獨家｜人工智慧技術在醫學領域的應用與前景（附PPT）
［導讀］2017年6月20日，零氪科技首席架構師王曉哲，在清華大學“天池醫療AI大賽”第一季肺部結節智慧診斷 《醫學影像在腫瘤診療中的應用及智慧診斷探索》發表演講，演講主題為《輔助醫者 普惠患者：人工智慧技術在醫學領域的應用與前景》。
演講從全域整體背景上介紹了人工智慧技術與臨床醫學結合以後已經取得的成果，未來的發展前景和美好展望以及實際中碰到的一些核心挑戰。
一、人工智慧、機器學習、深度學習概念
什麼是“人工智慧”、“機器學習”、“深度學習”？這三個概念現在的媒體經常會混為一談，使大家一頭霧水。如果我們回到歷史裡追溯“人工智慧”整體發展軌跡，就會很清晰的得到這三個術語的原本概念。
1. 人工智慧概念
從40年代末到50年代初，
那時候，電腦的計算算力雖然比傳統人工有了很大提升，但依然很有限。在當時階段，實際上更多的是“人工”智慧，最好的產品叫做“專家系統”。它是由大量的專家手動編制一系列規則，形成知識庫，然後由符號推理形式，
這條路後來很快也難以為繼。由於機器是單純的接受方，不能主動做改變自己邏輯的事情，所有的事情必須由人類專家一條一條的以規則化的方式去做，非常僵硬。而它背後的基礎，謂詞邏輯又是一個非常剛性的框架，因此導致能表述的現實世界問題非常有限，更多的是一些玩具應用。符號學派的熱潮很快消退，到70年代幾乎無人提及。
2. 機器學習的概念
符號學派的失敗引出了新的想法，人們思考從另外一條路徑來做。從統計角度，可以把所有的現實問題都轉換成概率問題。因此，去尋找現實世界問題的解決方案就等價於尋找一個概率分佈。基於這樣的思路，於是有了初步的“機器學習”概念闡述。因此，80年代 “機器學習”術語開始出現。
當時更多的是從傳統的統計方法開始實踐，應用最多的是樸素貝葉斯方法。其典型的應用就是垃圾郵件過濾，這是到目前為止仍最為簡單有效的一種過濾方式。於是終於產出了能夠實用化的一些產品。
但是，我們發現單純從統計方法出發，可能會產生另外一些問題，因為統計模型一般都是基於具體問題設計的參數化模型，我們仍然需要去手工建模，而這些建模工作就是一個非常耗費精力的過程。
3. 深度學習的概念
從2010年起，神經網路的一個分支、即深層神經網路這一類模型，終於有人找到了能很好地訓練它的方法，實現自動去做特徵抽取、表達抽取的工作。從此，“深度學習”這個概念就開始火了。所謂“深度學習”僅僅是特指深層神經網路的一個應用。
二、機器學習的典型問題範疇
機器學習分為有監督學習、無監督學習和表徵學習。
1. 有監督學習
概念：樣本集裡面的問題，需要通過人或者其他的方式給出一個標準的答案，模型所做的事情就是以後碰到相似原始資料的時候，能夠儘量的貼近標準答案，越接近標準答案，模型評估效果越好。
分類：分類最終的目標變數是A、B、C這樣的離散集合裡具體一類。我們做肺部結節檢測，發現結節後，它到底是良性還是惡性？這是一個典型的二分類問題。
回歸：是指最後這個目標變數是一個連續變數。最簡單的回歸方法是線性回歸，表達力很有限。
案例：比如臨床上要分析血液裡面的載脂蛋白和低密脂膽固醇這兩個指標之間的關聯性，那麼就會套用一個回歸模型來建立這樣一個關係。
2. 無監督學習
概念：指標準答案不存在或者不易定義，我們希望通過一些更為高層、抽象的規則刻劃，讓機器自動去發掘原有資料中間的一些特別特徵或結構。
聚類：是把原始的資料、樣本，按照某種特徵分離成若干相似群體。根據基因測序結果或者根據生物晶片對於突變的分析結果，在分子分型和臨床表現角度，把患者按相似性進行劃分，分成一個個小的類別。這些不同的類別，分子分型和臨床表現上有很強的相似性，可以對這一類患者採取相似療法，以期獲得相似效果。
降維：是對於很複雜、很高維度、需要很多特徵來表達的資料空間，尋找其內在的冗餘性，然後把冗餘的部分去除，變成一個比較低維度、好處理的形式。
案例：癲癇患者往往需要做腦電波監控。腦電信號在頭部採集，頭部會貼兩三百個電極，每個電極收集的信號都是完全獨立的，都是一個時序特徵。所有信號全部採集在一起分析，未必能很好地預測癲癇患者的發病時間或症狀強弱的特性。因此需要尋找所有這些電極中的冗餘點在哪，是不是電極信號需要組合一下或者篩選出某些主導電極，更好地刻劃關聯性，更好地預測癲癇患者的發病情況？這是一個降維問題，要將原有兩三百個電極採集信號，轉換成只有十幾維的時序信號，這些信號與目標結果由最強關聯性的信號來做最後的模型。
3. 表徵學習
概念：表徵是指問題可以用不同形式來表述。有些表述形式很方便求解問題，而另一些表述形式不方便求解問題。
案例：分解質因數，如果用現有的數字體系，是一個非常難的問題，尤其是大數的分解。如果改變問題的表述方式，將數位的標記法更改，這個數字不再用固定底數冪加和的形式來表達，而是用一系列質數冪的乘積來表達，分解質因數就不是問題。因為原始標記法已經表達了最終要分解的形式。
表徵學習有很多應用，在非醫療領域，如機器翻譯、圖像識別這些問題，都經常使用表徵學習的方法，將圖像、文本或者聲音這些比較稀疏、高維度的信號，轉換成一個稠密、低維度的向量。基於這個向量，我們可以更好地去刻劃原有資料之間的相似性或內在結構，然後去更好地建模。
4. 總結
深度學習整套模型方法從根本上改變了原始問題、原始資料領域的表達形式，把原有紛繁複雜的資料結構轉換成一個更容易分類、更容易處理的資料形式，最後達到比較好的效果。
三、當前醫療領域深度學習應用熱點方向
當前宣傳的最火的就是深度學習。因為它的表徵處理能力，可以很好的把很多現實問題轉換成可以處理的形式。深度學習擅長處理的就是高維度、稀疏的信號。圖像就是這些信號中一種有代表性的形式。醫學影像處理應用很明顯必然是一個熱點方向。除了醫學影像處理以外，臨床裡邊還有很多其他問題域，比如時序信號處理、臨床資料的資訊提取等等，這些雖為很好的問題域，但都不及影像處理容易得到結果。
醫學影像處理典型的四大類問題是：影像分類、目標檢測、圖像分割和影像檢索等。都能對應到日常臨床應用裡的一些痛點的、比較浪費人力的問題。
四、前沿研究成果
以下分享臨床問題領域把握比較到位、得到的結果也比較好的一些論文。因為都是針對醫學影像資料，採取的建模方法都是類似的，基本上是基於CNN做各種模型變換，最後得到結果。
1. 基於乳腺鉬靶影像的病變檢測
乳腺鉬靶是常見的乳腺癌早期篩查方法，它的診斷難度其實不算大。如果有一個模型能夠有效地檢查鉬靶影像中間異常密度區域，就可以很好地降低人工篩查的工作量。在這篇文章裡，達到的結果接近人類專家的平均水準，這是一個非常了不起的結果。
2. 腦部核磁共振影像中的白質高信號灶分割
為什麼關注白質高信號灶？因為一旦核磁共振上面發現腦白質裡有異常信號表達的時候，很有可能說明，在未來的一段時間內患者容易發展出帕金森氏症，所以它是預測帕金森氏症的一個有力指標。這裡最重要的是怎麼能準確地分割出腦白質的高信號灶。這篇論文用的也是相對比較傳統的模型組合，最後得到的分割效果接近了人類專家的水準，也是一個不錯的結果。
3. 基於皮膚鏡照片的皮膚癌分類診斷
這是斯坦福做的之前引起較大影響的論文，結果已經達到了人類專家水準，甚至超過了大部分人類專家，接近了一些非常有經驗的專家。而它用的結構卻是非常傳統。
深度學習模型本身就是一種具有非常強表達力的模型，那麼我們再去構建很複雜的網路結構、增加很多參數的話，其實很可能會變成過擬合的狀態，反而無助於結果的一般化。所以，最重要的是我們如何能拿到足夠多的、有標注的、高品質的資料集。資料集的規模越大，資料品質越高，最後能達到的效果一定會越好。相比於機器學習領域中大家爭先恐後地去尋找新的網路結構、新的啟動函數、新的優化方法的趨勢，我們在臨床需求落地到具體場景時，更應該關注的是原始資料怎麼取得，怎麼能以比較低的成本拿到高品質的資料。因為只要解決了資料這一點，建模這一步上面，其實並不存在決定性門檻。
4. 基於數位病理切片的乳腺癌淋巴結轉移檢測
這一篇是Google Brain給出的，對高解析度的數位病理切片，基於Google Inception Net的網路結構去做特徵提取，最後進行分類，然後刻畫出來的乳腺癌細胞在組織上面的分佈情況。它的檢測效果達到了人類專家水準。且在與Google有合作的幾個醫院裡，用訓練集之外的真實資料去驗證的結果仍然相當不錯，這對於數字病理切片分割和性質的判斷是很有應用前景的。
5. 基於眼底照片的糖尿病性視網膜病變檢測
這篇是Google Brain的結果，仍然是以Inception Net為基礎的模型結構。本身眼底鏡影像相比於其他影像最麻煩的地方在於，眼底鏡之間的資料異構性太大，不同人拍攝出來的眼底鏡的曝光程度、偏心程度、視野範圍，都有很大的變異性。如何很好的在預處理階段盡可能的消除這些變異性影像，是它做的重要工作。最後達到的效果也是相當不錯，判斷視網膜病變嚴重程度的準確率和人類專家持平。
6. 胸片骨減影應用
通常來說，面向的資料集都是斷層掃描，因為斷層掃描能夠獲得盡可能多的資料。但是，斷層掃描單次檢查對於患者的輻射量很大，用X射線要反復去切患者身體，輻射量要比做一次X光胸透大得多。我們想，有些患者是不是可以從單次胸透這種以很低劑量接受的檢查的結果裡面，發掘出來盡可能多的資訊。胸透之所以提供信息量有限，是因為胸透是一個平面的疊加，把骨骼密度和人體裡面軟組織的密度分佈情況，都疊加在一起，很難看清楚細節，誰也不知道這一部分吸收的X射線，到底是因為哪個組織產生的。
我們看軟組織時，會希望把骨骼引起的影響給消減掉，也就是說把骨骼的影子去掉。怎麼去除骨骼影這個問題很早就有人思考。醫療影像儀器製造商想了一個很聰明的辦法，他考慮軟組織和骨骼對於不同能量的X射線吸收特性不一樣，那就先用低能量X射線拍一張，間隔很短時間後，再用高能量X射線拍一張，然後基於這兩張照片上面不同組織的吸收特性不一樣，做一個建模，然後利用數學方法把這個影減掉，這就是DES，也就是雙能量數位減影技術。它可以拍出幾乎看不到任何骨骼影子的軟組織照片，但是DES技術有一個先天技術缺陷，是兩次拍攝之間有一個間隔時間。
人是活著的，人體的組織在不停地蠕動，在間隔過程中，器官可能會變形，可能會移位，然後會造成DES技術拍出來的軟組織照片有很多偽影，這個偽影會誤導醫生。在這個文章裡面，它利用深度學習方法，基於單張傳統胸透照片剔除其中的骨骼痕跡，得到的結果比傳統DES攝影的軟組織細節效果更好，也沒有DES技術中產生的軟組織偽影，這一篇文章是很有啟發性的。
五、醫學資料處理方向、成果、挑戰
1. 醫學資料處理方向
一是臨床資訊的提取。包括我們如何去把傳統的非結構化文本病歷進行電子化、結構化，轉變成可分析、可處理的結構化資料。
二是掌握結構化資料。誰掌握了越多的可分析的結構化資料，誰就能做出越多的臨床科研成果，資料是最核心的價值。零氪科技開發了Fellow-X自動結構化引擎，可以讓95%以上通過HIS系統對接的電子病歷，自動轉化成可分析、可處理的結構化資料，極大的降低了結構化的工作量。還有剩下的只能靠人工部分，也設計了一個很好的雙錄入加QC的比對流程去處理那些很難處理的少量病歷。
2. 醫學資料處理成果
基於結構化病歷的資料，得到成果。其中包括肺部結節的檢測模型、重要併發症的風險預測。現在做的是中性粒細胞減少症、血紅蛋白減少症、血小板減少症這些的風險預測。它們是肺癌患者化療後很容易出現的一種惡性併發症，一旦出現嚴重的症狀可能會造成生命危險。如果應用了零氪科技的預測模型，可以提前預知患者出現嚴重併發症的風險如何，然後在化療前就給予適當處理，降低出現嚴重併發症的風險。
3. 醫學資料處理挑戰
主要有三大塊，一是優化目標的定義，也就是說問題本身的定義如何；二是可用資料，你能否拿到足夠多的可用資料；三是模型的可解釋性，如何處理對模型結果推理過程的置疑。
優化目標定義：之所以是一個問題，是因為臨床上面很多問題的定義是模棱兩可的，我們只能憑經驗、憑一些醫生的日常行為來粗略地去刻畫這個問題，很難拿到一個數學上非常精確的問題定義。但是一旦問題定義不精確，最後對問題建模後的結果必然不對。所以優化目標的精確定義是非常重要的。
可用資料：即可用資料、高品質的資料集的重要性。
模型因果性、可解釋性：這是與臨床結合做研究的時候一個獨有的問題。臨床是和人的生命息息相關的，所以做的任何一件事情都要有理有據，都要有因果推論的關係。但是，我們做機器學習模型時，很容易陷入到直接對相關性進行建模的這樣一個陷阱裡。相關性建模涉及的兩個因素未必有直接的因果關係，得出的這個模型，如何解釋它最後結果的意義，是一個很難處理的事情。這一點就橫亙在很多模型最後產品化、產業化的路上面，是一隻攔路虎。如果不解決可解釋性問題的話，就很難邁過這道門檻，把機器學習成果投入實際產業化。
更多精彩乾貨內容，敬請搜索關注清華-青島資料科學研究院官方公眾平臺“資料派THU”
我們仍然需要去手工建模，而這些建模工作就是一個非常耗費精力的過程。3. 深度學習的概念
從2010年起，神經網路的一個分支、即深層神經網路這一類模型，終於有人找到了能很好地訓練它的方法，實現自動去做特徵抽取、表達抽取的工作。從此，“深度學習”這個概念就開始火了。所謂“深度學習”僅僅是特指深層神經網路的一個應用。
二、機器學習的典型問題範疇
機器學習分為有監督學習、無監督學習和表徵學習。
1. 有監督學習
概念：樣本集裡面的問題，需要通過人或者其他的方式給出一個標準的答案，模型所做的事情就是以後碰到相似原始資料的時候，能夠儘量的貼近標準答案，越接近標準答案，模型評估效果越好。
分類：分類最終的目標變數是A、B、C這樣的離散集合裡具體一類。我們做肺部結節檢測，發現結節後，它到底是良性還是惡性？這是一個典型的二分類問題。
回歸：是指最後這個目標變數是一個連續變數。最簡單的回歸方法是線性回歸，表達力很有限。
案例：比如臨床上要分析血液裡面的載脂蛋白和低密脂膽固醇這兩個指標之間的關聯性，那麼就會套用一個回歸模型來建立這樣一個關係。
2. 無監督學習
概念：指標準答案不存在或者不易定義，我們希望通過一些更為高層、抽象的規則刻劃，讓機器自動去發掘原有資料中間的一些特別特徵或結構。
聚類：是把原始的資料、樣本，按照某種特徵分離成若干相似群體。根據基因測序結果或者根據生物晶片對於突變的分析結果，在分子分型和臨床表現角度，把患者按相似性進行劃分，分成一個個小的類別。這些不同的類別，分子分型和臨床表現上有很強的相似性，可以對這一類患者採取相似療法，以期獲得相似效果。
降維：是對於很複雜、很高維度、需要很多特徵來表達的資料空間，尋找其內在的冗餘性，然後把冗餘的部分去除，變成一個比較低維度、好處理的形式。
案例：癲癇患者往往需要做腦電波監控。腦電信號在頭部採集，頭部會貼兩三百個電極，每個電極收集的信號都是完全獨立的，都是一個時序特徵。所有信號全部採集在一起分析，未必能很好地預測癲癇患者的發病時間或症狀強弱的特性。因此需要尋找所有這些電極中的冗餘點在哪，是不是電極信號需要組合一下或者篩選出某些主導電極，更好地刻劃關聯性，更好地預測癲癇患者的發病情況？這是一個降維問題，要將原有兩三百個電極採集信號，轉換成只有十幾維的時序信號，這些信號與目標結果由最強關聯性的信號來做最後的模型。
3. 表徵學習
概念：表徵是指問題可以用不同形式來表述。有些表述形式很方便求解問題，而另一些表述形式不方便求解問題。
案例：分解質因數，如果用現有的數字體系，是一個非常難的問題，尤其是大數的分解。如果改變問題的表述方式，將數位的標記法更改，這個數字不再用固定底數冪加和的形式來表達，而是用一系列質數冪的乘積來表達，分解質因數就不是問題。因為原始標記法已經表達了最終要分解的形式。
表徵學習有很多應用，在非醫療領域，如機器翻譯、圖像識別這些問題，都經常使用表徵學習的方法，將圖像、文本或者聲音這些比較稀疏、高維度的信號，轉換成一個稠密、低維度的向量。基於這個向量，我們可以更好地去刻劃原有資料之間的相似性或內在結構，然後去更好地建模。
4. 總結
深度學習整套模型方法從根本上改變了原始問題、原始資料領域的表達形式，把原有紛繁複雜的資料結構轉換成一個更容易分類、更容易處理的資料形式，最後達到比較好的效果。
三、當前醫療領域深度學習應用熱點方向
當前宣傳的最火的就是深度學習。因為它的表徵處理能力，可以很好的把很多現實問題轉換成可以處理的形式。深度學習擅長處理的就是高維度、稀疏的信號。圖像就是這些信號中一種有代表性的形式。醫學影像處理應用很明顯必然是一個熱點方向。除了醫學影像處理以外，臨床裡邊還有很多其他問題域，比如時序信號處理、臨床資料的資訊提取等等，這些雖為很好的問題域，但都不及影像處理容易得到結果。
醫學影像處理典型的四大類問題是：影像分類、目標檢測、圖像分割和影像檢索等。都能對應到日常臨床應用裡的一些痛點的、比較浪費人力的問題。
四、前沿研究成果
以下分享臨床問題領域把握比較到位、得到的結果也比較好的一些論文。因為都是針對醫學影像資料，採取的建模方法都是類似的，基本上是基於CNN做各種模型變換，最後得到結果。
1. 基於乳腺鉬靶影像的病變檢測
乳腺鉬靶是常見的乳腺癌早期篩查方法，它的診斷難度其實不算大。如果有一個模型能夠有效地檢查鉬靶影像中間異常密度區域，就可以很好地降低人工篩查的工作量。在這篇文章裡，達到的結果接近人類專家的平均水準，這是一個非常了不起的結果。
2. 腦部核磁共振影像中的白質高信號灶分割
為什麼關注白質高信號灶？因為一旦核磁共振上面發現腦白質裡有異常信號表達的時候，很有可能說明，在未來的一段時間內患者容易發展出帕金森氏症，所以它是預測帕金森氏症的一個有力指標。這裡最重要的是怎麼能準確地分割出腦白質的高信號灶。這篇論文用的也是相對比較傳統的模型組合，最後得到的分割效果接近了人類專家的水準，也是一個不錯的結果。
3. 基於皮膚鏡照片的皮膚癌分類診斷
這是斯坦福做的之前引起較大影響的論文，結果已經達到了人類專家水準，甚至超過了大部分人類專家，接近了一些非常有經驗的專家。而它用的結構卻是非常傳統。
深度學習模型本身就是一種具有非常強表達力的模型，那麼我們再去構建很複雜的網路結構、增加很多參數的話，其實很可能會變成過擬合的狀態，反而無助於結果的一般化。所以，最重要的是我們如何能拿到足夠多的、有標注的、高品質的資料集。資料集的規模越大，資料品質越高，最後能達到的效果一定會越好。相比於機器學習領域中大家爭先恐後地去尋找新的網路結構、新的啟動函數、新的優化方法的趨勢，我們在臨床需求落地到具體場景時，更應該關注的是原始資料怎麼取得，怎麼能以比較低的成本拿到高品質的資料。因為只要解決了資料這一點，建模這一步上面，其實並不存在決定性門檻。
4. 基於數位病理切片的乳腺癌淋巴結轉移檢測
這一篇是Google Brain給出的，對高解析度的數位病理切片，基於Google Inception Net的網路結構去做特徵提取，最後進行分類，然後刻畫出來的乳腺癌細胞在組織上面的分佈情況。它的檢測效果達到了人類專家水準。且在與Google有合作的幾個醫院裡，用訓練集之外的真實資料去驗證的結果仍然相當不錯，這對於數字病理切片分割和性質的判斷是很有應用前景的。
5. 基於眼底照片的糖尿病性視網膜病變檢測
這篇是Google Brain的結果，仍然是以Inception Net為基礎的模型結構。本身眼底鏡影像相比於其他影像最麻煩的地方在於，眼底鏡之間的資料異構性太大，不同人拍攝出來的眼底鏡的曝光程度、偏心程度、視野範圍，都有很大的變異性。如何很好的在預處理階段盡可能的消除這些變異性影像，是它做的重要工作。最後達到的效果也是相當不錯，判斷視網膜病變嚴重程度的準確率和人類專家持平。
6. 胸片骨減影應用
通常來說，面向的資料集都是斷層掃描，因為斷層掃描能夠獲得盡可能多的資料。但是，斷層掃描單次檢查對於患者的輻射量很大，用X射線要反復去切患者身體，輻射量要比做一次X光胸透大得多。我們想，有些患者是不是可以從單次胸透這種以很低劑量接受的檢查的結果裡面，發掘出來盡可能多的資訊。胸透之所以提供信息量有限，是因為胸透是一個平面的疊加，把骨骼密度和人體裡面軟組織的密度分佈情況，都疊加在一起，很難看清楚細節，誰也不知道這一部分吸收的X射線，到底是因為哪個組織產生的。
我們看軟組織時，會希望把骨骼引起的影響給消減掉，也就是說把骨骼的影子去掉。怎麼去除骨骼影這個問題很早就有人思考。醫療影像儀器製造商想了一個很聰明的辦法，他考慮軟組織和骨骼對於不同能量的X射線吸收特性不一樣，那就先用低能量X射線拍一張，間隔很短時間後，再用高能量X射線拍一張，然後基於這兩張照片上面不同組織的吸收特性不一樣，做一個建模，然後利用數學方法把這個影減掉，這就是DES，也就是雙能量數位減影技術。它可以拍出幾乎看不到任何骨骼影子的軟組織照片，但是DES技術有一個先天技術缺陷，是兩次拍攝之間有一個間隔時間。
人是活著的，人體的組織在不停地蠕動，在間隔過程中，器官可能會變形，可能會移位，然後會造成DES技術拍出來的軟組織照片有很多偽影，這個偽影會誤導醫生。在這個文章裡面，它利用深度學習方法，基於單張傳統胸透照片剔除其中的骨骼痕跡，得到的結果比傳統DES攝影的軟組織細節效果更好，也沒有DES技術中產生的軟組織偽影，這一篇文章是很有啟發性的。
五、醫學資料處理方向、成果、挑戰
1. 醫學資料處理方向
一是臨床資訊的提取。包括我們如何去把傳統的非結構化文本病歷進行電子化、結構化，轉變成可分析、可處理的結構化資料。
二是掌握結構化資料。誰掌握了越多的可分析的結構化資料，誰就能做出越多的臨床科研成果，資料是最核心的價值。零氪科技開發了Fellow-X自動結構化引擎，可以讓95%以上通過HIS系統對接的電子病歷，自動轉化成可分析、可處理的結構化資料，極大的降低了結構化的工作量。還有剩下的只能靠人工部分，也設計了一個很好的雙錄入加QC的比對流程去處理那些很難處理的少量病歷。
2. 醫學資料處理成果
基於結構化病歷的資料，得到成果。其中包括肺部結節的檢測模型、重要併發症的風險預測。現在做的是中性粒細胞減少症、血紅蛋白減少症、血小板減少症這些的風險預測。它們是肺癌患者化療後很容易出現的一種惡性併發症，一旦出現嚴重的症狀可能會造成生命危險。如果應用了零氪科技的預測模型，可以提前預知患者出現嚴重併發症的風險如何，然後在化療前就給予適當處理，降低出現嚴重併發症的風險。
3. 醫學資料處理挑戰
主要有三大塊，一是優化目標的定義，也就是說問題本身的定義如何；二是可用資料，你能否拿到足夠多的可用資料；三是模型的可解釋性，如何處理對模型結果推理過程的置疑。
優化目標定義：之所以是一個問題，是因為臨床上面很多問題的定義是模棱兩可的，我們只能憑經驗、憑一些醫生的日常行為來粗略地去刻畫這個問題，很難拿到一個數學上非常精確的問題定義。但是一旦問題定義不精確，最後對問題建模後的結果必然不對。所以優化目標的精確定義是非常重要的。
可用資料：即可用資料、高品質的資料集的重要性。
模型因果性、可解釋性：這是與臨床結合做研究的時候一個獨有的問題。臨床是和人的生命息息相關的，所以做的任何一件事情都要有理有據，都要有因果推論的關係。但是，我們做機器學習模型時，很容易陷入到直接對相關性進行建模的這樣一個陷阱裡。相關性建模涉及的兩個因素未必有直接的因果關係，得出的這個模型，如何解釋它最後結果的意義，是一個很難處理的事情。這一點就橫亙在很多模型最後產品化、產業化的路上面，是一隻攔路虎。如果不解決可解釋性問題的話，就很難邁過這道門檻，把機器學習成果投入實際產業化。
更多精彩乾貨內容，敬請搜索關注清華-青島資料科學研究院官方公眾平臺“資料派THU”