机器学习如何促进医学？剑桥大学最新《机器学习医疗健康应用》报告，88页ppt

医学与机器学习(ML)可以应用的其他领域不同。我们已经看到了其他领域的进步是由大量数据驱动的，是医学的复杂性，而不是数据量，使挑战变得如此艰难。但与此同时，对于那些真正有兴趣探索ML边界的人来说，这使医学成为最令人兴奋的领域，因为我们要形式化和解决现实世界的问题。这些解决方案具有重要的社会意义，它们可能会影响我们所有人。

ML当然已经在许多领域取得了令人印象深刻的成果。突出的例子包括计算机视觉和图像识别，玩游戏或教机器人。由ML授权的AI非常擅长掌握这些东西，因为它们是很容易表述的问题，解决方案很好定义，也很容易验证。“容易表述的问题”有明确的挑战要解决，有明确的规则要遵守;“定义良好的解决方案”属于一类容易识别的答案;而“可验证的解决方案”是我们作为人类可以理解的，可以判断模型是否成功。不幸的是，在医学上，这些问题并没有很好地提出，解决方案往往没有很好的定义，也不容易验证。 本教程将介绍大规模构建临床决策支持系统、预测疾病轨迹、估计个性化治疗效果、个性化主动监测和筛查以及跨临床环境转移知识的新方法。它还将讨论如何使ML可解释、可解释和值得信任，以便临床医生、患者和政策制定者可以使用它获得可操作的情报。最后，将讨论如何集成所有这些技术来构建医疗保健学习机器，将仅捕获数据的电子健康记录转化为个性化决策支持、合作、有效的健康管理和发现的引擎。