能够识别心律失常的算法向我们展现了，人工智能是如何变革医疗的，但是患者必须用生命去信任这些机器。
从各种形式的心律不齐患者处使用便携式ECG设备来收集30,000条30s的剪辑。图片来源：MIT technology Review
也许很快，我们就会对算法拯救生命习以为常——只要医生愿意把更多的信任给予机器。
吴恩达（Andrew Ng）图片来源：speakerpedia
由来自斯坦福大学的客座教授吴恩达（Andrew Ng）领导的研究团队，展示了一个机器学习模型可以从一个心电图（ECG）鉴别心脏的心律失常，比专家更好。
吴恩达是全球人工智能领域的顶级科学家之一。此前，他在百度供职时，致力于帮助公司将深度学习应用于不同的商业问题。今年他从百度离职之后，关于他在人工智能领域会的新动向，一直备受业界的关注。
自动化的方法可以对潜在的致死的心律不齐做出更加可靠的诊断，这对于每日治疗来说是非常重要的。对于一些医疗资源匮乏的地区来说，这些自动化的途径可以直接提供能够保证质量的服务。
这项工作是机器学习如何变革医疗的最新迹象。在最近几年，研究人员展示了机器学习技术可以用于从医学影像中识别所有类型的疾病，包括例如乳腺癌、皮肤癌以及眼部疾病。
“深度学习在垂直选择方面可以做出优于医生的诊断，人们可以多么迅速的接受这一点让我们深感鼓舞，”吴恩达在一封email中表示，“让人鼓舞的是我们看到研究人员已经超越了成像寻求其他形式的数据，例如ECG。”
斯坦福团队训练深度学习算法来鉴别ECG数据中不同类型的心律不齐。一些心律不齐可以导致严重的健康问题包括心脏猝死，但是信号很难被发现，因此患者经常被要求佩戴ECG传感器数周。甚至于对于医生来说想要区分一些心律不齐是良性的还是需要治疗的，也是一件非常有难度的事情。
研究人员训练深度学习算法，从ECG数据中来鉴定不同类型的心律不齐。图片来源：MIT technology Review
研究人员与便携式ECG设备供应商iRhythm合作。他们从不同类的心律不齐患者身上收集了30,000条30s片段。为了评估他们算法的精度，团队针对300条未诊断的剪辑，将算法的表现与5位不同的心脏病专家进行比较。他们用一个由3位心脏病专家组成的小组提供基准判断。
深度学习首先将大量的数据转化为大型模拟神经网络，然后对其中的参数进行微调直到它能够准确的识别有问题的ECG信号。该方法被证明擅长识别图像和音频中的复杂特征，并且它能够引领图像识别和声音识别系统的开发，优于人类自身。
Eric Horvitz是微软研究部的总经理和医学博士，还是关于机器学习的专家，他说其他两个来自于麻省理工大学和密歇根大学的团队，也在将机器学习应用于心律不齐的检测。
展望未来，虽然，机器学习具有找到疾病线索的潜能，但是要通过整合大量的不同的数据来进行。
一个关键的挑战是说服医生和患者信任算法，这些算法如此复杂他们是难以理解的。深度学习是一种特别不透明的机器学习形式，寻求一种方法使其更加可以解释，对于建立信任和优化治疗将是非常重要的。
尽管如此，吴恩达对革命即将到来毫不怀疑。他说，“我们还会勇往直前将这些算法带入健康-医疗系统工作流中。我觉得健康医疗从现在起10年将要使用更多的人工智能，并且会与我们现在的非常不同。”
转载自:智医疗网