图：

渴望把深度学习能力以及对 FHIR 的熟悉程度运用到医疗保健预测分析的问题上。

科技巨头的研究人员们为了持续追求提升机器学习的准确性与效果，正在拓展与领先医疗机构的合作关系，目的是创建更为先进的预测分析。

谷歌还在与加州大学旧金山分校合作，通过深度学习以及创新的数据标准来应对医疗保健中最难处理的成本、质量和患者安全等问题。

深度学习、机器学习、认知计算以及人工智能，在过去的一段时间中取得了极为迅速的发展。这是因为各个行业的开发人员都将资源投入到了他们的数据科学部门中。

医疗保健是这一趋势的早期受益者。许多来自其他企业的项目都突出了机器学习在诊断和预测分析方面的价值。

今年 3 月，研究人员将一篇名为《on 》的论文予以发表。这篇论文具有特定的名称，在相关领域具有一定的研究价值和意义。它的发表为该领域的研究提供了新的视角和参考，引起了学界的关注和讨论。

解释机器学习在病理学中是如何发挥重要作用的，即它能够像人类病理学家一样准确地识别转移癌症组织。

深度学习算法生成了非常大的活检图像的“热图”，用于识别肿瘤细胞的存在。当鉴别乳腺癌是否已扩散到淋巴结时，算法的准确率为 89％，而人类病理学家的准确度仅为 73％，人类病理学家在该鉴别任务上花费了 30 个小时。

斯坦福大学的研究人员借助了机器学习的功能去对皮肤癌进行识别。今年在《自然》杂志上发表了一篇名为《利用深度学习识别皮肤疾病》的论文（此处论文名称未完整给出，暂按此翻译）

在（相关研究或实验等特定情境）中，该团队表明，人工智能算法的诊断性能和 21 名传统皮肤科医师的诊断性能是相符合的。

团队中的 Chou 觉得，这些举措仅仅是机器学习能够为患者提供服务的开端。

我们打算做更多的事。机器学习已经相当成熟了，它能够准确地预测医疗事件，比如能预测病人是否会住院，能预测病人住院的时长，还能在治疗尿路感染、肺炎或者心脏衰竭的时候，预测患者的病情是否会恶化。Chou 在博客中公布了与芝加哥大学的最新医疗研究合作伙伴关系时写下了这些内容。

高级机器学习能够检测“去识别”后的医疗记录，也就是剥离了任何个人身份信息的医疗记录。它可以借此来预测未来可能出现的情况，还能够在症候出现之前就预知患者的需求。

她补充表明，这些大数据分析工具存在着需求，这种需求是“紧迫且巨大的”。行业在近些年里，虽然在提升患者安全以及减少可避免的再入院方面取得了显著的进步，然而，依然还有更多的工作需要去做。

美国每年因医疗事故感染致死的患者数量很多，达到了一定人数。因不当药物治疗而致使伤残和死亡的患者超过 77 万人。因病情复发而导致再次住院的医疗花费高达 170 亿美元。Chou 指出，在世界范围内这个问题也很紧迫，每年有 4300 万人因医疗失误而受到伤害，并且多数集中在中低收入国家。

机器学习将成为开发算法的关键所在。它能够提供更为主动的警报，给予全面的临床决策支持，还能进行预测分析。通过这些，供应商得以预防那些昂贵的危机事件的发生。

但是，即使是这样，也难以逃脱数据分析的无情敌人。这个敌人就是缺乏信息治理、互操作性和数据完整性，这导致了收集和处理来自不同组织的大量数据变得极为困难。

不同医疗中心有着独特的数据记录方式，这导致从不同诊所的检查结果中去总结互通性是很困难的。Chou 表示，由于缺乏数据标准性以及互通性，所以解决这些差异会非常耗费时间和人力。

正在通过把它的深度学习技术和 FHIR 进行结合，以此来突破这些障碍，进而让组织和技术障碍之间的数据流动能够顺畅地进行。

2017 年初，谷歌云医疗保健副总裁 Greg 宣布了对 FHIR 的承诺，这是通过与 HL7 FHIR 基金会合作实现的。他表示，FHIR 基金会将与他们共同合作，支持 FHIR 开发生态系统，为医疗保健生态系统的数据互操作铺平道路。

这种合作对于帮助开发人员能够快速构建基于 FHIR 的体验而言，是重要的一步。并且开发人员无需担心底层基础设施，这正是云的关键优势所在。他补充道。

这些努力会带来新进展，并且与学术研究中心持续合作也会带来新进展，这些新进展可能会在未来几个月和几年内出现。Chou 这样说道。

开发能够利用 EHR 数据、声明数据、患者生成的健康数据、成像数据以及其他信息来源来进行预测分析和诊断的算法，这将会成为在护理连续体中共享知识、数据和思想的关键所在。

她认为，只有医学界和深度学习的专家进行密切合作，使用机器学习才会有临床突破到来。

我们大多数在工作的人并非医生，然而每个人都经历过生病或受伤，甚至失去亲人的情况。我们各自都有独特的优势，能够为改善医疗条件贡献力量，所以我们一定要去尝试。我们期望能增加医疗保健合作伙伴，希望共同提升全球数百万人的健康水平。