机器看片原理很简单。首先，用一些比较经典的一些影像分析或者模式识别的方法，模拟一个医生的看片过程，看一些视觉特征。因为很多病变部位的位置、大小、颜色、边缘形状都有一些视觉特征，利用这些视觉特征可以帮助计算机判断出来是不是一个恶性的肺结节，或者是不是某一种皮肤癌。同时，计算机可以利用复杂的卷积网络，在像素层级上看像素的变化，在像素层级上进行计算，比人看得更细致。可以通过构建多层的神经网络去提取那些隐含的特征信息，利用这样的信息做判断。

　　计算机角度来可以看多模态的数据。它不光看影像数据，还看病例信息、基因测序结果，将多模态的信息融合在一起，可以达到一个更好的效果。我们做过很多实验，如果用影像分析叠加其他模态的数据，比如将病历数据、年龄数据、历史病例等关键信息抽取出来之后，病变识别的精度可以直接提高10%以上。

　　我这边给大家介绍两个例子，一个是黑色素瘤的。

　　我们将1万张影像有标记的影像交给机器。它利用深度学习的技术学习之后，构建了一个模型，然后再从测试集里面拿出3000张让3名医生和计算机一起来看。人达到的精度大概是84%左右，而计算机可以达到97%。不止是IBM，很多其他公司计算机大概做到90%到95%。

　　另外一个例子是消化道影像。

　　每一次检测生成的数据特别多，有 3万到5万张，同时里面有很多不均衡的数据，若想能够自动将这些出血点检测出来，就需要迁移学习技术，很多数据的预处理技术，包括data augmentation或者data resampling，然后构建出来深度学习的网络，达到更好的识别精度。

　　我给大家看一个针对皮肤癌的小视频。用手机或各种有摄像头的移动设备，拍一下手上的某一个色斑，上传到后台的云服务器上，里面已经有一个训练好的模型。这个模型主要就是做一个分类，判断一下影像是不是黑色素瘤，经过后台计算之后会给出一个结果。判断它不是黑色素瘤，颜色都是比较浅。同时系统会自动把已知的一些确诊的相似的影像返回回来，帮助医生或者患者做一个更好的判断。

　　实验者也还选了一个已知黑色素瘤的一个确诊影像，这个系统中出现红色告警，说很大可能程度是一个恶性的黑色素瘤，同时会把一些类似的影像都会返回回来，帮助医生来做一个判断。

　　真实世界证据分析

　　下面我想给大家介绍的案例的话叫真实世界证据分析。

　　它是一个医学界的词，对应的词叫RCT，双盲随机对照临床实验。目前判断一个药或一个治疗方案是否有效，必须要做RCT实验，证明药效或者治疗方法的有效性。一个这样的实验平均要花十年以上的时间，要花10到15亿美金，而且不超过10%的成功率。RCT是一个非常耗时耗力耗钱的方式，真实世界证据就是跟它做对应的。

　　RCT实验一般会组织几百个人，比如五百八百人，分成组去进行实验，要积累数据。同时每天其实生成大量的医疗数据。以中国为例，一年就诊的人次接近70亿人次，相当于是全国人民，每年看五次病，当然有一些老病号。70亿次就诊产生了大量的临床数据，但是这些数据并没有被很好分析，都散落在医院的各个信息科机器上面。这些信息其实可以被用来做真实世界的挖掘，就是利用真实世界的数据，做更好的疾病治疗、预防等。