谷歌为什么对健康研究那么有兴趣？

对于医疗领域来说，机器学习方法并不陌生。近年来随着深度学习技术的发展，在医疗领域爆发出一系列崭新的应用，包括从复杂医学记录中预测有害的病症及其发病、提高基因测序的精度等。除了这些应用研究外，更重要的是需要理解如何将这些应用整合到医疗诊断的工作流程中去，一方面可以基于大数据的优势，实现更广的技术覆盖，另外一方面则有助于提高整个行业水平的精细度、专业度。

为了给机器学习和医学交叉领域的研究提供更多的经验，来自谷歌googleX的研究人员近日在《自然通讯Nature Communications》和《美国医学会内科学纪要JAMA Internal Medicine》杂志上发表了两篇相关文章，介绍了如何帮助机器学习实践者开发出更为适用于医疗健康领域的应用，同时也为医护人员提供更多的机器学习背景知识，以及如何利用机器学习工具提高工作效率。

如何为医疗行业开发有效的机器学习模型

对于开发者和机器学习研究人员来说，需要深入思考医疗行业的需求，从问题选择、数据收集和机器学习模型构建到验证和测评、部署和监控等方面都需要进行详尽的考量。

首先，需要识别出既具有重要的临床价值和需求，同时也能通过机器学习进行有效处理的问题。例如针对糖尿病性眼病来说，机器学习可以检测出相应的症状，减轻医生从早到晚盯着屏幕诊断的工作压力、缓解医务人员不足的窘境。

其次，需要仔细地制定数据策略以确保基准标签或参考标准的准确和可靠。高质量的数据标签对于医学应用十分重要，它关系着模型训练的成败和模型性能度量的准确性。所以数据的关键在于，机器学习开发者需要与临床专家紧密配合，保证在训练和测评过程中使用数据参考标准的精确性。

最后，在性能验证和工作流整合后，监管审批和连续的监控必不可少，需要对意料之外的错误或实际使用中的异常进行有效响应。

两个开发机器学习应用的例子，糖尿病眼病和乳腺癌筛查，包括构建数据、模型验证、部署、监控等方面。

更好的理解机器学习

对于医务人员来说，需要对于机器学习的概念和基础功能有更多的理解，除了更信任这些工具外，也需要充分了解他们的局限性——机器学习模型需要仔细地审视其超参数，是否与最终的测试结果独立地在训练中进行调优？

两个领域的交叉：机器学习和医疗在验证集上的模糊性。为了减少混淆，这里将机器学习上验证集称为“调参”集。

很多不合适的调参会导致模型的过拟合，导致在训练数据上有很好的的效果但是在新数据上则表现很差。

—THE END—