Blog

In the healthcare field, 机器学习算法及其产品有可能极大地改变医院的医疗方式, pharmacies, pharmaceutical companies, and behavioral health clinics operate. Machine learning (ML) has many potential uses, 尽管挖掘机器学习的潜力需要一些专业知识, and usually an investment in custom software development as well. First, 简要回顾一下什么是ML以及它与更熟悉的人工智能主题之间的关系可能是有价值的.

关于人工智能和机器学习的几点注意事项

人工智能是关于创造能够从环境中收集信息的软件或机器人, analyze that information, and change behaviors. 虽然我们经常认为人工智能研究是模仿人类思维的努力, this is not really relevant. 关键是要创建能够识别模式、做出决策和设计事物的系统. 这些都是与智力有关的活动.

机器学习是一种创建能够识别模式的软件的方法, solve problems, and respond the changes in the environment. 机器学习是关于“教”机器如何使用算法解决问题. 它是人工智能的一种应用，使用各种技术来分析数据，并使用结果来提高机器的性能, or a piece of software, can handle a repetitive task. 换句话说，机器学习就是教计算机在某些任务上做得更好.

程序或机器人可以通过使用样本输入(数据、图像、手写样本等)来进行教学.)以及教系统如何正确响应的预期输出:一种称为监督学习的方法. In unsupervised learning, there is no teacher and no example data; the system finds its own structure and rules as it goes. In reinforcement learning, the third approach to ML, 该算法在尝试执行任务时获得定期反馈, 比如驾驶汽车通过一个简单的障碍.

Healthcare Applications

Healthcare goes far beyond hospitals, 因此，机器学习的潜在应用远比关注医疗保健或医院管理所暗示的要多样化得多. A hospital might want to streamline recordkeeping. 心理健康提供者可能需要一种更好的工具, customized information to website visitors, 基于用户配置文件或搜索活动或两者的组合.

机器学习算法在任何需要看到模式的任务中都是有价值的, interpreting images, 或者分析不只是数字和文本形式的输入. 您不需要ML算法来从患者数据库检索信息, 但是对于任何需要自动化的复杂任务, ML might be the answer.

概括一下，机器学习项目的产品可以用于:

• Faster diagnosis of disease
• 发现新药或简化药品生产
• Reviewing medical images
• Conducting clinical research
• Creating “smart” patient records
• Crowdsourcing data collection
• 照顾长者及其他弱势群体
• Supporting behavior modification

Some big players have launched healthcare ML products and services in the past decade or so. IBM’s Watson Genomics is one of the most famous. 它的对手沃森肿瘤公司(Watson Oncology)提供基于ml的个性化医疗服务. 谷歌云视觉API和MATLAB合作创建了一个手写识别程序，用于从医疗记录中收集数据. 至少有一家公司已经开发出了一种通过眼部扫描来检测糖尿病视网膜病变迹象的方法. 一款帮助吸烟者戒烟和保持无烟的行为矫正应用程序可能会处理大量用户对该应用程序的反应的行为信息，以更好地呈现, tailored advice or support.

虽然机器学习的电竞赛事竞猜APP有望在许多方面改善医疗保健, including prevention, 医疗应用带来了一些重大挑战.

Challenges of Using ML in Healthcare

利用机器学习所需的技术技能并不容易掌握. Aside from this fact, 这是几乎所有企业级软件项目的共同之处, ML brings some specific challenges.

• Lack of quality data
• Bias in machine learning algorithms
• 构建对专业医疗和医院程序友好的机器学习工具

医疗记录通常是机器学习算法的糟糕模型. This is not a matter of data quality exclusively. Sometimes key information is missing, 但其他时候，它从来没有被要求，或者手写的笔记和低分辨率的图像是记录的一部分. 如果模型的“学习”数据质量很差，那么训练一个软件来知道什么时候需要去医院，什么时候需要在家治疗是很困难的.

“训练”数据中的偏差也可能给算法引入错误. 种族多样性是这个问题的一个典型例子. For example, 95% of the dataset comes from white patients, 所以算法会为他们提供合适的推荐. 但是，如果20%的患者不是白人呢? 他们的状况估计的准确性要低得多, 导致本该住院的人没有住院的情况下出现医疗紧急情况.

Machine Learning Has Multiple Uses

改善医疗保健服务和患者护理的机会, 以及研究和测试都使机器学习具有价值. 希望利用机器学习的组织将会受益, however, 需要面对一些挑战:机器学习带来的定制软件开发的复杂性. 这种企业软件开发工作通常最好留给专业人员 software development shop 在项目管理方面具有丰富的技能和经验.