演算法走上治病救人第一線，吳恩達團隊應用機器學習檢測心率失常

如果醫生願意給予機器更多信任，那麼或許在不久的未來，我們會看到各種演算法替代他們治病救人。

一支由著名人工智慧研討員Andrew Ng指導的斯坦福大學研討團隊，向我們展現了機器學習能比醫學專家更好地從心電圖中診斷出心律失常。這關於當下稀缺的醫療資源而言，也是一個好消息。

近幾年來，研討人員曾經證明了機器學習技術能經過醫學圖片來診斷簡直一切的疾病，包括乳腺癌、皮膚癌和眼疾等。

「人們正在承受深度學習在診斷精度上更勝於醫生的理念，這讓我們深受鼓舞。」Ng在電子郵件中說道。他還表示，研討員們曾經開端嘗試其他方式的數據（例如上文提到的心電圖）。

Ng曾在中國科技巨頭百度擔任過首席科學家，他主要協助該組織將深度學習應用於處理不同的商業問題。

往常這支斯坦福團隊正在鍛煉一種深度學習演算法，協助辨認心電圖中不正常的心率，局部心率失常可能會招致嚴重的安康問題，比方心臟猝死。這種疾病很難被檢測出，哪怕病人把心電圖感測器裝置在身上數周時間也無濟於事，而醫生也很難從心電圖中區別出正常心率和非正常心率。

這批研討人員曾經和iRhythm樹立了協作，後者是一家從事挪動心電圖設備消費的公司。他們從患者那裡搜集了3萬多份30秒時長的心電圖片段，這些片段的心率不盡相同。為了評價其演算法的準確性，這支團隊將它的辨識結果與5位心臟病專家停止了比照，雙方各辨認500個未經診斷的心電圖片段。同時他們還請了3位心臟病專家停止評審。

深度學習需求為大型模仿神經網路提供大量的數據，藉此來調理各類參數，以愈加準確地識別病變的心電圖信號。經證明，這種辦法確實能經過圖片和音頻來診斷各種不同的疾病，同時還能協助開發比人類醫生愈加優秀的圖片識別和語音辨認系統。

目前，如何壓服病人和醫生置信這些演算法還是個問題。在機器學習範疇里，深度學習是一個十分晦澀難懂的模塊，讓它變得愈加淺顯易懂，能協助人們樹立對它的信任。