人工智能应用于医疗领域的前景可观。

编者按：随着科技的进步，医疗保健领域也随着人工智能的应用逐渐迈向了自动化和数据化。那么传统医疗对于人工智能的加入进行了怎样的调整呢？Charles Koontz 是 GE Healthcare 公司的首席数据官，他通过分析医生、数据和疾病之间的关系给出了自己的看法。

医疗的安全

多亏了人工智能，医疗保健才能进入大数据时代。回想一下你日常生活中那些效率低下的事情吧：冗长的队伍、堵塞的交通、用“蜗牛邮件”来邮寄你的账单和信件，这些低效率的事情着实让人很烦躁，但是这些通常不涉及生死。医疗保健则不一样，它对于生产力的需求是不一样的，医疗自动化的潜力也不一样。事实上，医疗保健所需的东西更多，面也更广。

数据：驱动力

医疗保健数据量大的让人难以相信。随着病人病历等传统形式的信息电子化，一些新的数据也开始逐渐走向数字化——比如人体4D影像和高分辨率基因组图像。美国科学公共图书馆在其发行的期刊上发表了一项研究。研究预测在未来的医疗研究中，仅基因组研究方面产生的数据量将会等于天文科学、YouTube和Twitter在2025年产生的数据总和。

那么，我们如何有效的了解所有的这些信息呢？机器学习和深度学习可以帮上忙。机器学习是实现人工智能的方法。而深度学习是机器学习的下属概念，它可以帮助“训练”人工神经网络。随着时间的推移，从而使得人工智能可以提供正确性接近百分之百的答案。并且使人工智能可以处理、分析、识别信息的模式来提高处理质量、处理速度以及后续维护的效果。

人工智能已经产生了不小的影响

 举个例子，斯坦福大学的研究人员开发了一种可以从肺癌组织的病理图像中识别出数千个目标特征的算法。随后，通过机器学习让计算机软件程序来评估样本。之后，计算机就可以以完全自动化的方法通过滑膜病理学准确地对癌症患者的未来情况进行预测。研究人员表明这个办法“可以为许多患者的未来情况提供快速且客观的预测”。

最近，GE Healthcare也宣布与UC San Francisco（UCSF）进行合作，二者准备开发一个深度算法库，帮助加速鉴别和诊断，改善临床工作流程，进而缩短治疗时间并优化患者情况预测过程。一旦这些算法作为GE Health Cloud和智能GE图像机上的应用程序部署在全球范围下，那么全球的临床医生就将可以通过虚拟技术以及自身的相关专业知识和工作来创建新的算法。当然，放射学只是应用机器学习和深度学习对其进行改进的众多领域之一。其他的领域还有，例如个性化医学和药物研制通过虚拟护理助手进行远程监测以及逐渐替代手动输入电子健康记录（EHR）的自然语音语言识别软件等等。

仍然存在的问题

但是，尽管有了所有的承诺，我们仍然不能忽视机器学习和深度学习给人们带来的怀疑和恐惧。医疗保健是一个高度复杂、需要监管且涉及私人信息的领域。而且，由于其结合了科学、机械和患者的个人信息的独特性数据，这个行业需要的创新不仅仅是新鲜的小工具或者一次性的应用程序，这些都未触及创新的本质。

机器学习和深度学习是可以真正的、可操作的用于支持创新的方式。随着人口老龄化的加快，消费者参与度不断提高，价值型医疗服务的需求量也在增加，再加上世界范围内专业的医疗保健人员的短缺，机器学习和深度学习有着难以估量的潜力来满足患者最大程度的需求以及弥补医疗机构的短缺。

我们自身也好，朋友家人也好，最终都将成为病人。而机器学习和深度学习将会从各个方面改善我们诊疗过程，比如对EHR、实验室测试、基因组以及成像的数据进行实时分析和利用。这样就可以实现对病人提供最高质量和最有效的护理。

研究中的技术代表了现阶段正在进行的研究和努力。这些技术不是产品且可能永远不会作为产品销售。尚未通过美国食品药品管理局或任何全球监管机构批准用于商业。

翻译来自：虫洞翻翻  译者ID：南骧