學習心得
之前我們主要學習了模式識别的基本概念，以及所需要的模型又有機器學習獲得，以及對所得模型的一些評估。之後基于距離的分類器，有歐氏距離d(x1,x2)=(x2−x1)T∗(x2−x1)得出的MED分類器，以及分類器的去除特征相關性而采取的特征白化，之後得到的距離就是馬氏距離，這些都是為決策而做的，為了分類決策又學習了貝葉斯規則來得到後驗機率，根據貝葉斯公式得到決策邊界p(x|C1)p(C1)>p(x|C2)p(C2)，是以特有MAP分類器既最大後驗機率分類器，而在MAP基礎上加決策風險因素就是貝葉斯分類器，而在貝葉斯分類器中要知道後驗機率又要求先驗機率和觀測似然機率，這就需要機器學習，機器學習中的監督學習問題，方法有兩種分别是最大似然估計和貝葉斯估計
機器學習人工智能領域的醫學前沿技術
- 2018年，全球醫療市場的人工智能市場規模為21億美元。
- 預計到2025年，全球醫療市場的人工智能市場規模将增長到361億美元，在預測期内複合年增長率為50.2%。
- 機器學習預計将占據市場的最大份額，其次是自然語言處理。
- 驅動因素越來越大，資料集也越來越複雜，越來越需要降低日益增加的醫療成本、提高計算能力、降低硬體成本。
- 面臨的挑戰是醫療從業者不願意采用基于人工智能的技術，缺乏熟練的勞動力，以及對軟體的監管指南不明确。
人工智能在醫療領域常見的應用場景與應用類型：
醫療機器人
醫療機器人是人工智能應用中最受關注的一大領域。衍生于工業機器人技術，借助PUMA260工業機器人平台于1985年首次開展了機器人輔助定位的神經外科活檢術，成為醫療機器人起步的标志。目前常見的醫療機器人可分為五類：手術機器人、檢查機器人、康複機器人、護理機器人以及導診機器人。
輔助診療
醫學人工智能的輔助診療，即通過讓機器學習海量的醫學資料和專業知識，模拟醫生的思維診斷方式，綜合了自然語言處理、認知技術、機器的學習等技術，可以讓人工智能具備醫生的診斷能力，短時間内提供出搞笑、精準的診斷結果和個性化的治療方案，提高醫生的診斷效率。
醫學影像
醫學影像是人工智能在醫療領域應用較早且廣泛的領域之一。借助計算機視覺技術，能夠實作病竈識别與标注、靶區自動勾畫與自适應放療以及影像三維重建等功能。
藥物研發
醫學人工智能可加速藥物從研發向臨床轉化。一種新藥從研發到上市至少經曆10——15年的時間，平均成本26億美元。其中，藥物研發的時間成本高達11.6億美元。人工智能在藥物研發上能夠應用于新藥發現階段與臨床實驗階段，在靶點篩選、藥物發掘、藥物優化、服藥依從性管理、藥物晶型預測等環節。借助人工智能将大幅縮短新藥的研發時間，節省大量人工成本，提高新藥研發的效率。
健康管理
人工智能技術與醫療健康可穿戴裝置的結合，可以實作對個人健康進行精準把握，預測疾病風險，管理個人健康。