随着我们从基于规则的方法转向模仿人脑检测模式的方法，医疗条件的诊断正在经历重大转变。正如最近发表在《纽约客》杂志（2017年4月3日）上的一篇文章所描述的那样，这种新方法利用所谓的神经网络来实现机器学习。

背景

考虑几乎每个人在生命早期获得的技能之一，淘客采集，骑自行车所需的技能。我们知道自行车是由两个轮子，一个车架，一个鞍座，把手等组成的。即使是一个年轻人也能理解这些部件的作用，但同一个年轻人无法将"什么"与"怎么做"联系起来——几乎无法想象，一旦我们上车并开始蹬车，这些部件的组合如何能让我们保持平衡。但我们很快就学会了如何做到这一点，通常是在父母的帮助下。然而，当我们掌握了基础知识之后，我们本能地学习了许多额外的技能。例如低速转弯的技巧，这要求我们向相反的方向倾斜。或者是在我们向前倾斜的陡坡上减速所需要的技巧。在这里，自行车构造的"什么"是毫无帮助的，"如何"是通过在我们尝试每一个动作时不由自主地学习适应来完成的。

学习这些技能，建立在比较和学习的基础上，而不是通过一系列规则死记硬背，是令人兴奋的神经网络新世界的基础。诊断疾病是神经网络应用最有前途的领域之一。

诊断

考虑中风的生命危险状况。当放射科医生检查大脑的计算机断层扫描（CT）时，就可以确定中风的部位。一个重大的挑战是时间，因为随着时间的流逝，大脑的某些部分正在死亡。当受害者患中风时，CT扫描显示大脑解剖结构之间清晰边界的模糊难以察觉。放射科医生所看到的只是一些错误的暗示——中风的预兆——你或我可能都不会注意到。放射科医生已经学会了识别这种"有什么不对劲的暗示"的方法，这与我们学习骑自行车的方式非常相似。虽然有规则缩小诊断范围，但真正的艺术并不是那么简单。诊断的艺术被广泛应用，从诊断咳嗽的原因，通过区分皮肤癌和皮疹或痤疮，ecs云服务器，到评估中风。

几年前，为了确定在这种"诊断艺术"中使用了大脑的哪个部分，放射科医生在检查扫描时对自己进行了脑部扫描。研究结果表明，大脑中用于诊断的部分与模式匹配中用于识别普通物体的部分是相同的。例如，返利商城，这样的模式识别让我们所有人都能识别狼——不是通过把它和狗比较——而是简单地通过学习狼长什么样的模式。于是问题就出现了：计算机是否也可以通过模式识别而不是应用规则进行分析？更耐人寻味的是，这样的电脑能"成长和学习"吗？

神经网络可以学习

第一代基于规则的系统没有内置的学习方法——一台看过几千张x光片的机器并不比一台看过几张x光片的机器聪明。从基于规则到新的基于神经网络的诊断体系结构允许学习。神经网络模仿大脑中的神经突触，这些突触通过反复激活而增强和减弱。在神经网络中，电子商务数据分析，这种行为是通过调整节点间电子连接的权值来进行电子模拟的。

通过测试神经网络诊断皮肤癌的能力，发现可以教会它们区分癌症和良性疾病，如皮疹或痣。这个过程从创建一个"教学集"开始，这是一大组恶性肿瘤图像，用来教机器寻找什么。这台机器对用来表示恶性肿瘤的标准规则一无所知，它只接收图像。通过对成千上万的分类图像进行自我测试，这台机器开始创造出自己识别癌症的方法。结果与有资质的皮肤科医生相比，该机器对癌症发生概率的估计正确率要高出皮肤科医生。也就是说，这种机器不太可能漏掉黑色素瘤。最奇怪的是，我们不知道神经网络在接收什么。所有的内部调整都是在远离我们审查的情况下进行的；网络的行为就像一个黑匣子。我们不知道它是如何决定它的结论的。它不能告诉我们

未来

如此惊人的力量提供了一些非常令人信服的可能性。我们的手机可以分析变化的语言模式来诊断老年痴呆症。方向盘可以通过轻微的犹豫和颤抖来检测帕金森病的发病。在拜访专家之前，通过电子邮件发送给强大的异地网络的iPhone照片可以在屏幕上显示，以增加医疗专家的影响力和效力。最终，大数据可以像诊断全景图一样观察、记录和评估我们。这样的愿景将扩大该领域专家的范围和能力，大数据啥意思，在专家关注人类状况的同时，负责诊断。与人类诊断不同的是，这种系统从错误中学习并改进其技术，它们还积累了今天分布在数千名从业者中的知识。其潜力是惊人的。

神经网络使我们从"知道"变为"知道如何"，让医学专业人员专注于"知道为什么"–也就是说，解开一种疾病通常非常复杂的原因。

现在这确实是一种进步。