厉害了！机器学习的疾病诊断水平可远超顶级专家

随着大数据的深入应用，机器学习已经进入医疗领域。过去数年间，出现了诸多“机器”准确进行医学诊断的神奇例子。随着机器学习在医疗领域应用的不断加深，越来越多的机器学习改进医疗服务的例子渐次涌现。今天，和大家分享介绍两个利用机器学习改进医疗服务的新案例，一个发生于科技巨头公司，另一个发生于科技初创公司。

糖尿病视网膜病变早期筛查

谷歌公司研究人员研发出一种新型算法，可以对糖尿病视网膜病变进行早期筛查。糖尿病视网膜病是一种可以致盲的常见病症，据信大约1/3的糖尿病人都会深受其扰。这种病症是由于糖尿病导致眼部静脉血管受损所致，病人的视力会不断下降。早发现对于该疾病的有效治疗非常关键。

谷歌公司研究人员希望借助机器学习改善视网膜病变诊断的准确性和客观性，进而改善眼疾医治水平。他们给装有新型算法的筛查设备“饲喂”大量视网膜医学图片，以训练其对视网膜病变进行筛查确认的能力。该新算法的意义在于，它超越了传统的机器学习。以往主要是利用特别标记的医学影像对算法进行反复培训，告诉机器哪些是好的哪些是坏的，进而不断固化、不断提升“机器”的诊断能力。不过，谷歌公司设计的最新算法能够进行自主判断。

当谷歌公司研发的新算法接触掌握的医学图片超过12000张以后，机器的表现远胜过顶级专家，这表现在它不仅能准确确认病症，而且还能给疾病的严重程度评级。

目前，谷歌研究人员同印度亚拉文眼科医院合作，对该算法进行临床测试。不过目前测试结果尚不得儿知。

利用CT影像测算骨密度

以色列一家初创公司借助机器学习来给骨质疏松症病人提供帮助。研究人员利用CT影像，确认需要进行骨密度筛查的病人，从而及时发现可能出现病症的患者。

据估测，人过50岁以后，大约1/3的女性和1/5的男性会遭遇骨质疏松性骨折的折磨，其中髋骨折最为常见。骨折会对生活质量和寿命造成严重影响，上年纪的骨折患者中能成功康复的不到1/3。因此，骨质疏松性骨折对医疗体系构成了沉重负担，据估计在美国其每年导致的医疗开支高达180亿美元。

为了改进骨质疏松症的筛查诊断，以色列初创公司Zebra Medical Vision和Clalit研究院组成联合研究小组，致力于研发出一种新算法，通过审看为其他目的所拍的CT光片来测算病人骨密度。换句话说，病人们无需另做其他检查，就可以检测筛查骨质疏松症风险。

研究人员表示，“因为在医疗体系内很容易找到相关年龄组的已有CT光片，这是一种更高效的筛查手段，无需额外花费和额外时间，就能确认高风险病人。将利用这一工具获得的数据同研究院的人口统计学和医学数据相结合，对高骨折风险的预测就成为可能。这是一个综合利用机器分析能力和大数据技术改善公共卫生的完美案例。”

研究人员认为，随着人口老龄化趋势加重，以及医疗体系难以应对老龄人口不断增加的医疗需求，他们的解决方案将会变得更为重要。目前推出的服务允许病人免费上网传送若干张CT光片，研究团队还在设计可以让病人上传更广范围的医学影像片子的计划。

上述两个案例进一步证明了机器学习改进医疗服务的巨大潜力。其实，让机器学习在医疗服务中有效发挥作用，只需掌握足够多的医疗数据。大量的医疗数据既可以用于训练算法，又可以从中发现奥秘。充分有效利用病人数据将成为医疗行业下一步面临的巨大挑战，也难怪奥巴马总统将其比作美国的下一个登月计划。

原文来源：赫芬顿邮报

原文题目：How machine learning is supporting healthcare