医学深度学习与机器学习融合的随想

近年来，深度学习（图像类）和机器学习在医学领域的应用取得了飞速发展，为医学影像分析、疾病诊断和预后预测等领域带来了革命性的变革。深度学习擅长从复杂数据中提取高层次特征，而机器学习则擅长利用这些特征进行建模和预测。将两者融合，可以发挥各自的优势，为医学研究和临床实践带来新的突破。

深度学习转变为特征提取的工具

目前，深度学习主要的任务是使用算法完成人类可以完成，但是相对费时费力的任务，比如更准确地识别病灶、自动化提供诊断报告等；而在深度学习与机器学习融合的模式中，深度学习的变为特征提取工具，其主要功能是从图片视频中提取不同深度的特征，为机器学习模型提供特征数据，进而完成疾病诊断或者预后预测的任务。

深度学习与机器学习的融合模式

根据深度学习提取的特征的不同，深度学习与机器学习的融合主要有以下三种模式：

**简单的拼接：**深度学习模型首先对原始数据进行处理，提取特征，所提取的特征还是在重复人类的工作，比如，影像诊断的结果，然后将提取的特征输入到机器学习模型中进行后续的分析和预测。这种模式是简单地将深度学习和机器学习纳入到一个工作流中，保持了目前深度学习和机器学习各自的模式。
**调整的拼接：**深度学习模型提取的特征不再是简单地替代人类工作的结果，而是从机器的角度提取一些人类难以获得的信息。例如，可以利用深度学习模型计算病理切片中正在分裂的癌细胞的比例，但是这些特征还是人类设计出来的，认为对疾病诊断和预后预测有用的特征，然后，将这些特征输入到机器学习模型中，进行疾病诊断和预后预测。这种模式更大程度发挥深度学习模型的优势，有望提取更具特异性和判别性的特征。
**深度学习与机器学习一体化：**深度学习模型提取的特征是人类难以理解的特征，也不是人类设计的，但机器学习模型可以有效地利用这些特征进行学习和预测。这种模式代表了深度学习与机器学习融合的最高境界。

未来展望

将深度学习和机器学习放在一起比较，深度学习的优势在于产生数据，目前用深度学习来重复人类的工作，显然是大才小用，应该利用深度学习算法提取人类所认识不到的特征，而机器学习的优势在于使用数据，而目前局限于医学临床数据特异性和准确性的不足，机器学习算法无法准确地诊断疾病和预后预测，两者的融合互补，将为人工智能在医学中的应用带来新的契机。