近日，来自美国的研究人员宣布，他们开发了一种新算法（计算机工具），其能够通过对照片进行分析来鉴别皮肤癌。相比肉眼判断而言，这种新方法能够对一块皮肤进行扫描来寻找常见危险形式的皮肤癌，研究者表示，这种方法能够帮助具备医师资格认证的皮肤科医生来区分两种形式的皮肤癌：角化细胞癌和恶性黑色素瘤。
皮肤癌的诊断工具是基于一种强大的机器学习，其能够通过图像来提取信息，医学诊断工具能够达到准确性和可靠性的关键因素就是研究人员利用该工具所进行的大量数据训练，研究者表示，他们对129，450个皮肤图像进行了分析，同时对每一个图像都进行了标记来确定是否该皮肤图像中存在癌变区域，这种新型工具能够自动有效地对皮肤图像进行区分鉴定。
同时这种新型工具还能够对来自简单手持摄像机拍摄的图片进行分析，比如我们手机中的照片，这就意味着，全科医生，或者甚至是病人都能够对某一块皮肤进行拍照，并且来判断是否拍摄区域中的皮肤会发生癌变。
但将本文研究转化成为临床产品用来进行实践诊断或许还需要后期研究者的深入探索、研究以及检测。
机器也能够像人类一样通过经验来进行学习
机器学习实际上是一种非常简单的想法，代替告诉电脑如何解决问题，科学家们就会给机器一系列实例来让其学习如何自我解决问题。比如从众多狗狗的图片中区分出猫的图片相对简单，而且这是一个蹒跚学步的孩子也能够做到的，然而没有人能够写下一堆指令来让计算机对其进行准确处理，所有类型的图片中都包含有各种姿势的毛茸茸的动物，而且两组图片间并没有明显的区别来作为计算机进行区分的基础。
机器学习能够通过避免人类进行决策规则来解决问题，相反在机器学习的方法下，我们就能够对所有类别的案例标签，同时系统也能够自身做出区分。解释医学数据时的很多问题都存在于机器学习所能够理解的范畴之内，当然鉴别癌变的皮肤组织的问题也就类似于对狗狗和猫的图片进行区分，一旦提供每个类别的案例，并且进行合适标记，那么机器学习系统就能够学会如何有效对其进行区分。
机器学习的工作原理有点类似于大脑的工作方式
在最近发表的一项研究报告中，研究者认为，机器学习系统或许是基于神经网络而开发的，尤其是其非常适合于进行图片的处理，神经网络就是机器学习的一种形式，其基于大脑的松散架构，同时其又由具有较大规模、多个分层的简单处理单元所组成。神经网络的改变于20世纪80年代开始蔓延开来，但科学家们并未达到其预想的那样，而机器学习以及神经网络的再现取决于研究者们对大量数据的储存和整理，同时计算机也有着强大的数据处理能力。
计算机绘图技术的发展主要是为了电脑游戏而生，同时其也衍生出了很多软件，这些软件能够在一秒内对成千上万张图片进行分析处理，为了达到合理的结果往往就需要计算机对成百万张图片进行长达数周的处理，同时可能需要对10亿多个因素进行调节，但计算机绘图技术就能圆满完成这种目标。
在制定某些类型的决策上 计算机要优于人类
在制定医学和其它决策上，当进行高水平分析时人类往往有一定优势，此时或许需要一定的背景知识，回答一些关于图片内容的问题（比如这个女孩儿高吗？或者她是否穿了一件红色T恤？）就需要人类感兴趣的物体类型的相关背景知识。当仅仅需要信息才能够制定决策时往往就在于信号本身，此时机器学习就会以较小的优势取胜，#$个著名的例子就是识别图像中的路标，路标往往被认为能够吸引人类视觉系统的注意力，然而机器学习的方法在准确性和可靠性上往往优于人类，而且相关的研究结果已经对多种类型的信号进行了重复，从演讲到医疗记录，如今再到皮肤损伤部位的图像。
机器学习方法的价值不仅在于其准确性远高于人类，而且还很便宜，同时还能够帮助研究人员进行更为一致性的诊断。研究者认为，通过结合多种因素就能够促进全科医生办公室、医院等机构中基于医疗设备的机器学习能力的发展，同时这种新型系统也能够为研究者提供即时的信息访问来帮助医生更加快速地对信息作出反应，这或许在临床上能够大大改善患者的诊断、治疗以及预后表现情况，同时还能够降低患者不必要的医疗开支。
会议合作、活动报道需求可联系彭先生：18820041981（微信同号）。
