在這篇文章中，Jeff Dean 等人工智能大牛描繪了一幅機器學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用藍(lán)圖。

先來看兩個場景：

場景 1：

一名 49 歲的病人注意到肩膀上起了皮疹，因為不覺得疼痛，所以也沒有尋求治療。幾個月之后，他的妻子讓他去看醫(yī)生，醫(yī)生診斷出他患了脂溢性角化癥。后來，當(dāng)該患者在做腸鏡篩查時，護(hù)士注意到他的肩膀上有黑色斑點，于是建議他去檢查一下。又過了一個月，這位患者去看皮膚科醫(yī)生，醫(yī)生從病變的地方取了一些活檢樣本。結(jié)果顯示這是一種非癌性色素沉淀病變。醫(yī)生還是很擔(dān)心，建議二次檢測活檢樣本，最終診斷出了侵襲性黑色素瘤。之后，腫瘤科醫(yī)生用全身化療的方法治療這位患者。一位醫(yī)生朋友問病人為什么不接受免疫治療。

場景 2：

一名 49 歲的病人用手機 app 拍了一張肩膀上皮疹的照片，app 建議他立即預(yù)約皮膚科醫(yī)生。他的保險公司自動批準(zhǔn)直接轉(zhuǎn)診，app 幫他在兩天內(nèi)預(yù)約了附近一名經(jīng)驗豐富的皮膚科醫(yī)生，該預(yù)約和患者的個人行程自動交叉核對過了。皮膚科醫(yī)生對病變處進(jìn)行了活檢，病理學(xué)家在計算機輔助下診斷出 Ⅰ 期黑色素瘤，然后皮膚科醫(yī)生進(jìn)行了摘除手術(shù)。

對比場景 1 和場景 2，我們可以發(fā)現(xiàn)，在同樣的一個病例中，場景 2 的醫(yī)療流程實現(xiàn)了以下優(yōu)化：1）患者可以直接用手機拍攝病變照片，由 app 進(jìn)行初級診斷，系統(tǒng)可以根據(jù) app 提供的建議合理分配醫(yī)療資源；2）皮膚科醫(yī)生和病理學(xué)家實現(xiàn)了有效的協(xié)作，相當(dāng)于讓一位普通病人也得到了專家會診，提高了診斷和治療方法的準(zhǔn)確性。這就是 Jeff Dean 等人為我們描繪的機器學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用藍(lán)圖。

如果重癥監(jiān)護(hù)人員或社區(qū)醫(yī)療人員每做出一個醫(yī)療決定，立刻就會有相關(guān)領(lǐng)域的專家組成的團(tuán)隊對這條決定進(jìn)行審查，判斷這條決定是否正確并對其進(jìn)行指導(dǎo)，那會是什么樣呢？最新診斷出沒有并發(fā)癥的高血壓患者將會接受現(xiàn)有最有效也最對癥的治療，而不是診斷者最熟悉的治療方法。這樣可以很大程度上消除用藥過量和處方錯誤的問題?；加猩衩厍液币娂膊〉幕颊呖梢灾苯佑上嚓P(guān)領(lǐng)域的知名專家會診。

這樣的系統(tǒng)似乎離我們很遠(yuǎn)。因為沒有足夠的專家可以配合這樣的系統(tǒng)。就算有，對專家們來說，不僅要花很長時間了解患者的病史，而且與隱私相關(guān)的問題可能也會成為阻礙。但這就是用于醫(yī)療領(lǐng)域的機器學(xué)習(xí)的前景——幾乎所有臨床醫(yī)生所做的診斷決定以及數(shù)十億患者的診斷結(jié)果組成的智慧結(jié)晶應(yīng)該為每一位患者的醫(yī)療護(hù)理提供指導(dǎo)。也就是說，應(yīng)該根據(jù)患者所有已知的實時信息和集體經(jīng)驗得出個性化的診斷、管理決策以及治療方案。

這種框架強調(diào)機器學(xué)習(xí)不僅是像新藥或者新的醫(yī)療器械這樣全新的工具，而是一種基礎(chǔ)技術(shù)，這種技術(shù)可以高效處理超出人類大腦負(fù)荷的數(shù)據(jù)。這種巨大的信息存儲涉及到龐大的臨床數(shù)據(jù)庫，甚至單個患者的數(shù)據(jù)。

50 年前的一篇專題文章指出，計算將「強化，在有些情況下可以很大程度上取代醫(yī)生的智慧」。但到 2019 年初，由機器學(xué)習(xí)驅(qū)動的醫(yī)療保健幾乎還沒有取得什么進(jìn)展。我們在此不再贅述之前報道過的無數(shù)通過測試的概念驗證模型（回顧性數(shù)據(jù)），而是要說一些醫(yī)療健康領(lǐng)域的核心結(jié)構(gòu)變化及范式轉(zhuǎn)變，這對于實現(xiàn)機器學(xué)習(xí)在醫(yī)療領(lǐng)域的前景來說是必需的。

機器學(xué)習(xí)解釋

傳統(tǒng)上講，軟件工程師通過清晰的計算機代碼形式提取知識，從而指導(dǎo)計算機如何處理數(shù)據(jù)并做出正確的決策。例如，如果病人血壓升高，而且沒有接受抗高血壓藥物的治療，那正確編程的計算機可以提出治療建議。這類基于規(guī)則的系統(tǒng)具有邏輯性和可解釋性，但正如 1987 年的一篇文章中所說，醫(yī)療領(lǐng)域「太過廣泛也太過復(fù)雜，因此難以（如果可能的話）在規(guī)則中捕獲相關(guān)信息」。

傳統(tǒng)方法和機器學(xué)習(xí)之間的關(guān)鍵區(qū)別在于，在機器學(xué)習(xí)中，模型是從樣本中學(xué)習(xí)而不是按規(guī)則編程的。對于給定任務(wù)，樣本給定輸入（特征）和輸出（標(biāo)簽）。例如，將病理學(xué)家讀取的數(shù)字化切片轉(zhuǎn)換為特征（切片像素）和標(biāo)簽（上面的信息表明切片是否包含指示癌變的證據(jù)）。用算法從觀測值中學(xué)習(xí)，然后計算機決定如何從特征映射到標(biāo)簽，從而創(chuàng)建泛化模型，這樣就可以在未曾見過的輸入上正確執(zhí)行新任務(wù)（例如，從未被人讀取過的病理學(xué)切片）。圖 1 總結(jié)了這一過程，這就是所謂的有監(jiān)督的機器學(xué)習(xí)。還有其他形式的機器學(xué)習(xí)。表 1 列出了用于臨床的案例，這些模型的輸入輸出映射基本上都是基于同行評審研究或現(xiàn)有機器學(xué)習(xí)的擴(kuò)展。

圖 1：有監(jiān)督機器學(xué)習(xí)的概念性概述

表 1：推動機器學(xué)習(xí)應(yīng)用的輸入數(shù)據(jù)和輸出數(shù)據(jù)類型示例。

在實際應(yīng)用中，預(yù)測準(zhǔn)確性至關(guān)重要，模型在數(shù)百萬特征和樣例中找出統(tǒng)計模式的能力絕對可以超過人類的表現(xiàn)。但這些模式不一定適應(yīng)基本的生物學(xué)鑒定方式，也不一定能識別支持新療法的開發(fā)過程中可修改的危險因素。

機器學(xué)習(xí)模型和傳統(tǒng)的統(tǒng)計模型之間并非涇渭分明，最近有一篇文章總結(jié)了這兩者之間的關(guān)系。但復(fù)雜的新型機器學(xué)習(xí)模型（比如「深度學(xué)習(xí)」（一種利用人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)算法，它可以學(xué)習(xí)到特征和標(biāo)簽之間極其復(fù)雜的關(guān)系，在諸如圖像分類等任務(wù)上的表現(xiàn)已經(jīng)超越了人類））很適合學(xué)習(xí)現(xiàn)代臨床病例中產(chǎn)生的復(fù)雜、異構(gòu)數(shù)據(jù)（比如醫(yī)生寫的醫(yī)療記錄、醫(yī)學(xué)圖像、來自傳感器的連續(xù)監(jiān)控數(shù)據(jù)以及基因組數(shù)據(jù)），從而做出醫(yī)學(xué)相關(guān)的預(yù)測。表 2 提供了簡單和復(fù)雜的機器學(xué)習(xí)模型分別適用于什么樣的情況。

表 2：決定要用哪種模型時要問的關(guān)鍵問題。

人類學(xué)習(xí)和機器學(xué)習(xí)之間的關(guān)鍵區(qū)別在于人類可以從少量數(shù)據(jù)中得到普適且復(fù)雜的關(guān)系。例如，小孩不用看太多樣本就能區(qū)分獵豹和貓。在學(xué)習(xí)相同任務(wù)的情況下，和人相比機器需要更多的樣本，而且機器不具備常識。但從另一個角度上講，機器可以從大量數(shù)據(jù)中學(xué)習(xí)。用數(shù)千萬患者存儲在 EHR（Electronic Health Records，電子健康記錄）中的數(shù)據(jù)來訓(xùn)練機器學(xué)習(xí)模型是完全可行的，這些數(shù)千億的數(shù)據(jù)點完全沒有任何重點，而人類醫(yī)生在整個職業(yè)生涯中都很難接診數(shù)萬名患者。

機器學(xué)習(xí)對臨床醫(yī)生的工作有何幫助

預(yù)后

機器學(xué)習(xí)模型可以學(xué)習(xí)患者的健康軌跡模式。它可以得到超出醫(yī)生個體經(jīng)驗的信息，幫助醫(yī)生以專家水平預(yù)測出未來可能發(fā)生的事件。例如，患者重返工作崗位的概率有多大？疾病發(fā)展的速度會有多快？相同類型的預(yù)測可以在眾多患者中可靠地識別出將出現(xiàn)高危情況或可能頻繁需要醫(yī)療護(hù)理的患者，這些信息可以作為附加信息幫助醫(yī)生。

大型綜合衛(wèi)生系統(tǒng)已經(jīng)在用簡單的機器學(xué)習(xí)模型了，它可以自動識別可能需要轉(zhuǎn)移到重癥監(jiān)護(hù)室的住院患者，回溯性研究表明，可以用 EHR 和醫(yī)學(xué)圖像中的原始數(shù)據(jù)建立更復(fù)雜也更準(zhǔn)確的預(yù)后模型。

構(gòu)建機器學(xué)習(xí)系統(tǒng)需要用患者的縱向整合數(shù)據(jù)進(jìn)行訓(xùn)練。只有當(dāng)訓(xùn)練模型的數(shù)據(jù)集中包含結(jié)果時，模型才能學(xué)習(xí)到患者的情況。但數(shù)據(jù)現(xiàn)在都是獨立存儲在 EHR 系統(tǒng)、醫(yī)學(xué)影像存檔和交互系統(tǒng)、付款人、PBM（Pharmacy Benefits Managers，藥品福利管理）甚至患者手機上的應(yīng)用中的。自然的解決方案是將數(shù)據(jù)系統(tǒng)交到患者自己手中，這也是我們長期以來一直倡導(dǎo)的解決方案，現(xiàn)在這一想法也已經(jīng)通過快速采用患者控制的應(yīng)用程序編程接口得以實現(xiàn)。

像 FHIR（Fast Healthcare Interoperability Resources，快速醫(yī)療互操作性資源）這樣將數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一格式可以更有效地聚合數(shù)據(jù)?；颊呖梢詻Q定哪些人可以用他們的數(shù)據(jù)來構(gòu)建或運行模型。盡管有人擔(dān)心技術(shù)的互操作性無法解決 EHR 數(shù)據(jù)中普遍存在的語義標(biāo)準(zhǔn)化問題，但 HTML（Hypertext Markup Language，超文本標(biāo)記語言）可以索引 Web 數(shù)據(jù)，還可以用在搜索引擎上。

診斷

每一位患者都是獨一無二的，但最好的醫(yī)生可以在正常范圍內(nèi)確定患者特有的微弱信號或異常值?？梢杂脵C器學(xué)習(xí)檢測出的統(tǒng)計模式幫助醫(yī)生識別診斷不到的病癥嗎？

醫(yī)學(xué)研究所的結(jié)論是，幾乎每一位患者在他（她）的一生中都會遇到一次誤診，而正確的診斷是采用合適治療方法的基礎(chǔ)。這個問題不止在一些罕見的病癥中會出現(xiàn)。在發(fā)展中國家，即便有充足的治療手段、檢查時間和培訓(xùn)充分的醫(yī)護(hù)人員，也無法檢查出急性胸痛、肺結(jié)核、痢疾以及分娩期間的并發(fā)癥。

常規(guī)醫(yī)療護(hù)理期間收集到的數(shù)據(jù)表明，可以在臨床診斷中用機器學(xué)習(xí)來判斷可能的診斷，這樣可以提高對以后可能出現(xiàn)的情況的認(rèn)識。但這樣的方法有局限性。生疏的臨床醫(yī)生可能無法正確提取模型必需的信息，因而無法讓模型變得有意義。模型得到的結(jié)果可能建立在臨時或錯誤的診斷之上，可能建立在不能證明是病癥的不良反應(yīng)條件之上（從而造成過度診斷），可能受計費的影響，或者可能根本沒有記錄。但模型會根據(jù)這些實時收集的數(shù)據(jù)給醫(yī)生提出建議，這些建議在誤診率很高和臨床醫(yī)生不確定的情況中是很有用的。在臨床上正確的診斷和 EHR 中或報銷索賠中的記錄的不一致意味著臨床醫(yī)生應(yīng)該從一開始就參與到產(chǎn)生數(shù)據(jù)的過程中來，這些數(shù)據(jù)會作為常規(guī)護(hù)理的一部分，而且之后還會用于自動診斷過程。

訓(xùn)練成功的模型可以回溯識別各種圖像類型的異常（表 1）。但將機器學(xué)習(xí)模型作為臨床醫(yī)生常規(guī)工作一部分的回溯試驗的數(shù)量非常有限。

治療

在數(shù)萬名醫(yī)生要治療數(shù)千萬患者的大型醫(yī)療系統(tǒng)中，患者在什么時候為什么就診以及情況相似的患者應(yīng)該如何治療都是有差異的。模型是否可以對這些差異進(jìn)行分類，從而幫助醫(yī)生確定首選治療途徑？

一個比較簡單的應(yīng)用是比較定點照護(hù)（point of care）的處方和模型得到的處方，可以將差異標(biāo)記出來后再次核查（例如，其他臨床醫(yī)生傾向于使用可以反映新方法的替代療法）?；跉v史數(shù)據(jù)訓(xùn)練的模型只能學(xué)習(xí)醫(yī)生的處方習(xí)慣，但這并不一定是理想做法。為了了解療效最好的藥物和治療方法，需要精心收集數(shù)據(jù)并評估因果效應(yīng)，而機器學(xué)習(xí)模型則不一定能（有時候也不能用給定的數(shù)據(jù)集）識別這些效應(yīng)。

根據(jù)觀察數(shù)據(jù)比較療效研究和實用性實驗的傳統(tǒng)方法也提供了重要看法。但近期使用機器學(xué)習(xí)方法的試驗表明，和專家一起生成人工篩查過的數(shù)據(jù)集、更新模型以納入新發(fā)表的數(shù)據(jù)、根據(jù)不同領(lǐng)域的處方進(jìn)行調(diào)整以及從 EHR 中自動提取相關(guān)變量都是很大的挑戰(zhàn)。

還可以用機器學(xué)習(xí)自動選擇患者，根據(jù)臨床記錄，這些患者可能適合進(jìn)行隨機對照試驗；或者可以用機器學(xué)習(xí)自動識別可能用早期研究或新療法治愈的高風(fēng)險患者或亞群。這些工具促使醫(yī)療健康系統(tǒng)研究每一種臨床情況，可以在降低成本和管理費用的同時進(jìn)行更嚴(yán)格的研究。

臨床工作流程

EHR 的引入提高了數(shù)據(jù)的可用性。但這些系統(tǒng)也因費用過高、管理文檔的復(fù)選框過多、用戶界面不夠友好、輸入數(shù)據(jù)花費的時間過長以及產(chǎn)生新的醫(yī)療錯誤等讓臨床醫(yī)生們灰頭土臉。

也可以將機器學(xué)習(xí)技術(shù)用在其他消費產(chǎn)品中以提高臨床醫(yī)生們的效率。驅(qū)動搜索引擎的機器學(xué)習(xí)可以在無需臨床醫(yī)生多次點擊的情況下找出患者數(shù)據(jù)的相關(guān)信息。用機器學(xué)習(xí)技術(shù)（如預(yù)測類型、語音聽寫和自動摘要等）可以大大改進(jìn)表格和文本數(shù)據(jù)的輸入。根據(jù)患者表格中的信息自動授權(quán)支付的模型可以取代提前授權(quán)。使用這些工具不僅僅只是為了方便醫(yī)生。無障礙地查看和輸入臨床上的有效數(shù)據(jù)對捕獲和記錄醫(yī)療健康數(shù)據(jù)來說至關(guān)重要，這反過來也可以在機器學(xué)習(xí)的輔助下為每一位患者提供最好的醫(yī)療護(hù)理幫助。最重要的是，這種做法提高了效率、簡化了記錄，而且改進(jìn)了自動化臨床工作流程，這樣臨床醫(yī)生就可以把更多的時間花在患者身上。

在 EHR 系統(tǒng)之外，機器學(xué)習(xí)技術(shù)也可以用于外科手術(shù)的實時視頻分析，可以幫助外科醫(yī)生避免在關(guān)鍵結(jié)構(gòu)解剖時出現(xiàn)問題或者患者身體有意料之外的改變，甚至可以處理更普通的任務(wù)——比如準(zhǔn)確計算手術(shù)海綿的數(shù)量。檢查清單（checklist）可以避免手術(shù)錯誤，還可以自動監(jiān)控手術(shù)過程，提高手術(shù)的安全性。

在臨床醫(yī)生的個人生活中，他們可能在自己的智能手機上用到了所有這些技術(shù)的變體。盡管有將這些技術(shù)應(yīng)用于醫(yī)學(xué)背景的概念驗證的研究，但主要的障礙不是模型的開發(fā)，而是技術(shù)的基礎(chǔ)設(shè)施——EHR 之上的法律、隱私和政策框架、衛(wèi)生系統(tǒng)以及技術(shù)供應(yīng)商。

擴(kuò)大臨床專業(yè)知識的可用性

醫(yī)生不可能照料到所有需要治療的患者。機器學(xué)習(xí)是否可以在不需要醫(yī)生親自參與的情況下，擴(kuò)大醫(yī)生診治范圍、提供專家級醫(yī)療評估呢？例如，剛剛發(fā)皮疹的患者可能只要用手機發(fā)送一張照片就可以獲得診斷，從而避免掛不必要的急診。本身要去急診室就診的患者可能在自動診斷系統(tǒng)就能獲得診斷，并在適當(dāng)?shù)臅r候以另一種形式進(jìn)行護(hù)理。當(dāng)患者確實需要專業(yè)幫助時，模型也可以識別出專業(yè)最相關(guān)且處于空閑狀態(tài)的醫(yī)生。同樣，為了提高舒適度并降低成本，如果機器可以遠(yuǎn)程監(jiān)控病人的傳感器數(shù)據(jù)，本身需要住院治療的病人就可以在家里接受護(hù)理了。

世界上有一些地區(qū)，直接學(xué)習(xí)醫(yī)學(xué)專業(yè)知識的渠道有限，而且非常復(fù)雜，因而將機器學(xué)習(xí)的真知灼見直接傳遞給病人變得越來越重要。即便是在那些專家醫(yī)生充足的區(qū)域，這些醫(yī)生擔(dān)心他們的能力和努力無法及時且準(zhǔn)確地解釋那些浪潮一般的數(shù)據(jù)，這些數(shù)據(jù)一般是從患者穿戴的傳感器或活動追蹤設(shè)備中得到的，并且由患者自己驅(qū)動。事實上，用數(shù)百萬患者的數(shù)據(jù)訓(xùn)練得到的機器學(xué)習(xí)模型可以幫助專業(yè)醫(yī)護(hù)人士做出更好的決策。例如，護(hù)士可以承擔(dān)通常由醫(yī)生完成的醫(yī)療工作，初級護(hù)理醫(yī)生則可以承擔(dān)通常由醫(yī)療專家完成的工作，而醫(yī)療專家則可以將更多的時間投入到非常需要他們專業(yè)知識的病人身上。

不涉及機器學(xué)習(xí)的移動應(yīng)用或網(wǎng)絡(luò)服務(wù)已被證明可以改善藥物的依賴性，還可以控制各種慢性病。但正式的回顧性和前瞻性評估方法阻礙了患者直接應(yīng)用機器學(xué)習(xí)。

主要挑戰(zhàn)

高質(zhì)量數(shù)據(jù)的可用性

構(gòu)建機器學(xué)習(xí)模型的核心挑戰(zhàn)在于組裝具有代表性的多樣化數(shù)據(jù)集。理想做法是在使用過程中利用最接近期望數(shù)據(jù)準(zhǔn)確格式和質(zhì)量的數(shù)據(jù)來訓(xùn)練模型。例如，對于打算用在即時護(hù)理中的模型而言，最好使用 EHR 在特定情況下所用的同一數(shù)據(jù)，即便已知這些數(shù)據(jù)不可靠或這些數(shù)據(jù)受到了不必要變化的影響。當(dāng)數(shù)據(jù)集足夠大時，現(xiàn)代模型可以成功被訓(xùn)練，以將嘈雜輸入映射到嘈雜輸出。使用人工篩查數(shù)據(jù)（比如那些在臨床試驗中從人工病例審查得到的數(shù)據(jù)）得到的更小數(shù)據(jù)集就不太理想，除非希望醫(yī)生根據(jù)原始實驗規(guī)范手動提取變量。這種做法對某些變量來說或許可行，但對于做出最準(zhǔn)確預(yù)測所必需的、EHR 中數(shù)十萬的數(shù)據(jù)而言就太不可行了。

俗話說「垃圾進(jìn)，垃圾出」（garbage in, garbage out），那么我們?nèi)绾螀f(xié)調(diào)噪聲數(shù)據(jù)集來訓(xùn)練模型呢？要學(xué)習(xí)大多數(shù)復(fù)雜的統(tǒng)計模式最好還是有大數(shù)據(jù)集（哪怕是噪聲數(shù)據(jù)），以便對模型進(jìn)行微調(diào)和評估，但具有人工篩查標(biāo)簽的更小樣例集還是有必要的。當(dāng)原始數(shù)據(jù)可能標(biāo)記錯誤時，這種樣例集可以就模型對預(yù)期標(biāo)簽的預(yù)測做出正確的評估。對成像模型來說，這通常需要生成由每張圖片的多個評分器判定的「ground truth」標(biāo)簽（即由一位絕對可靠的專家指定給一個樣例的診斷或發(fā)現(xiàn)），但對非成像任務(wù)來說，如果沒能獲得必要的診斷測試，那可能也無法獲得「ground truth」標(biāo)簽。

一般情況下，訓(xùn)練數(shù)據(jù)越多機器學(xué)習(xí)模型表現(xiàn)得越好。因此，對于機器學(xué)習(xí)的使用而言，一個關(guān)鍵的問題是在利用大且多樣化數(shù)據(jù)集以提高機器學(xué)習(xí)模型準(zhǔn)確率的同時，需要平衡隱私問題和監(jiān)管要求。

從過去的失敗經(jīng)驗中學(xué)習(xí)

人類的所有活動都會被意料之外的偏差破壞。機器學(xué)習(xí)系統(tǒng)的構(gòu)建者和使用者需要仔細(xì)考慮偏差如何影響用于訓(xùn)練模型的數(shù)據(jù)，并采取措施解決和監(jiān)控這些偏差。

機器學(xué)習(xí)的優(yōu)勢（也是劣勢之一）在于模型可以識別到人類無法找到的歷史數(shù)據(jù)模式。醫(yī)療實踐的歷史數(shù)據(jù)表明，人們能得到的系統(tǒng)性醫(yī)療護(hù)理是存在差異的，一般為弱勢群體提供的醫(yī)療護(hù)理較其他群體更差一些。在美國，歷史數(shù)據(jù)反映了一種支付系統(tǒng)，該系統(tǒng)會獎勵使用不必要護(hù)理和服務(wù)的人，這樣可能會錯過那些本該卻并未得到護(hù)理的病人（比如沒有保險的患者）。

監(jiān)管、監(jiān)督和安全使用的專業(yè)知識

衛(wèi)生系統(tǒng)已經(jīng)建立了可以確保將藥物安全傳遞到患者手上的復(fù)雜機制。機器學(xué)習(xí)的廣泛適用性也需要同樣復(fù)雜的監(jiān)管結(jié)構(gòu)、法律框架以及當(dāng)?shù)貙嵺`以確保系統(tǒng)的安全開發(fā)、使用和監(jiān)管。此外，技術(shù)公司必須要提供可擴(kuò)展的計算平臺來處理大量數(shù)據(jù)和模型使用的問題，但到現(xiàn)在他們也不清楚自己的定位。

重要的是，使用機器學(xué)習(xí)系統(tǒng)的醫(yī)生和病人都需要理解其局限性，包括模型并不能泛化到特定場景。做決策或分析圖像時過度依賴機器學(xué)習(xí)模型可能會導(dǎo)致自動化偏差，而醫(yī)生可能已經(jīng)降低其對這些偏差的警惕。如果模型的可解釋性不夠強，醫(yī)生可能意識不到模型給出了錯誤的建議，這時尤其會出現(xiàn)問題。在模型預(yù)測中表現(xiàn)出置信區(qū)間可能有所幫助，但置信區(qū)間本身或許被錯誤解釋。因此，需要對使用中的模型進(jìn)行前瞻性的、真實的臨床評估，而不只是根據(jù)歷史數(shù)據(jù)集對模型性能做回顧性評估。

需要特別考慮直接針對患者的機器學(xué)習(xí)應(yīng)用?；颊呖赡軣o法驗證模型構(gòu)建者所說的話是否得到高質(zhì)量臨床證據(jù)的證實，也無法驗證模型建議的行為是否合理。

研究結(jié)果的出版與傳播

構(gòu)建模型的跨學(xué)科團(tuán)隊可能會在臨床醫(yī)生不熟悉的場所匯報結(jié)果。稿件通常會在 arXiv 和 bioRxiv 這樣的預(yù)印本服務(wù)網(wǎng)站上發(fā)布，許多模型的源代碼則會在 GitHub 庫這樣的地方保存。此外，許多同行評審的計算機科學(xué)稿件也并不會發(fā)布在傳統(tǒng)期刊上，而會發(fā)表在 NeurIPS（神經(jīng)信息處理系統(tǒng)大會）和 ICML（國際機器學(xué)習(xí)大會）這樣的會議上。

結(jié)論

大量衛(wèi)生保健數(shù)據(jù)的加速創(chuàng)建將從根本上改變醫(yī)療保健的性質(zhì)。我們堅信，醫(yī)患關(guān)系將成為為患者提供醫(yī)療服務(wù)的基石，而這種關(guān)系會因機器學(xué)習(xí)的輔助而變得豐富。我們期望在未來幾年會出現(xiàn)一些早期模型和同行評審的刊物，它們的出現(xiàn)以及監(jiān)管框架和基于價值醫(yī)療的經(jīng)濟(jì)激勵的發(fā)展，都會成為對醫(yī)療領(lǐng)域應(yīng)用機器學(xué)習(xí)保持樂觀態(tài)度的理由。我們期望在不遠(yuǎn)的未來，數(shù)百萬臨床醫(yī)生在護(hù)理數(shù)十億患者時，可以在機器學(xué)習(xí)模型的幫助下根據(jù)所有醫(yī)學(xué)相關(guān)數(shù)據(jù)做出決策，從而為所有患者提供最好的護(hù)理方案。