图：pixabay

　　Google渴望将其深度学习能力和对FHIR的熟悉程度，应用于医疗保健预测分析的问题。

　　为了不断追求增强机器学习准确性和效果，科技巨头的研究人员们正在扩大与领先医疗机构的合作伙伴关系，以创建更先进的预测分析。

　　谷歌正与芝加哥大学、斯坦福大学和加州大学旧金山分校开展合作，利用深度学习与创新的数据标准——比如FHIR（Fast Health Interoperable Resources，快速医疗互操作性资源），开奖，解决一些医疗保健最难处理的成本、质量和患者安全问题。

　　深度学习、机器学习、认知计算，或者说人工智能，在过去一段时间里已经取得了突飞猛进的发展，因为所有行业的开发人员将资源投入其数据科学部门。

　　医疗保健是这一趋势的早期受益者，来自Google和其他企业的许多项目都突出了机器学习用于诊断和预测分析的价值。

　　今年3月，Google研究人员发表了一篇名为论文《Detecting Cancer Metastases on Gigapixel Pathology Images》的论文（https://drive.google.com/file/d/0B1T58bZ5vYa-QlR0QlJTa2dPWVk/view），解释机器学习如何通过与人类病理学家一样准确地识别转移癌症组织，在病理学中发挥重要作用。

　　深度学习算法产生了非常大的活检图像的“热图”，以识别肿瘤细胞的存在。鉴别乳腺癌已经扩散到淋巴结时，算法的准确率达到89％，而人类病理学家的准确度仅为73％，在鉴别任务上花费了30个小时。

　　斯坦福大学的研究人员也利用了Google机器学习的功能来识别皮肤癌。在今年的《自然》杂志发表的一篇名为《Dermatologist-level classification of skin cancer with deep neural networks》论文（https://www.nature.com/nature/journal/v542/n7639/full/nature21056.html）中，atv，该团队指出，人工智能算法与21名传统皮肤科医师的诊断性能相符。

　　Google Brain团队的Katherine Chou认为，这些举措只是机器学习可以为患者服务的开始。

　　“我们准备做更多的事情，机器学习已经足够成熟，可以准确预测医疗事件，例如病人是否住院，住院多久，以及在治疗尿路感染、肺炎或是心脏衰竭时，患者的病情是否恶化。” Katherine Chou在Google博客中公布了与芝加哥大学最新的医疗研究合作伙伴关系时写到。

　　“高级机器学习可以检测‘去识别’（de-identified）的医疗记录 （即剥离任何个人身份信息），以预测未来可能的情况，可以在症候出现前预知患者的需求。”

　　她补充说，这些大数据分析工具的需求是“紧迫而巨大的”。虽然行业近年来在改善患者安全和减少可避免再入院方面取得了重大进展，但仍有更多工作要做。

　　“美国每年因医疗事故感染致死的患者多达 99000 人，因不当药物治疗导致的伤残和死亡患者超过 77 万人，因病情复发导致再次住院的医疗花费高达170亿美元。”Katherine Chou指出：“在世界范围内该问题同样紧迫：每年有4300 万人因医疗失误受到伤害，多数集中在中低收入国家。”

　　机器学习会成为开发算法的关键，提供更主动的警报、全面的临床决策支持和预测分析，使供应商能够预防昂贵的危机事件的发生。

　　但是，即使是Google也无法逃脱数据分析无情的敌人——缺乏信息治理、互操作性和数据完整性，这使得收集和处理来自不同组织的大量数据变得非常困难。

　　“不同医疗中心的独特数据记录方法使得从不同诊所的检查结果中总结互通性非常困难，” Katherine Chou说到，“缺乏数据标准性和互通性也使得这些差异的解决非常耗费时间和人力。”

　　Google正在通过将其深度学习技术与FHIR相结合来克服这些障碍，从而使组织和技术障碍之间的数据流动顺利进行。

　　在2017年初，Google通过与HL7 FHIR基金会合作，宣布对FHIR的承诺。谷歌云医疗保健副总裁Greg Moore表示：“FHIR基金会和Google Cloud将共同合作，支持FHIR开发生态系统，并为医疗保健生态系统的数据互操作铺平道路。”

　　“这种合作是帮助开发人员快速构建基于FHIR的体验的重要一步，而不需要担心底层基础设施—这就是云的关键优势。”他补充说。

　　“这些努力加上Google与学术研究中心的持续合作，可能会在未来几个月和几年内带来许多新的进展。” Katherine Chou说。