汉诺威项目开始于一个被称为Literome的工具，这个基于云的系统梳理数百万篇研究论文，寻找可能适用于每个疾病诊断的基因研究。肿瘤学家很难独自完成这项庞大的工作，而研究人员在描述自己的工作时出现的不一致现象也让这项工作变得更加复杂。这意味着涉及相同基因信息的研究论文可能在语言上并没有很多重叠的地方。Poon说：“问题是，人们在利用不同的方式表述相同的东西方面充满创意。”

　　为了开发Literome，Poon和他的同事使用了机器学习来开发自然语言处理工具，只需要少量可用的知识就可以创建复杂的模型，用于发现相同知识的不同表述。现在，该工具正在扩展，还可以纳入可能有用的实验和其它信息源。Poon的团队还与俄勒冈健康与科学大学的Knight癌症研究院合作，帮助他们的研究人员寻找更好的方式来治疗急性髓细胞白血病，一种复杂而致命的癌症。

　　Knight癌症研究院的院长Brian Druker表示，这种癌症的患者实际上是患有3或4种白血病。这使得很难找到合适的药物，以及患者是否会产生抗药性。Druker的研究曾大幅延长了慢性髓细胞白血病患者的预期寿命。他说：“很明显，我们需要极为复杂的计算才能消化并利用所有这些数据。”

　　Druker把这种合作看作双向对话：他的专家团队可以提供假设，帮助计算机科学家了解在数据中寻找什么。反过来，计算机科学家可以进行分析，帮助他们证明或证伪这些假设。然后，这可以帮助他们更快地制定所需的治疗方案。他说：“我一直相信这些数据在告诉我们答案，但我们需要知道如何听到这些答案。这就是计算可以发挥作用的地方。”

　　Druker认为，我们才刚刚开始了解数据如何帮助癌症研究。除了基因数据，研究人员还应当开始关注其它“组学”，包括蛋白质组学，或蛋白质研究，以及代谢组学，或代谢物化学作用过程研究。他说：“我们会超越基因组。基因组告诉我们很多信息，但不会告诉我们所有信息。”Poon说，他们仍处于早期研究阶段，但已经看到它如何改变和拯救生命。他说：“我们正处于一个关键时刻，已经看到光明的未来，但还有很多工作要做。”

计算机视觉如何帮助放射科医生更好地跟踪疾病发展情况

　　放射科医生希望获得有关患者身体内部最精确的影像，经常需要价值数百万美元的最先进设备并会产生极为详细的影像。得到这些影像之后呢？在很多情况下，阅读这些影像的最高科技产品是人眼。

　　Antonio Criminisi是一名机器学习和计算机视觉专家，领导微软英国剑桥研究院的放射学研究工作。他说：“人眼非常擅长诊断。专家级放射科医生看到影像——比如人脑的影像——时，在两秒内就会知道有没有肿瘤。”Criminisi说，但放射科医生很难判断某个疗法是否有效。这是因为人眼不擅长根据放射科扫描结果来判断肿瘤会增长、缩小还是改变形状。

　　更好的技术意味着更多数据

　　几年前，放射学家、英国皇家放射医师学会会长Giles Maskell说，一次典型的CT扫描可能会产生200张图片。现在，同样的扫描会产生2000张图片——产生大量人眼甚至无法感知的数据。Maskell说：“精细的细节远远超出了我们的理解能力，也无法被处理成有意义的东西。”简单地说，放射科医生需要技术来帮助他们跟上技术发展的步伐。Maskell表示，医生们需要帮助来以某种新形式来展示数据，而这种新形式应使得他们能轻松地分析大量图片。

　　这就是Criminisi的团队所做的事情。该团队的数据驱动型方法专注于一个研究项目，该项目利用计算机视觉和机器学习（人工智能的一个分支），为放射科医生提供更加详细且一致的测量，从而强化他们的专业知识。该系统有望最终能够评估3D扫描的每一个像素，精确地告诉放射科医生肿瘤自从上一次扫描以来增长、缩小或形状改变了多少。它还可以提供有关器官密度等信息，让放射科医生更好地了解病灶是囊肿还是肿瘤。它还可以更精细地分析肿瘤周围的细胞健康状况。