷积神经网络模型，这个模型可以像训练有素的皮肤科医生一样熟练识别角质形成细胞和黑色素恶性肿瘤。

他们在《自然》杂志发表的论文中指出，深度卷积神经网络“在这识别角质形成细胞和黑色素恶性肿瘤时与所有经过测试的专家表现不相上下，深度卷积神经网络展现出一种堪比皮肤科医生专业能力能够将皮肤癌分类水平的智能。”

大数据处理：助力数据运用效率提升

早期发现全世界死亡的头号原因——心脏病的情况也是如此。诺丁汉大学研究发现，一套评估心血管病风险的机器学习算法胜过了美国心脏病学院（ACC）建立的非机器学习算法。

IBM Watson是首批运用机器学习算法的组织之一，但专注于机器算法的医疗机构每天都在继续增长。人体是极端复杂的，医生们可以尽最大努力去诊断病情，但他们无法保证能正确地检测出任何一种疾病，比如心脏病发作时。

在这种情况下，医生扫描了378256条医疗数据，该数据就会被应用到基于不同机器学习技术的四种算法：随机森林、logistic回归、梯度提升和神经网络。目标是预测某人十年内心脏病发作或中风的几率。

与美国心脏病学院既定算法的预测相比，结果显示，这四款机器学习算法在预测心血管疾病方面比ACC的算法做得更好，其中神经网络技术则表现最佳。“研究表明，通过改善确定为高危患者的数量，让医生尽早干预来预防心脏骤停和中风这类事件发生，人工智能在其中起了很大的作用。”

临床应用：机器学习的落地<余下全文<