医疗机器学习综述，谷歌Jeff Dean等最新论文【附12页论文下载】

2019 年 4 月 6 日 专知

【导读】如何把机器学习应用到医疗健康中，是一个非常有价值和具有挑战性的问题？最近来自谷歌和哈佛医学院的学者撰写了《医疗机器学习综述》论文，从机器学习如何帮助医生工作、在医疗领域应用机器学习的关键挑战等方面介绍了机器学习在医疗领域的应用。

传统上，软件工程师以显式计算机代码的形式提取知识，这些代码可以精确地指导计算机如何处理数据和如何做出决策。例如，如果病人血压升高，没有接受抗高血压药物治疗，那么一个适当编程的计算机可以建议治疗。这些基于规则的系统具有逻辑性和可解释性，但是，正如1987年发表在《华尔街日报》上的一篇文章所指出的，医学领域“如此广泛和复杂，以至于很难(如果不是不可能的话)在规则中获取相关信息。

传统方法和机器学习的关键区别在于，在机器学习中，模型从例子中学习，而不是用规则编程。对于给定的任务，示例以输入(称为特性)和输出(称为标签)的形式提供。例如，病理学家读取的数字化影像被转换为特征(幻灯片的像素)和标签(例如，表明数字影像包含表明癌症变化的证据的信息)。使用算法从观察学习，电脑然后决定如何执行的映射功能标签,以创建一个模型,将概括的信息,这样可以正确地执行新的任务,在现场输入(例如,病理学幻灯片尚未被人类阅读)。图1总结了这个过程，称为监督机器学习。还有其他形式的机器学习。表1列出了基于同行评审研究或现有机器学习能力的简单扩展的输入到输出映射的临床实用性的例子。

传统方法与机器学习的主要区别是人可以发现少量数据中的复杂关系，而机器学习需要大量的数据，没有常识，并且学到的一些模式无法解释，在实际情况发生细微改变时不能很好的调整。

然而机器学习依靠对大量数据的处理能力，它在诊断、治疗方面都有很多的应用。它面临的几个挑战是大量可用的高质量数据、从过去可理解的经验中学到知识、合理的监管与安全使用。

大量卫生保健数据的加速创建将从根本上改变医疗保健的性质。我们坚信，医患关系将是为许多病人提供医疗服务的基石，机器学习的额外见解将丰富医患关系。我们预计，未来几年将出现一些早期模型和同行评议的研究成果出版物，这些模型以及对基于价值的医疗的监管框架和经济激励的发展，都是对医疗领域机器学习持谨慎乐观态度的理由。我们期待着不久的将来，数百万临床医生在护理数十亿患者时使用的所有医学相关数据都将通过机器学习模型进行分析，以帮助向所有患者提供尽可能好的治疗。

【论文便捷下载】

请关注专知公众号（点击上方蓝色专知关注）