随着大数据和计算机软硬件的发展，机器学习技术在医学领域也得到了广泛的应用。机器学习在医学中的运用，主要集中在生物医学数据及图像的分析及识别上。本文将通过案例进行简单介绍。

人脑皮层约有10^10个神经元且活跃程度也彼此不同，其释放的神经电信号是较为典型的大数据。对这些电信号的解读能够让医生了解脑部活动与肢体运动间的联系，该联系对瘫痪患者康复极为重要：当患者大脑无法指挥肢体时，如果能够读懂患者神经信号对应的肢体动作，医生就可以对这个动作涉及到的肌肉进行电刺激使其完成动作。问题在于神经信号太过复杂，过去的统计技术无法理清如此大量的数据与肢体动作间的联系。Bouton等人利用了机器学习技术试图建立了这一联系，该成果成功地让一名瘫痪患者恢复手臂运动功能 (Bouton et al., 2016)。这名患者由于脊椎受伤，神经信号无法传递到手臂上。于是研究者利用电脑取代脊柱将脑神经和手臂连在一起，将神经信号“传递”到手上。为此，研究者在患者脑部植入电极以读取神经信号，并要求患者在脑中想象规定的手臂动作。随后研究者利用支持向量机（Support Vector Machine, SVM）方法建立神经信号数据和假象动作之间的关联。此后若是电脑读取到某个脑皮层信号，就可以根据已经建立起来的关系找到对应的动作，然后再所需肌肉进行刺激以完成对应动作。
另一类医学大数据是肿瘤基因信息。如果医生可以根据基因突变的发生位置将肿瘤划分为不同类别以施加不同方案和强度的治疗，所获疗效就更加显著。但人类的2.5万个基因由30亿对碱基对构成，找到病变发生具体位置涉及到大数据的分析和解读。科学家们已经尝试用机器学习技术对肿瘤基因信息进行细分分类，从而对症下药提高疗效 (Alizadeh et al., 2000; Shipp et al., 2002; Ye et al., 2003)。
除了医学数据的处理，机器学习的另一重要运用是识别X光片、造影及断层扫描图等医学图像。传统上，医生根据经验来判断图像中是否存在病变。这种方法的准确性受限于医生的经验。这就为机器学习的使用提供了机会。Halligan et al. (2006) 比较了人工智能和医生在诊断肠道息肉的正确率差别，发现机器学习技术在识别肠道CT图像的速度及准确率都强于人类。 类似应用还包括让计算机辅助人类识别乳房相关病变 (Gilbert et al., 2008; Lehman et al., 2015; Obermeyer and Emanuel, 2016)。
上文两个案例主要介绍了两类医学大数据，即神经电信号和肿瘤基因信息。机器学习使得研究者获得了海量的数据，在一定程度上扩展了医学研究的边界，对现代医学的发展有着很大的帮助。
如果您发现本站中涉嫌抄袭的内容，欢迎发送邮件至：liping@yovole.com（邮件中#请改为@）进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容。