想象一下你自己作为斯坦福的人工智能实验室的年轻研究生，建立一个系统来诊断一种常见的传染病。 经过多年的汗水和劳动，这一天来测试：与传统疾病的五名顶级人类专家的头对头比较。 你的系统缩小了对第一个专家的胜利，只赢了4％。 它轻轻地击败了第二，第三和第四个医生，而在第五个，它赢得了惊人的52％。
你相信这样的系统已经存在吗？ 你会相信它存在于1979年吗？
事实上，虽然我们被现代AI的梦幻应用所包围，特别是深度学习自驾车，Siri，AlphaGo，Google翻译，计算机视觉 - 几乎不存在对医学的影响。在顶级心脏病学杂志Circulation中，术语“深度学习”仅出现两次[2]。在新英格兰医学杂志，柳叶刀，BMJ或甚至JAMA中从未提及深度学习，其中MYCIN的工作发表于37年前。发生了什么？
过去在医学中使用赢咖4的努力有三个中心挑战：标签问题，部署问题和对调节的恐惧。在我们讨论这些之前，让我们快速看看今天的医学状态。
AI在卫生保健的道德情况
医学是关于生命和死亡。有这么高的赌注，人们可以问：我们真的应该在这里摇摆船吗？为什么不坚持使用现有的，成熟的临床级算法？
那么，考虑一下现状的几个例子：
医生用来规定你的祖父母血液稀释剂CHADS2-Vasc的分数只有67％的时间是准确的。它源于一个只包括25个中风的人群;在八个测试预测变量中，只有一个具有统计学意义[3]。
Google每年更新其搜索算法550次，但是ICD等救生设备仍然使用简单的阈值进行 - 如果心率超过X，SHOCK，并且随着时间的推移，它们的准确性越来越差。
虽然心脏病学家发明了一种猝死性心脏骤停的治疗方法，但我们目前的算法来识别需要治疗的人将会错过今年突然死亡的30万人中的25万人[4]。
医生不能理解生成的所有原始数据：“我知道的大多数初级保健医生，如果他们得到一个数据，他们就会退出，”Bob Wachter博士说，加州大学旧金山分校医学教授。
要明确，这些都不意味着医学研究人员做错了工作。现代医学是许多奇迹;它只是不均匀分布。计算机科学家可以在这里带来很多。使用像Apple's ResearchKit和Google Fit等工具，我们可以大规模收集健康数据;通过深入学习，我们可以将大量原始数据转化为洞察，帮助临床医生和患者采取实际行动。
为此，我们必须解决三个问题：一个是技术问题，一个是政治经济问题，一个是监管问题。好消息是，每个类别有新的发展，可以让AI成功之前失败。
问题＃1：医疗保健是一个标签沙漠和一次性学习的出现
现代赢咖4是数据饥饿。为了让您的Android手机上的语音识别准确，Google为大约10,000小时的注释语音训练一个深层神经网络。在计算机视觉中，ImageNet包含超过1,034,908个手写标注的图像。这些注释，称为标签，对于使诸如深度学习工作等技术至关重要。
在医学中，每个标签代表处于危险中的人类生命。
例如，在使用UCSF心脏病学的心律失常研究中，标记的例子来自访问医院的人员进行称为心脏复律的，对胸部的400焦耳电击复位心脏节律。这可能是一个可怕的经历，通过。这些患者中的许多人在整个手术期间都足够佩戴心率传感器（例如，Apple Watch），以期收集可能使下一代更美好的数据，但是我们知道我们永远不会得到一百万参与者，这是不合情理的问。
在我们可能比以前的标签少1000倍的情况下，AI可以正常工作吗？在这个方向已经有一些有前途的工作。首先，它是无监督的学习，激发了2006年至2009年深度学习的兴趣 - 即预训练和自动编码器，它可以在完全未标记的数据中找到结构。
最近，诸如半监督序列学习的混合技术已经确定，如果具有大量未标记的数据，则可以用较少的标记数据进行准确的预测。
最极端的设置是一次性学习，其中算法在被给定仅一个标签之后学习识别新的模式。例如，在Fei-Fei Li关于计算机视觉一次性学习的工作中，她将统计模型“分解”为在外观和位置上的单独的概率分布;可以类似的“因素”的医疗数据让我们更快地拯救生命？最近在贝叶斯方案学习方面的工作（多伦多，麻省理工学院，纽约大学）和深生成模型（DeepMind）的一步推广在这方面是有希望的。
这些技术中的许多技术的基础是大量未标记的数据可以替代标记的数据的想法。这是真正的进步吗？是!随着传感器的扩散，未标记的数据现在很便宜。一些医学研究已经使用了。
对于心电图，涉及构建一个苹果手表赢咖4平台，以显示心率，它从HealthKit收集了大约85亿未标记的数据点。然后，我们与UCSF健康eHeart项目合作收集医疗级标签[5]。在赢咖4平台内，用户与UCSF的研究人员共享数字生物标志物（如静息心率）。
USC的研究人员也在研究这个问题;使用深度计算表型，他们训练了一个神经网络嵌入EMR数据。美国睡眠呼吸暂停协会与IBM Watson合作开发了一个ResearchKit赢咖4平台，任何人都可以贡献他们的睡眠数据。
