编者按：本文来源36Kr，作者| 田煦阳，编辑| 傅博，原文见这里。

在生物角度上看毫无生气的计算机算法，于危急中挽救人们性命的那一天已经离我们不远了。

不过前提是医生和病人愿意接受和相信冰冷机器做出的决断。

近来，一组由吴恩达博士带领的斯坦福研究人员开发了一个新的机器学习模型，通过心电图来判断患者是否心律不齐，其效果甚至已经超过了人类专家。

这一可自动作出诊断的新方法对于日常医疗意义重大，帮助人们对甚至可能致死的心律不整症状做出更好的判断，防患于未然。此外，它还能够在医疗资源较为匮乏的区域提供良好的医护服务。

吴恩达博士的新成就，是机器学习正在开始颠覆医疗领域的最新标志。

近年来，科学家们已经发现了通过分析医疗图片，机器学习在治疗诸多疑难杂症中所发挥的宝贵价值，如乳腺癌、皮肤癌和眼科疾病。“看到人们能这么迅速地转变观念，接受深度学习在某些垂直医疗领域可以做出比专业医师更为准确的诊断的事实时，我感到相当欣慰。”

吴恩达在一封电子邮件中这样说道。此外他还补充到，看到研究人员已经开始开拓医疗AI在除了以心电图为代表的图像数据之外新领域的应用，也十分令人激动。

在今年三月从百度离职后，吴恩达博士已经回到了斯坦福来继续进行自己的学术研究。

斯坦福大学的研究团队训练了一个用来甄别心电图数据中各式各样不规则心跳的机器学习算法。部分心律不齐现象可以导致心脏骤停在内的诸多严重健康问题，但是这些信号通常难以捕捉，病人们不得不连续数周佩戴心电图监测器以确保安全。

重要而坑爹的一点是，由于心律不齐自身的特性，很多时候医术高超的医生也很难在良性和恶性心率不稳中做出判断。

研究团队和可携带心电图设备制造商iRhythm达成了合作，他们从患有各类心律不齐的病人身上收集了三万份长达30秒的心电图数据。

图：用来收集数据的便携心电图设备

为了评估算法的准确性，团队还请来了五位不同背景的心血管专家，让他们和AI对300份未经过检测的数据进行判断。科学家从中抽取了三位专家的结果作为参考。

深度学习包含了将大量数据填充到庞大复杂的模拟神经网络之中的过程，并不断修改优化参数直到岂能准确识别有问题的心电图信号。

该方法在识别复杂图片和音频的过程中已经发展得十分成熟，引领了表现优于人类的语音识别和图像识别产品的出现。这么来看，将深度学习技术转移到医疗图像的识别上，也显得再自然不过了。

身兼微软搜索部门主管、职业医师和机器学习专家三个身份的Eric Horvitz提到，来自MIT和密歇根大学（University of Michigan）的另外两个团队也在专攻利用机器学习诊断心律不齐这个难题上。

如果我们把目光放得更为长远，机器学习通过结合大量毫不相关的数据进行分析判断，来搜查各类疾病的蛛丝马迹也是充满想象力的一件事情。

用深度学习诊断心律不齐尚属于AI医疗领域较为简单的应用，如果我们把目光投到其他相对更为复杂的疾病上，我们将看到十分不同的光景；更重要的是，需要将更多的问题纳入考虑范围。

在上文提到的利用人工智能进行癌症诊断的项目时，带领团队的MIT教授Regina     Barzilay发现了制约医疗AI的重要问题所在——优秀的疾病数据的匮乏。

“你总是在焦躁地寻找信息，特别是数据，”她说道，“我是该用这种药还是另外一种？”“这是最好的疗法么”“疾病复发的概率是多少？”……

如果没有可靠的临床数据，你选择的诊断将只能停留在纯粹猜测的阶段。

图：斯坦福的研究人员正在开展对于算法的训练

不过不同于图像、语音识别这种相对轻松且更贴近生活的应用领域，在医疗健康这种可能生死攸关的应用层面，应用AI面对的一大挑战就是取得医生和患者的信任。

对于非AI领域的专家来说，这些算法很容易显得高深而晦涩；有时甚至带领项目前进的人工智能专家，都无法完全掌握算法的运行机制。而具体到深度学习上，其更是整个机器学习中都算得上模糊难懂的分支。

如何让医师和患者相信这些机制复杂的冰冷计算机能做出最有利于他们身体健康的判断，将是AI从业者所面临的的一大难题。

尽管如此，吴恩达依然坚信医疗领域的大革命即将带来。“我们面前还要好很多工作需要着手处理，来使得这些算法进入医疗系统的工作流程，”他说道，“但我坚信十年内，医疗行业将会更多地应用到AI，变得和今天十分不同。” 

文章链接：

Pranav Rajpurkar, et al, "Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks," arXiv:1707.01836

如若转载，请注明e科网。

如果你有好文章想发表or科研成果想展示推广，可以联系我们或免费注册拥有自己的主页