人工智能在医疗领域运用方向及机器学习方法概述！

“ 有些东西不理解透彻就无法前进！”

简明扼要人工智能

说起人工智能在医疗行业的运用时，笔者一直在思考到底什么样的方式可以用几段话来勾勒出一幅简明的图画。正如看过之前文章的朋友们所熟知的，这个行业已经越来越拥挤了，充满了大量的信息及数据，如何提取出有用的信息，对于没有强大处理器的笔者来说并不是件容易的事，但是好在我们拥有智能而且不是人工的。

01

—

AI在医疗领域运用的六个象限

在人类面对浩瀚知识的时候，划分象限归类是一个非常好的方法。所以今天我们尝试用划分象限的方式来试试。这里第一个象限我们给他带上Advanced BI/Analytics（高级商业智能/分析）的标签，原因在于这是人工智能起源的基石，也是人类开始了解计算机系统可以了解复杂数据的原点。在医疗行业，人们可以利用相同的技术来进行再入院率的预测，以及形成处方开具的相关模式。

Advanced BI

在第二个象限我们要归入的是智能信息的收集以及感知，在一领域就是传说中的IoT（万物互联），在这里我们必须给可穿戴设备加上高精确度反馈的翅膀，要进一步开发可吸收传感器以期获得更精确地数据，当然还要加上周围环境影响的精确计算。

IoT

第三个象限是智能交互及服务领域，在这里NLP（Natural Language Processing 自然语言处理）是关键，高端客户服务（各种信息收集分析归类反馈）、Artificial Emotional Intelligence （人工情感智能）、智能自动调配都可以让计算机系统与人类交流的过程中产生更加自然与人性化的特征。

NLP

第四个象限是智能化的诊断与治疗方案，这里会涉及到症状检查、虚拟问诊、癌症研究、影像学人工智能等等细节，最终的目标是精确地了解患者到底是出现了什么问题，以及哪种治疗方案更加有效。

智能化诊断

第五个象限是高度智能化的专业医疗设备，例如智能化输液泵，以及智能化假肢。

智能医疗设备

第六个象限是各种智能化的机器人应用，比如在家服务老人的护工机器人，在医院进行手术的手术机器人等等。

智能机器人

02

—

机器学习方法论概述

Dr. Tom M.Mitchell Professor（教授）, Carnegie Mellon University（卡耐基梅隆大学）这样总结和比较过机器学习，'Whereas computer science has focused primarily on how to manually program computers, machine learning focuses on the question of how to get computers to program themselves. Whereas statistics has focused primarily on what conclusions can be inferred from data, machine learning incorporates additional questions about what computational architectures and algorithms can be used to most effectively capture, store, index, retrieve and merge these data, how multiple learning subtasks can be orchestrated in a larger system,and questions of computational tractability.’（计算机科学主是关注人类可以操作的计算机程序，而机器学习则关注计算机如何自己对自己的任务进行规划及操作。统计学主要着重于从数据中到底能归纳出什么结论，而机器学习则在此之上加上了到底可以建立什么样的计算结构及算法，从鞥而能够更有效的捕获、存储、标记索引、重新获得一级整合这些大数据，以此同时还要思考如何才能把众多的学习子任务放在一个更大的系统里像交响乐合奏那样统筹起来，说到底就是驯服计算机体系。）

AI让我们对机器学习兴趣倍增

在传统的计算科学领域里，研究人员总是先提出一个假设例如预测一个结果的假说，然后再用数据来进行验证。与之相反的是，机器学习则是通过大量的数据与算法来找出数据之间的关联，然后对已知的结果给研究人员一个可以预测的模型。这样的模型可以评价之前的表现，并运用这些表现及数据来指导未来的行动，增加成功的可能性。

机器学习与传统模式比较

常用的机器学习方法大致有两种，第一种是Supervised Approach监督式学习方法，通过给予系统数据及正确的结果来训练系统，不断地进行调整，于是系统形成算法及模式来判断数据生成新的数据及结果（例如系统识别给出的图画到底是猫还是狗）。第二种是Unsupervised Approach非监督式学习方法，事先并不给系统任何训练数据及结果，系统随机的对数据进行搜索，最终系统不断调整来实现其自身的算法目标（例如将各种从类数据归入不同的分组）。

监督学习与非监督学习方法

目前监督式学习方法是最主流的机器学习方法！

监督式学习 VS 费监督式学习

扫描二维码

获取医养精彩

关注作者