吳恩達進(jìn)軍AI醫療領(lǐng)域：通過(guò)心電圖可判斷患者是否心律不齊

　　如果我們把目光放得更為長(cháng)遠，機器學(xué)習通過(guò)結合大量毫不相關(guān)的數據進(jìn)行分析判斷，來(lái)搜查各類(lèi)疾病的蛛絲馬跡也是充滿(mǎn)想象力的一件事情。

　　用深度學(xué)習診斷心律不齊尚屬于AI醫療領(lǐng)域較為簡(jiǎn)單的應用，如果把目光投到其他相對更為復雜的疾病上，我們將看到十分不同的光景。更重要的是，需要將更多的問(wèn)題納入考慮范圍。

　　優(yōu)質(zhì)的數據仍然是國外團隊的重要問(wèn)題

　　在上文中提到的利用人工智能進(jìn)行癌癥診斷的項目時(shí)，帶領(lǐng)團隊的MIT教授Regina Barzilay發(fā)現了制約醫療AI的重要問(wèn)題所在——優(yōu)秀的疾病數據的匱乏。

　　“你總是在焦躁地尋找信息，特別是數據。”她說(shuō)道，“我是該用這種藥還是另外一種?”“這是最好的療法么?”“疾病復發(fā)的概率是多少?”……

　　如果沒(méi)有可靠的臨床數據，你選擇的診斷將只能停留在純粹猜測的階段。

　　斯坦福的研究人員正在開(kāi)展對于算法的訓練

　　不過(guò)不同于圖像、語(yǔ)音識別這種相對輕松且更貼近生活的應用領(lǐng)域，在醫療健康這種可能生死攸關(guān)的應用層面，應用AI面對的一大挑戰就是取得醫生和患者的信任。

　　對于非AI領(lǐng)域的專(zhuān)家來(lái)說(shuō)，這些算法很容易顯得高深而晦澀。有時(shí)甚至帶領(lǐng)項目前進(jìn)的人工智能專(zhuān)家，都無(wú)法完全掌握算法的運行機制。而具體到深度學(xué)習上，其更是整個(gè)機器學(xué)習中都算得上模糊難懂的分支。

　　如何讓醫師和患者相信這些機制復雜的冰冷計算機能做出最有利于他們身體健康的判斷，將是AI從業(yè)者所面臨的的一大難題。

　　盡管如此，吳恩達依然堅信醫療領(lǐng)域的大革命即將帶來(lái)。

　　“我們面前還要好很多工作需要著(zhù)手處理，來(lái)使得這些算法進(jìn)入醫療系統的工作流程。”他說(shuō)道，“但我堅信十年內，醫療行業(yè)將會(huì )更多地應用到AI，變得和今天十分不同。”