大数据和机器学习在一定程度上改变了现代生活中几乎所有的方面。网飞公司知道人们喜欢看什么样的电影；通过检索历史，Google能知道人们想知道什么信息。的确，Google近来已经开始使用机器学习算法取代其现有的多数非机器学习技术，可以非常乐观地认为，这些技术可以在许多领域提供类似的改进。

2018年4月，发表在《JAMA》的一篇由美国科学家进行的综述，介绍了大数据和机器学习在医疗领域的应用以及对临床实践的影响。

毫不奇怪的是，医学界充斥着从机器学习到医疗大数据的革命主张。最近的例子已经证实，大数据和机器学习能创建算法，其所做出的诊治决策能与人类医生得出的结论相媲美。虽然最初机器学习和大数据看起来神秘莫测，但事实上二者与众多医生熟知的传统统计学模型非常相关。值得期待的是，阐明这些相关性将揭开这些技术的神秘面纱，并为机器学习和大数据在医疗中的应用提供一系列合理的期望。

机器学习最初被描述为可以学习执行任务或从数据中自动做出决策的程序，而非具有明确编程的行为。然而，该定义非常广泛，可以覆盖几乎任何类型的数据驱动方法。例如，Framingham心血管风险评分，该评分是将分值赋予各种因素并产生可以预测10年心血管风险的数值。这可以被认为是一种机器学习的例子吗？答案显然是否定的。仔细检查Framingham心血管风险评分，你会发现答案可能不像第一次看起来那么明显。该评分系统最初是通过在成比例风险模型中拟合了超过5300例患者的数据而创建的，因此该规则实际上完全从数据中获得。将风险评分指定为机器学习算法似乎是一个奇怪的概念，但该例子告诉我们，机器学习最初定义的本质是不确定的。

最近，机器学习谱中排名很高的一种方式叫做深度学习模型。它是一种非常复杂的人工神经元网络，其明确设计为从原始数据中直接创建精确模型。研究人员最近证实了深度学习算法可以从视网膜照片中检测到糖尿病视网膜病变，该敏感性等于或高于眼科专家。该模型直接从图像的原始像素中学习诊断过程，该过程无人类干预，也无眼科专家团队的帮助（该团队使用正确的诊断注释了每张图像）。由于能用很少的人类指令或先前的假设来学习任务，因此这些深度学习算法被认为具有良好的发展前景。

（选题审校：易湛苗 编辑：王淳）

（本文由北京大学第三医院药剂科翟所迪教授及其团队选题并审校，环球医学资讯编辑完成。）

（专家点评：）