A：監(jiān)督和無監(jiān)督學(xué)習(xí)問題的矩陣表示

B：決策樹將特征映射到結(jié)果

C：神經(jīng)網(wǎng)絡(luò)基于特征的變換來預(yù)測結(jié)果

D：最近鄰算法 - 基于最相似訓(xùn)練樣本值的分類器

該領(lǐng)域的主要開拓者包括MIT臨床機器學(xué)習(xí)小組。 其精密醫(yī)學(xué)研究側(cè)重于開發(fā)算法，以更好地了解疾病過程并設(shè)計有效治療2型糖尿病等疾病。

微軟的漢諾威項目正在多個計劃中使用ML技術(shù)，其中包括與奈特癌癥研究所合作開發(fā)用于癌癥精準(zhǔn)治療的AI技術(shù)，目前著眼于開發(fā)治療個性化急性骨髓性白血?。ˋML）的藥物組合。

英國皇家學(xué)會還指出，藥物研究中運用ML已經(jīng)成熟。 來自實驗或制造過程的數(shù)據(jù)有可能幫助制藥廠商減少生產(chǎn)藥物所需的時間，從而降低成本并提高重復(fù)率。

4、臨床試驗研究

機器學(xué)習(xí)可以用來指導(dǎo)臨床試驗研究。應(yīng)用高級預(yù)測分析，我們可以利用比目前更廣泛的數(shù)據(jù)，例如社會媒體和醫(yī)生門診記錄，以及在針對特定人群時的遺傳信息來確定臨床試驗候選人; 這一切將使得臨床實驗更小，更快，更便宜。

ML還可用于遠(yuǎn)程監(jiān)控，例如，監(jiān)測患者體征以發(fā)現(xiàn)任何人身傷害或死亡的跡象。

據(jù)麥肯錫稱，ML可以幫助提高臨床試驗效率，包括找到最佳樣本大小; 適應(yīng)患者個體差異; 以及使用電子醫(yī)療記錄來減少數(shù)據(jù)錯誤（例如重復(fù)輸入）。

5、放射學(xué)和放射治療

在2016年10月的“統(tǒng)計新聞”采訪中，哈佛醫(yī)學(xué)院助理教授Ziad Obermeyer博士說：“20年后，放射科醫(yī)生將不復(fù)存在。他們可能看起來更像是人和機器的混合體：應(yīng)用ML算法每分鐘他們可以讀取數(shù)千個病例。

“ 目前，Google的DeepMind Health正在與倫敦大學(xué)學(xué)院（UCLH）合作開發(fā)能夠檢測健康和癌組織差異的ML算法幫助改善放射治療。

圖片來源：Google DeepMind健康 - 放射治療計劃

DeepMind和UCLH正在努力應(yīng)用ML，以加快癌組織分割過程（確保沒有健康的結(jié)構(gòu)受損）并提高放射治療的準(zhǔn)確性。

6、智能電子健康記錄

使用支持向量機（SVM）進行文本分類（例如通過電子郵件來對患者查詢進行排序）以及光學(xué)字符識別（或OCR，將草圖手寫轉(zhuǎn)換為數(shù)字化字符）都是成熟的ML應(yīng)用。

這將有助于推動電子健康的收集和數(shù)字化。 這方面的工作包括MATLAB的ML手寫識別技術(shù)和Google用于OCR的Cloud Vision API。

MIT臨床機器學(xué)習(xí)小組正在推動下一代智能電子健康記錄的發(fā)展，他們使用內(nèi)置的ML算法來幫助診斷，臨床決策和提供個性化治療建議。 MIT在其網(wǎng)站上寫道:“我們需要強大，安全及可解釋的ML算法。它可以從小規(guī)模的標(biāo)注訓(xùn)練集中學(xué)習(xí)，并支持自然語言交互，從而可推廣至大量醫(yī)療機構(gòu)。

7、疫情爆發(fā)預(yù)測

根據(jù)從衛(wèi)星收集的數(shù)據(jù)，網(wǎng)絡(luò)上的歷史信息，實時社交媒體更新等等，ML和AI技術(shù)也被應(yīng)用于監(jiān)測并預(yù)測世界各地的疫情爆發(fā)。

目前已有基于支持向量機（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）的模型來預(yù)測瘧疾疫情。采用的數(shù)據(jù)包括溫度，月平均降雨量，陽性病例總數(shù)等等。

疫情預(yù)測在第三世界國家尤其迫切。這些國家往往缺乏醫(yī)療基礎(chǔ)設(shè)施，教育途徑和及時治療機會。 ProMED是一個基于互聯(lián)網(wǎng)的郵件系統(tǒng)以用于監(jiān)測新出現(xiàn)的疾病并實時提供疫情報告：

圖片來源：Going International