{科研}机器真的“知道”我们是否生病？

2017年2月20日/Bio Valley bion/-最近，来自美国的研究人员宣布，他们开发了一种新的算法(计算机工具)，可以通过分析照片来识别皮肤癌。与肉眼判断相比，这种新方法可以扫描一块皮肤，发现皮肤癌的常见危险形式。研究人员说，这种方法可以帮助合格的皮肤科医生区分两种形式的皮肤癌:角质细胞癌和恶性黑色素瘤。

皮肤癌的诊断工具基于强大的机器学习，可以从图像中提取信息。医学诊断工具的准确性和可靠性的关键因素是使用该工具的研究人员进行的大量数据培训。研究人员说，他们分析了129，450张皮肤图像，并对每张图像进行标记，以确定皮肤图像中是否有癌变区域。这种新工具可以自动有效地区分和识别皮肤图像。

同时，这个新工具还可以对简单的手持相机拍摄的照片进行分析，比如我们手机里的照片，这意味着全科医生甚至患者可以对某一块皮肤进行拍照，判断拍摄区域的皮肤是否会癌变。

但是，可能需要后来的研究者进一步探索、研究和测试，才能将这项研究转化为临床产品，用于实际诊断。

机器也可以像人类一样通过经验学习

机器学习其实是一个很简单的想法。科学家们不会告诉计算机如何解决问题，而是给机器一系列的例子来学习如何自己解决问题。比如把猫的图片和很多狗的图片区分开来就比较简单，这是一个蹒跚学步的孩子可以做到的。然而，没有人能写下一堆指令，让计算机准确地处理它们。各种图片包含各种姿势的毛茸茸的动物，两组图片作为电脑区分的依据没有明显区别。

机器学习可以通过避免人类制定决策规则来解决问题。相反，通过机器学习的方法，我们可以标记各种案例，系统可以自己区分。解释医学数据的很多问题都存在于机器学习可以理解的范围内。当然，识别癌变皮肤组织的问题类似于区分狗和猫的图片。一旦每个类别的案例被提供并被正确标记，机器学习系统就可以学习如何有效地区分它们。

机器学习的工作原理有点类似于大脑的工作模式

在最近发表的一份研究报告中，研究人员认为，机器学习系统可能是基于神经网络开发的，特别是它非常适合图像处理。神经网络是机器学习的一种形式，它基于大脑的松散结构，由大规模、多层的简单处理单元组成。神经网络的变化在20世纪80年代开始蔓延，但科学家们并没有达到他们的预期。机器学习和神经网络的复制依赖于研究人员对大量数据的存储和整理，计算机也具有强大的数据处理能力。

计算机图形技术的发展主要是为了电脑游戏。同时也催生了很多软件，一秒钟可以分析处理上千张图片。为了达到合理的效果，往往需要计算机处理几百万张图片几个星期，可能需要调整10亿以上的因子。然而，计算机图形技术可以成功实现这一目标。

[/s2/]在做出某些类型的决策时，计算机优于人类

在做出医疗等决策时，人类在进行高层分析时往往具有一定的优势。这时候他们可能需要一定的背景知识来回答一些关于图片内容的问题(比如这个女生高吗？还是她穿的是红色t恤？)需要人类感兴趣的对象类型的相关背景知识。当决策只需要信息的时候，往往就在于信号本身，这个时候机器学习就会以小优势胜出。第一个著名的例子是识别图像中的路标，这通常被认为是吸引人类视觉系统的注意力。而机器学习的方法在准确性和可靠性上往往优于人类，相关研究成果重复了多种类型的信号，从讲座到病历，现在到皮肤病变的图像。

机器学习方法的价值不仅在于它的准确率远高于人类，还在于它便宜，还可以帮助研究人员做出更加一致的诊断。研究人员认为，通过结合各种因素，可以促进全科医生办公室、医院等机构基于医疗设备的机器学习能力的发展。同时，这一新系统还可以为研究人员提供即时的信息访问，帮助医生更快地对信息做出反应，这可能会大大改善临床上患者的诊断、治疗和预后，同时减少患者不必要的医疗费用。