在AI目前的世俗野心纳入视野，学习机医疗保健应用似乎顶部在过去三年列表资金，并按。
自2013年初，IBM的沃森已经在医疗领域使用，并且赢得了惊人的系列游戏对与世界上最好的生活棋手后，谷歌DeepMind研究小组决定把自己的体重他们的技术的医疗机会，后面还有。
许多机器学习（ML）行业最炙手可热的年轻创业公司屈服于了他们努力的显著部分医疗保健，包括Nervanasys(最近被英特尔收购)Ayasdi(截至2016年2月16日共筹得94亿元)Sentient.ai（募集$ 144毫米为02/16）数字推理系统(截至2016年2月16日筹集了3600万美元)。
随着投资者和研究界所有的兴奋，我们在Emerj发现大多数机器学习的高管也很难穿上，其中机器学习是今天做医疗保健其标记的手指。我们已经写了这篇文章，不被可能的应用的完整目录，而是强调一些机器学习的当前和未来的用途，在医疗领域，相关链接到外部来源和相关Emerj采访。
当前机器学习护理领域的应用
下面的列表是不完整的，但提供了一些ML的医疗保健行业影响的有用停工的最用地。
诊断医学影像
计算机视觉一直是最显着的突破之一，由于机器学习和深入学习，这是对ML特别活跃的医疗应用。微软的InnerEyeinitiative(始于2010年)目前正在开发图像诊断工具，该团队已经发布了一些视频来解释他们的发展，包括这个关于图像分析机器学习的视频:
深度学习可能会起到诊断应用越来越重要的作用深学习变得更容易，并且作为多个数据源（包括丰富多样的医疗成像形式）成为AI诊断过程的一部分。
然而，深学习应用被称为是他们的解释能力有限。换句话说，一个训练有素的深度学习系统无法解释“如何”到达它的预测 - 即使他们是正确的。This kind of “black box problem” is all the more challenging in healthcare, where doctors won’t want to make life-and-death decisions without a firm understanding of how the machine arrived at it’s recommendation (even if those recommendations have proven to be correct in the past).
对于读者谁是不熟悉的深度学习，但希望知情的，简单的解释，我建议听我们的采访谷歌DeepMind的南多·德弗雷塔斯。
治疗质询和建议
诊断是一个非常复杂的过程，涉及 - 至少现在 - 众多因素（从患者的眼白的颜色，他们的早餐食品的一切），它的机器不能目前整理和有意义;然而，有一点疑问，一台机器可以帮助医生做出正确的考虑在诊断和治疗，只需作为科学知识的扩展帮助。
这就是Sloan Kettering纪念（MSK）肿瘤学部门在其最近与IBM沃森合作瞄准。MSK对癌症患者和使用了几十年的治疗数据令，并且它能够存在并具有独特的未来的癌症病例处理建议处理意见或选择医生 - 从什么在过去的工作最好拉。那种情报，增强工具，而难以卖进医院的喧嚣世界，已在初步使用至今。
放大/众包医疗数据采集
有重点上，以汇集从各种移动设备的数据能够更实时的健康数据汇总和有意义很大。苹果ResearchKit该公司的目标是通过允许用户访问交互式应用程序(其中一个应用程序将机器学习应用于面部识别)来评估他们的状态，从而在治疗帕金森病和阿斯伯格综合症时做到这一点;他们使用该应用程序将正在进行的进展数据输入到一个匿名池中，供未来研究使用。
IBM正在竭尽全力获取它所能获得的所有健康数据与美敦力公司合作为了实时了解糖尿病和胰岛素数据，以26亿美元收购医疗分析公司Truven Health。
尽管卫生保健数据如洪水般泛滥物联网，该行业似乎仍然如何使这些信息的意义，并做出实时变化处理进行试验。科学家和患者都可以乐观地认为，作为汇集消费者数据的这种趋势继续下去，研究人员将有攻坚克难的疾病和独特的情况下，更多的弹药。
药物发现
虽然许多医疗行业是一个法律及泥沼纵横交错的各种利益相关者的激励机制（医院的CEO，医生，护士，患者，保险公司等），药物发现脱颖而出，作为机器学习医疗保健一个相对简单的经济价值应用创造者。该应用还涉及一个比较明确的客户谁发生一般有财大气粗：制药公司。
IBM自己的健康方面的应用已经有了，因为它的早期药物发现举措。谷歌他也加入了药物研发的行列，加入了许多已经在机器学习的帮助下通过药物研发赚钱的公司。
我们已经覆盖药物发现和制药应用在Emerj更深入别处。我们的许多投资者的采访（包括我们的采访题目的“名医别想要改为”与Excel VM的史蒂夫Gullans）功能有关的创新药物发现VS许多其它医疗应用的速度相对乐观的前景（请参阅本文的结论，我们的医疗机器学习的“唯一障碍”列表）。
机器人手术
达芬奇机器人在机器人手术领域得到了广泛的关注，有些人认为这是有原因的。这种设备使外科医生能够操纵灵巧的机械臂，以便在较窄的空间(以及较少的震动)进行精细的手术，这是单靠人手所做不到的。这段视频展示了达芬奇机器人令人难以置信的灵巧:
虽然不是所有的机器人手术程序包括机器学习，有些系统使用计算机视觉（机器学习辅助）来识别距离，或特定的身体部位（如识别毛囊移植在头上，在的情况下，毛发移植手术）。此外，机器学习是在使用来自人控制器采取路线时以稳定的机器人肢体的运动和运动的情况。
（这一主题更明显的兴趣的读者可以从我们的全2000字的文章中获益机器人手术。）
未来应用
下面是其势头与今天的资金和研究重点帮助应用程序列表。
个性化医疗
如果你的孩子得到他们拔掉智齿，很可能他们会定几剂药Vicodin的。对于尿路感染（UTI），很可能他们会得到Bactrim。在希望-不太遥远的将来，少数病人将永远得到确切任何药物的剂量相同。事实上，如果我们有足够的了解病人的遗传学和历史，少数患者甚至可以在所有规定的同样的药。
个性化医疗的承诺是一个世界中，每个人的健康建议和疾病治疗是基于其病史，遗传谱系，过去的状况，饮食，压力水平，更有针对性。
While eventually this might apply to minor conditions (i.e. giving someone a slightly lesser dose of Bactrim for a UTI, or a completely unique variation of Bactrim formulated to avoid side effects for a person with a specific genetic profile), it is likely to make much of its initial impact in high-stakes situations (i.e. deciding whether or not to go into chemotherapy, based on a person’s age, gender, race, genetic makeup, and more). We cover data-related personal medicine issues in our article titled “其中医疗保健的大数据来自“。
自动处理或推荐
在美敦力公司和IBM（创建的糖尿病视频可见这里)，美敦力自己的Hooman Hakami说，在某种程度上，美敦力希望他们的胰岛素检测泵能够自主工作，监测血糖水平，并根据需要注射胰岛素，而不影响用户的日常生活。
这当然是自主治疗的更大画面的一个缩影。想象一下，一个机器，可以通过跟踪他们的血液，饮食，睡眠和压力数据调整止痛药或抗生素的病人的剂量。Instead of counting on distractible human beings to remember how many pills to take, a small kitchen table machine learning “agent” (think Amazon’s Alexa) might dole out the pills, monitor how many you take, and call a doctor if your condition seems dire or you haven’t followed its directions.
把这么大的权力在一个算法的“手”的法律约束是不平凡的，像医疗保健其他任何创新，任何一种自主的治疗很可能会经历很长的小径，以证明其可行性，安全性和优越性等处理方法。
提高性能（除了改良）
Orreco和IBM最近宣布伙伴关系，以提高运动成绩，以及IBM已与Under Armour的一个类似的合作在2016年一月虽然西药一直保持其主要侧重于治疗疾病的改善，有一个积极健康的预防和干预有很大的需求，以及的IoT装置的第一波（尤其是Fitbit）被向前推动这些应用程序。
可以想见，预防疾病或运动性能不会促进健康的应用程序的唯一应用。机器学习可以实现对作业工人跟踪性能或应力水平，以及为寻求在高危人群积极改善（而不仅仅是缓解症状或挫折后愈合）。
该伦理问题围绕“增强”人的生理和（特别是）脑力是激烈的，并有可能成为日益紧迫的未来15年的增强技术成为可行。
自主机器人手术
目前，像达芬奇机器人大多是灵巧的扩展，并且外科医生的训练能力。在未来，机器学习，可以使用到诸如达芬奇内的视觉数据和马达模式结合，以允许机器主手术。机最近发展到超出人的专业知识在某些种类的视觉艺术和绘画的能力模型：
如果一台机器可以通过训练来复制梵高或毕加索的传奇创造力，我们可以想象，有足够的训练，这样的机器可以“饮品”足够的髋关节置换手术，最终对任何人进行的过程中，比任何活医生团队。IEEE已经放在一起了一个有趣的在自主手术写了这是值得一读为那些有兴趣。
在医疗机器学习闭幕的思考
诊断，治疗和预防是基于对大量数据的部分都存在很大的问题，他们的进步表示无法估量的价值。这只是那种东西硅谷应该扑向了吧？当然有机会，但也有在医疗领域并不总是出现在其他领域唯一的障碍：
- Stakeholder-ship分散:当你购买丰田凯美瑞，这是一个交易是满足自己的需要。您可以从丰田买它，你喜欢它的好处了，你负责修复和维护。当医院新的机器学习医疗诊断设备上带来的，谁出钱呢？将病人支付在与这些设备的医院接受治疗的溢价？将医院支付费用，以更好地了解诊断工具吹嘘和吸引更多的病人？将保险以某种方式的成本？医生可能喜欢这样的装置，如果它提高诊断的准确性，但一些患者可能重新发送或不接受由机器正在接受治疗。同样，一些患者可能反弹更多的机器学习的诊断工具，但医生或护士在担心他们的工作可能会集会反对他们的广泛采用。如果这样一台机器犯了一个错误（可能是致命的），在什么时候会说，这是机床制造商的责任，在什么时候，我们会说这是医生的不正确地使用它的错吗？这是在医疗领域的利益相关者的晶格的只是冰山的一角，它的的原因很多创新和变革有时很难在医疗领域之一。
- 安全是紧：当你在Wendy 's买一顿饭或从GAP买一条牛仔裤时，你只需要给这些公司一叠现金或一张信用卡。当你接受诊断测试以确定治疗皮肤癌的最佳方法时，医疗服务提供者必须收集更多的敏感信息。HIPAA(1996年国会通过的健康保险可携性和责任法案)法律的存在，以及其他一些原因，是为了对任何病人医疗信息的传输实施联邦标准。如果你创建了一个应用程序来分享食物的图片，你将比创建一个通过血液测试来诊断疾病症状的应用程序少得多的联邦繁文缛节。跨医院、通过移动设备或其他数据库共享卫生数据意味着HIPAA遵从性面临许多独特的挑战。
- 医学是超过数学：医生不只是一种先进的“决策树”，接受数据的点和泵出最可能的诊断。医生正在评估的信息流，今天的机器要么是无法评估的或没有能力整合到一个“医生复制”机器人。Think about the look on a patient’s face, their gait and walk, what their family members say about their previous behavior (in addition to what they fill out themselves on an intake form), the smell of their breath, their level of nervousness (as expressed by body language and the subconscious), and the list goes on and on. The job of replacing an entire doctor – at least for general diagnosis and treatment – is unlikely. Innovators will have to find the chunks of these problems that they can actually solve, without biting off more than they can chew.
- 一个“黑盒子”不会做：机器学习和深度学习（不像stodgier AI方法，如专家系统），无法表达为什么他们获得的结果，他们做到了。在某些情况下，这并不重要。对于Facebook来说，它不是必需的确切地知道为什么ML方案确定你的脸你的脸在图像。如果它成功地标记你的图像中，那就够了一场胜利。在另一方面，病人谁被告知他/她必须接受化疗是不可能接受的答案，“机器学习算法这么说，根据以往的情况下，数据和你目前的状况。”这是一个原因，大多数医生不应该在他们的靴子大约在未来十年内被机器取代越来越抖。
上述挑战并不是停止创新的理由，我相信有一些临床医生希望世界上更多的数据科学家和计算机科学家能够致力于改善医疗保健和医学。
At least when it comes to machine learning, it’s likely that useful and widespread applications will develop first in narrow use-cases – for example, a machine learning healthcare application that detects the percentage growth or shrinkage of a tumor over time based on image data from dozens or hundreds of X-ray images from various angles.
同时该机在诊断情况学习有所帮助的“建议”，就需要在医生的判断，以便因素患者的具体情况。更窄的计算机视觉应用，而另一方面，可以轻松击败任何人类专家（假设模型有足够的培训）。
此外，美国联邦“红头文件”或HIPAA可能使医疗领域更多的是“巨人”的游戏，而不是一个“国宝”之一。这似乎也合情合理一些新的社会网络可以凭借其病毒式传播，营销和用户界面与青少年和击败了Snapchat和Facebook流行开来。
像Instagram一样，你可能只需要一打工程师和在正确的时间提出正确的想法;然而，十几个工程师——即使他们筹集了数千万美元——不太可能拥有必要的行业联系和法律理解，以便深入利益相关者的深层，从而成为事实上的医疗标准。这个迷宫可能比硅谷的任何一家小公司都需要更多的资源、人脉和专业知识，也比大多数风投公司需要更多的耐心。似乎正是因为这些原因，像IBM或美敦力这样的公司可能在医疗创新方面有明显的优势。
医疗相关机器学习访谈:
在Emerj，我们已经有幸采访的高管和研究人员从一些世界上最杰出的大学和最令人兴奋的公司。下面是我们的一些采访，涉及到ML和医疗保健的采样：
- 土特基因组学的CEO里德·罗宾逊 -关于精准医疗的对话
- 伊利诺伊州的丹·罗斯博士，成都大学学报 -解决通过自然语言处理世界棘手问题
- 多伦多的约书亚·本焦博士的大学 -神经Networds在医学和超越应用
标题图片来源：Healthable.org
