在生物角度上看毫無生氣的計算機算法，于危急中挽救人們性命的那一天已經離我們不遠了。

不過前提是醫生和病人愿意接受和相信冰冷機器做出的決斷。

近來，一組由吳恩達博士帶領的斯坦福研究人員開發了一個新的機器學習模型，通過心電圖來判斷患者是否心律不齊，其效果甚至已經超過了人類專家。

這一可自動作出診斷的新方法對于日常醫療意義重大，幫助人們對甚至可能致死的心律不整癥狀做出更好的判斷，防患于未然。此外，它還能夠在醫療資源較為匱乏的區域提供良好的醫護服務。

吳恩達博士的新成就，是機器學習正在開始顛覆醫療領域的最新標志。

近年來，科學家們已經發現了通過分析醫療圖片，機器學習在治療諸多疑難雜癥中所發揮的寶貴價值，如乳腺癌、皮膚癌和眼科疾病。

“看到人們能這么迅速地轉變觀念，接受深度學習在某些垂直醫療領域可以做出比專業醫師更為準確的診斷的事實時，我感到相當欣慰。”

吳恩達在一封電子郵件中這樣說道。此外他還補充到，看到研究人員已經開始開拓醫療AI在除了以心電圖為代表的圖像數據之外新領域的應用，也十分令人激動。

在今年三月從百度離職后，吳恩達博士已經回到了斯坦福來繼續進行自己的學術研究。

斯坦福大學的研究團隊訓練了一個用來甄別心電圖數據中各式各樣不規則心跳的機器學習算法。部分心律不齊現象可以導致心臟驟停在內的諸多嚴重健康問題，但是這些信號通常難以捕捉，病人們不得不連續數周佩戴心電圖監測器以確保安全。

重要而坑爹的一點是，由于心律不齊自身的特性，很多時候醫術高超的醫生也很難在良性和惡性心率不穩中做出判斷。

研究團隊和可攜帶心電圖設備制造商iRhythm達成了合作，他們從患有各類心律不齊的病人身上收集了三萬份長達30秒的心電圖數據。

用來收集數據的便攜心電圖設備

為了評估算法的準確性，團隊還請來了五位不同背景的心血管專家，讓他們和AI對300份未經過檢測的數據進行判斷。科學家從中抽取了三位專家的結果作為參考。

深度學習包含了將大量數據填充到龐大復雜的模擬神經網絡之中的過程，并不斷修改優化參數直到豈能準確識別有問題的心電圖信號。

該方法在識別復雜圖片和音頻的過程中已經發展得十分成熟，引領了表現優于人類的語音識別和圖像識別產品的出現。這么來看，將深度學習技術轉移到醫療圖像的識別上，也顯得再自然不過了。

身兼微軟搜索部門主管、職業醫師和機器學習專家三個身份的Eric Horvitz提到，來自MIT和密歇根大學（University of Michigan）的另外兩個團隊也在專攻利用機器學習診斷心律不齊這個難題上。

如果我們把目光放得更為長遠，機器學習通過結合大量毫不相關的數據進行分析判斷，來搜查各類疾病的蛛絲馬跡也是充滿想象力的一件事情。

用深度學習診斷心律不齊尚屬于AI醫療領域較為簡單的應用，如果我們把目光投到其他相對更為復雜的疾病上，我們將看到十分不同的光景；更重要的是，需要將更多的問題納入考慮范圍。

在上文提到的利用人工智能進行癌癥診斷的項目時，帶領團隊的MIT教授Regina     Barzilay發現了制約醫療AI的重要問題所在——優秀的疾病數據的匱乏。

“你總是在焦躁地尋找信息，特別是數據，”她說道，“我是該用這種藥還是另外一種？”“這是最好的療法么”“疾病復發的概率是多少？”……

如果沒有可靠的臨床數據，你選擇的診斷將只能停留在純粹猜測的階段。

斯坦福的研究人員正在開展對于算法的訓練

不過不同于圖像、語音識別這種相對輕松且更貼近生活的應用領域，在醫療健康這種可能生死攸關的應用層面，應用AI面對的一大挑戰就是取得醫生和患者的信任。

對于非AI領域的專家來說，這些算法很容易顯得高深而晦澀；有時甚至帶領項目前進的人工智能專家，都無法完全掌握算法的運行機制。而具體到深度學習上，其更是整個機器學習中都算得上模糊難懂的分支。

如何讓醫師和患者相信這些機制復雜的冰冷計算機能做出最有利于他們身體健康的判斷，將是AI從業者所面臨的的一大難題。

盡管如此，吳恩達依然堅信醫療領域的大革命即將帶來。