医疗保健领域并不存在典型的大数据问题。但由于引入了人工智能，医疗保健也将面临大数据问题。日常生活中有很多低效事件，比方说交通堵塞和对账单的“蜗牛邮件”。这些低效事件十分不方便，但这些问题通常不涉及生活和死亡方面问题。医疗保健却是不同的，医疗保健涉及生活和死亡的问题。因此，人们对卫生保健生产力的需求也是不同的。所以，医疗保健在自动化方面很有潜力。事实上，跟其他领域比起来，自动化在医疗保健领域的潜力更大。
数据是驱动力
医疗保健领域的数据量多得令人难以置信。随着传统形式的信息（比如病历）变得电子化，新的数据源也随之被数字化，比方说身体的4D图像和高分辨率基因组。一项在《PLOS生物学》（由公共科学图书馆出版的一本杂志）上发表的研究预测，到2025年，基因组学单独产生的数据量将与天文学、YouTube和Twitter产生的数据总量相当。
那么，我们如何能了解所有信息呢？机器学习和深度学习可以帮助我们。
机器学习是一种实现人工智能的方法，而深度学习是机器学习的一个子集，它能够训练人工神经网络，最终使得人工神经网络回答问题的准确率接近100％。机器学习和深度学习可以处理、分析和识别信息中的模式，以帮助提高获取信息的质量和速度。
AI的已有影响
斯坦福大学的研究人员研究了一种算法，这种算法能从肺癌组织的病理图像中识别出数千个目标特征，然后训练计算机软件程序来评估样本。计算机能以完全自动化的方式从滑膜病理学中准确地预测癌症，研究人员称这种方法“可以为许多患者提供快速和客观的存活预测”。
最近，GE Healthcare宣布与UC San Francisco（UCSF）合作。我们计划开发一个深度学习算法库，它可以加速帮助鉴别诊断病症，改善临床工作流程，缩短治疗时间和提高患者治愈率。一旦这些算法应用在GE Health云端和智能GE成像机上，全球的临床医生都将可以虚拟访问用于创建算法的相关临床专业知识和工作流程。
当然，放射学只是机器学习和深度学习所能改变的其中一个医疗保健领域。其他的探索领域包括个性化医学和药物发现、通过虚拟护理助手进行远程监护，以及自然语言语音识别软件，语音识别软件可以让我们不必手动往电子健康记录（EHR）上输入注释。
解决疑问
但是，我们仍不能忽视机器学习和深度学习带来的怀疑和恐惧。医疗保健是高度复杂、正规化和私人的。由于其数据、科学和机器的独特结合以及与患者生活的相互影响，行业的革新需要的不仅仅是新的小工具或一次性应用程序，因为它们无法解决成本、质量和使用权方面所存在的挑战。
机器学习和深度学习可以应用在实际生活中，并且支持创新。随着人口的老龄化，消费者参与度的提高，价值型医疗服务的需求增加，以及全球医疗保健专业人员的短缺，机器学习和深度学习具有难以置信的潜力，它们可以解决供应商的最大痛点，并满足患者最大需求。
我们每个人都可能会生病，我们的朋友和家人也可能会生玻而机器学习和深度学习可以改善个人生活，能够实时分析和利用来自EHR、实验室测试、基因组学和成像的所有数据，以实现最高质量和最有效的护理服务。
*发展中的技术代表正在进行的研究。这些技术不是产品，而且有可能永远不会成为产品。不会作为产品销售。未经美国食品和药物管理局或任何其他全球监管机构批准用于商业可用性。
