标签：
现状：在美國，医疗系統近年來最关注的是成本、效率、和政策(比如ObamaCare) 問題。智能的话题大都在边缘领域造声势，至今并未全面和直接改变大医院系统的操作运行。但是今年的RSNA(北美放射年会)的开门主题是智能化。所以这个话題还会执续升温。但是请记住：任何智能系統必須与”降成本，提效率，順政策“挂上钩，才能有希望达到快速的成功。
人工智能在近几年很多行业应用中有了很大的突破， 同以往相比，突破的基础来源于对于大数据的成功应用。在医疗领域，由于医疗大数据的不断发展，也积攒下相当多的数据，例如医疗文献、研究报告数据，临床数据，基因数据。
由于数据规模及质量有待提升，人工智能在健康医疗起到的作用还非常小，算法的水平还非常原始，医疗的智能话基本还没有实现。甚至可以认为，现在的智能医疗，还属于非常早期。现在关注点还处在数据采集、存储、检索，而不是在学习、建模和基于数据的预测，还没有实现统计意义上的个性化。
在生活当中，我们还没有太多感受到智能医疗给我们带来的变化。 一方面，数据的积累是个过程，在医学方面，数据共享有隐私和法律的问题，医疗机构中实际使用的IT系统在医学数据标准的广泛采用上仍然需要时间， 医疗数据的数量很大，特别是电子数据和基因组数据，数据质量以及对于医学数据的标注也需要大量的工作。 另外，多数技术还处于实验室阶段，技术的成熟在多数领域还需要投入更多的研发，甚至这方面的研究还没有开展。
目前一个大问题是缺乏大量的高质量数据。数据质量是一个很大问题，医院采用的电子病历系统没有使用同样的数据标准。而主要的问题还不是在数据上，进入数据库之后，到实现人工智能这一步在目前的医疗系统中还没有看到。人工智能所能实现的功能还非常弱。
功能弱的主要原因有两点。第一，数据采集和存储方式和人工智能算法无法实现对接；第二，即便采用统一标准，没有规范和管理的数据录入也会带来了很多的噪声。
处理完病例，发现挖掘不出非常显著的特征。后来找医学生看也说根据病历记录没有办法得到诊断结论。
机器学习算法本身的开发和创新还不够，最大的一个挑战是数据科学家与临床的结合。
究其根源，至少有两个原因：一个是政策性医保报销(reimbursement)使这个领域过早商业化、短视化、功利化；第二个更根本的原因是智能算法(计算机视觉和模式识别)并未达到足够成熟的程度。
今天，深度学习是最热的话题。但是人们好像忘记了即使深度学习也会犯错和过拟合(overfitting).。
噪音不是主要问题，数据库操作对噪音很敏感，好的机器学习算法对噪音是有抵抗力的。噪音是有影响，在现有数据的质量下，包括电子数据和基因组，噪音不是主要问题。
因为医生是会出错的。很多疾病的理解，现在都非常不到位。
而在这几方面 :
基于机器学习的大数据分析，多媒体信号处理帮助医疗技术有很大发展。
比如，一张组织学切片或者X光照片，噪音度是很低的。但是，困难在于解释图片和理解图片中的致病因素。 医疗领域是一个非常复杂的领域，进入的门槛很高，有这个私密性的问题，还有很多历史性包袱，也难怪数据科学家进不来。因此，诊断比治疗的机会大些。
突破点将产生在对医疗数据的大规模分析和对疾病的更深度理解。
医疗影像技术有很大的发展。IBM的研究团队有一个项目叫“医疗筛”， 就是帮助放射科医生对各种断层图像（CT，核磁等）做自动的分析。利用影像组学：结构影像，功能影像，分子影像，基因病例的肺癌影像诊断等。但是数据以及数据标注仍然是医疗影像方面需要解决的问题。
未来五年，人工智能在各方面都会有突破，不只是影像，特别是基于对电子医疗数据的预测的高维模型的建立。 对于大量医疗病例的理解和消化。
另外，基因在医疗健康方面的作用很重要。基因的应用在两个主要方面，第一，健康管理和精准预测、预防和干预。干预可以主要应该是非基因层面。第二，精准治疗和康复。其实，更应该说是生命大数据（包括基因）在健康和医疗中的作用。结合医疗文献的文本分析技术，也会帮助个性化医疗。IBM Watson Health正在这一领域大造声势，招兵买店，压大注全力一搏。是否会达到商业成功，还说不定。但至少会带来某些局部领域的革命。在未来五年，基因技术用于个性化医疗或被被广泛使用，特别是癌症的资料。
但是在医疗健康方面基因的作用不唯一，甚至不一定是主要的，包括诊断和治疗。毕竟是大部分疾病并不是遗传病。没有基因在不同情况下的运行结果，基因检测本身有很多局限性。比如，对于微生物、病毒、无机毒、机械伤害甚至环境因子导致的疾病，基因在里面的作用并不显著，或者是没有。即使在基因组学内，单纯使用致病基因做单点和多点预测找突变，效果是不够的，会有很高的漏检率。需要做遗传学和病理学的疾病模型。目前的测序公司还基本没有这方面的能力。
所以一个真正的全面的解决方案，需要结合电子医疗数据、移动设备数据、医院数据、基因组学数据，做综合性的高维预测和建模。
基因在医疗诊断和治病的作用其实是被夸大了，大部分的病包括癌症并不像镰刀贫血症那样，有一两个致病突变，比如乳腺癌，BRCA基因的突变只占了病人中的不到30%。至于其他癌症，已知突变基因所占的解释率更低。没有必要夸大基因的作用，但基因是一套预设的生命程序。三十年前，吃不饱肚子，没什么糖尿病；同一套基因，三十年后，糖尿病加糖尿病前期在成年人中就25%了。所以了解基因图谱只是puzzel中的一部分。
影像是一方面，更重要的是电子医疗数据，包括病例、流程、体征数据、实验室数据、生命数据的理解。一个好的系统会对这些数据做综合建模。肺癌影像软件诊断的准确可以达到>80%。
利用穿戴式设备帮助病人康复、慢病管理以及老人照看等方面会有很多的应用。
IBM成立了Watson Health事业部，有很多的动作。IBM watson系统只是一个品牌，系统内部的模块、算法、正确率、漏判率、误判率很少有公开报道。所以它的真正效果还有待观察。
以谷歌为领头的”分布式智能”将来可以与IBM Watson Health的”集中式智能”好有一拼; 正如当初PC打败了中央机。但是健康医疗知识的积累是有永久效益的，并不隨技术进步而过時。所以这一戰谁胜誰负，不好判断。可能最后会共生。
CMU机器学习和健康中心的重点正是包括了在结合电子医疗数据、移动设备数据、医院数据、基因组学数据，做综合性的高维预测和建模，已经进一步的基础研究和软件开发工作。
在医疗中，基于专家构建的医学知识规则库或比基于深度学习的大数据方法更有效
现有的先进的影像软件可以超过基层医院放射科
关于智慧医疗的发展路径：
人工智能系统的作用和医生的能力应该结合使用，而不是排他。因为对常见病的理解，往往我们是不清楚的。如代谢类疾病。而且医生的认知也是不一致的。它更大的期待是降低成本、提供效率，然后在医生的把关下达到或超过医生的精度。人工智能的强处在于消化大数据和结合多元的诊断治疗计划，还有个性化，就像把几个医生集中在一起做综合诊断。 如果能够利用智能诊断，大幅度提升诊断效率和正确率，将有很大的社会意义。
但很多罕见病，一旦病因被了解，会很容易诊断。Watson 几年前的演示是Lyme disease, 症狀是靶型紅斑。不常見，但是很独特的症狀。个性化有很多方面，例如病人的过敏史，当前用药情况等， 机器辅助医生在这方面会很有效。感觉现在过多的讨论是集中在愿景上，而不是方法论和评测。因此期待很高，公众关注度很高，但是技术水平和储备还没有跟上。
理想情况下应该是系统做初筛和推荐，医生做最后把关，开出方案。利用医疗数据分析，辅助边远地区医生的医疗诊断，在中国或会有很大市场。
这里面最大的难点一个是数据特征的抽取，数据的规范化和后端建立和训练模型。
健康管理比医疗的机会大多了。在老龄化驱动下，健康管理会是一个蓝海。 健康管理还包括母婴。
找到市场需求是关键。有医院的积极介入和配合也是一个关键。有数据的没法兑现，会兑现的不通数据。还有数据不全，只有医院数据做精准医疗远远不够，更不要谈精准健康。算法和云端的部署以及隐私保护也是关键。
创业一定要了解医院、政策、法律＜尤其在發達國家＞。也需要了解灰色政治。政策，科技，资金是医疗创新成功的关键。政府、还有其他利益团队。比如AMA，保险公司。
在健康管理相关的Sensor设备也是一个很好的市场，建立数据云平台进行集中的数据管理分析，提供日常监护。
问题：医学影像的病灶检测算法，往往会有很多的误报，而这些误报对于人来说多数是简单的，因为人好像更擅长基础视觉规则和专业知识的迁移（比如解剖结构，某个东西是否有纹理穿过等）。利用机器学习做对抗这些的话，标注成本和算法工作量都比较大，请问有没有什么好的思路？
国际机器学习大会主席Eric：目前基于深度学习的医疗图像理解使用的架构是直接从普通图片的认知移植的
问题：关键还有数据的质量。做大数据最怕的是 garbage in garbage out
Eric: 没有医疗知识的介入，没有针对性
苏中: 病人病历数据受到隐私和法律法规方面的保护，很难开放
周翔：机器与人犯的错误是不一样的。不要指望机器完全代替医生。两者结合是近期的目标。
Eric: 开发者其实自己都不懂病理和病理图像的细节。因此，开发的模型没有针对性。医生对于特征设计的指导和模型设计的直接参与是关键。不能迷信深度学习，作为黑匣子那样的作用
周翔:@Eric?我们的开发者非常懂啊!
苏中: 在国内，医疗信息化在大城市基本都已实现，但是数据标准是个大问题
问题：感觉医疗大数据和机器学习还没连起来，那做为机器学习的研究生，我们可以做些什么方面的问题研究？ 国际机器学习大会主席Eric：就医疗大数据而言先掌握多种机器学习算法，作为技术储备和平台，然后对医疗数据比如自然语言、图像、基因组的具体内容和涵义有较深的理解然后设计针对性的模型和算法
问题：如果有机会获得近乎无限的数据，目前能最快获得突破的医疗判断领域是哪个方向？
王笛：从病人入手。他们的需求很清楚。
Eric:感觉目前的开发者，甚至研究者对于机器学习核心技术掌握还相当微弱
Frank 吴文辉:关于BAT及移动医疗/智慧医疗发展方向的思考：
移动医疗的三个阶段：
移动医疗1.0，解决医疗的可接触性问题，目前绝大多数移动医疗企业在做
移动医疗2.0，解决医疗质量提升，通过患者参与，大数据人工智能
移动医疗3.0，在质量保障的前提下，解决整体成本下降
追求医生及病人流量App模式已行不通了，简单的追求大数据也不是美国移动医疗发展的主流，在大数据上开发具有人工智能的软件是发展方向，因此移动医疗的2.0一定要具备人工智能，提升医疗质量，成为智慧医疗，才有商业模式。从而理解基因和疾病本身。
问题：听各位讨论给我一个感觉是关于疾病诊断或病因的查找的机器学习算法都是归纳类的算法，既然归纳类算法不擅长推理，那么有没有推理类算法呢？如果没有，是怎么克服的呢？
苏中:@雷鸣 百度创客 医学图像方面或会是最容易有突破的方向
Eric: 同时又不愿意花时间去学医疗方面的内容，两边都不够深入
王俊: 基因数据会最终人手一份。关键是测试不同基因数据在不同环境条件下的运行结果，从而理解基因和疾病本身。
问题：目前在用CRF模型进行医疗文本信息抽取，请问这个在医院有没有什么应用场景？
苏中: IBM在澳洲的研究团队利用图像技术在皮肤癌诊断方面有很多的进展
Eric: 仅仅基因组是不够的，蛋白组、代谢组也很重要，因为他代表了生物基体的状态，更有预测功能
王俊: 蛋白、代谢就是我说的运行结果，有些是中间结果。
Eric: CRF可以认为是一个单层的所谓“深度”模型，是个不错的起点
问题：@ 王俊，您好，您提到健康管理可能会先做起来，碳元智能以前的信息及您今天的表述是不是意味着您和团队主要做人工智能的的算法引擎，对于数据的采集会采取什么样的方式，谢谢
王俊: 多组学的数据收集和AI引擎是主要方面，还有建平台运营数据。
问题：请问是否可以通过算法来学习每个人的健康行为，来进行预测，智能穿戴设备可以让有慢性病的人随时监测自己的身体参数(甲亢病人的心跳；心脏病人的血压；等等)。稍有发病苗头或先兆，及时进行调整和治疗。预测式智能系统可以预测病人周边环境的变化，比如气温、花粉、或者污染等等，来指引肺病病人远离或应对不良环境因素
王俊：基因数据的商业价值在于给用户提供更好的应用方案。只测个基因远远不够。
问题：各位专家晚上好，智能医疗对精度要求应该很高，我们在精密控制这一块的技术发展怎么样？
硬件是一方面。手术机器人今度已经很高了，而且还在不断提高。软件方面，不要追求完美，因为医生应该和软件一起工作。只要软件和医生所犯错误不是重叠的，系统总体的效益就是正的。在可预见的未来不要幻想代替医生，原因至少有三个：
第一，人工智能即使比人类专家更准确，它还是会出错，而且所出的错误跟医生常出的错误并不相同。所以搭配起来最好。
第二，计算机长于”计算智能”, 或者甚至可以学到一定程度的”认知智能＂，但是会在”感知智能”上较弱. 比如有经验的医生听一个老人诉说病情，他会感觉到老人好像”精神有些恍惚”. 或者某个病人可能在”回避话題”、或者”话中有话”. 这些感性智能是机器很难学会的。却正是医生训练的一个重要部分。
第三，那种”人与人之交流”、”人情味”(the human touch and connection) 是医生病人关系的一个非常重要的部分，其糖丸效应(placebo effect)本身就有削减病痛之效
问题：关于医疗机器人
医疗机器人是个大的话题， 不光包括辅助手术的机器人， 在一些领域，例如微机器人，可以装在胶囊里面的做检查和手术的设备，会有很大的发展前景
标签：
原文地址：http://www.cnblogs.com/XBlack/p/5022634.html
