机构名称：
¥ 1.0
机器学习 (ML) 是常用术语，涵盖一系列计算机应用，例如基于 ML 的临床决策支持、基于深度学习 (DL) 的计算机视觉和自然语言处理 (NLP)。本质上，计算机使用人类创建的算法来分析数据中的模式，并通过从自己的错误中学习来提高其性能。(廉价) 功能强大的计算机的增加以及更大、更强大的数据的可用性推动了 ML 在医疗保健领域的使用。1 几十年来，数据驱动的算法作为有价值的诊断工具，已显示出有希望的结果，可协助许多各自专业的临床医生。早在 20 世纪 80 年代，数据驱动的临床预测工具就已出现，用于确定哪些因胸痛到急诊室 (ED) 的患者可以安全出院回家，哪些心肌梗死风险高的患者需要进入重症监护病房 (ICU) 2,3，从而克服了医生不一致且效率低下的入院策略。这极大地改善了急诊室的工作流程，减少了入院人数，同时改善了患者的治疗效果。30 年后，许多医院都以类似的临床预测工具为基础，并采用数据驱动的算法来改善工作流程，从急诊室的简单任务到 ICU 的复杂决策。4 在人工智能时代，这些数据驱动的算法通过机器学习得到增强，具有两个理论上的好处：(1) 为模型添加非线性相关性；(2) 最终实现自我学习以提高性能。然而，根据 Gartner 炒作周期，5 我们已经越过曲线的顶端，正在走下坡路，意识到 AI 并不能解决所有患者和医生的问题（图1）。尽管如此，许多成功的应用是众所周知的：计算机视觉 DL 模型每年在波士顿的麻省总医院筛查超过 50,000 张乳房 X 光检查，以检查乳腺癌。6 在骨科，我们位于麻省总医院的 SORG（骨骼肿瘤学研究组）处于
格罗宁根大学 人工智能...
主要关键词
相关文件推荐
