学习心得
之前我们主要学习了模式识别的基本概念，以及所需要的模型又有机器学习获得，以及对所得模型的一些评估。之后基于距离的分类器，有欧氏距离d(x1,x2)=(x2−x1)T∗(x2−x1)得出的MED分类器，以及分类器的去除特征相关性而采取的特征白化，之后得到的距离就是马氏距离，这些都是为决策而做的，为了分类决策又学习了贝叶斯规则来得到后验概率，根据贝叶斯公式得到决策边界p(x|C1)p(C1)>p(x|C2)p(C2)，因此特有MAP分类器既最大后验概率分类器，而在MAP基础上加决策风险因素就是贝叶斯分类器，而在贝叶斯分类器中要知道后验概率又要求先验概率和观测似然概率，这就需要机器学习，机器学习中的监督学习问题，方法有两种分别是最大似然估计和贝叶斯估计
机器学习人工智能领域的医学前沿技术
- 2018年，全球医疗市场的人工智能市场规模为21亿美元。
- 预计到2025年，全球医疗市场的人工智能市场规模将增长到361亿美元，在预测期内复合年增长率为50.2%。
- 机器学习预计将占据市场的最大份额，其次是自然语言处理。
- 驱动因素越来越大，数据集也越来越复杂，越来越需要降低日益增加的医疗成本、提高计算能力、降低硬件成本。
- 面临的挑战是医疗从业者不愿意采用基于人工智能的技术，缺乏熟练的劳动力，以及对软件的监管指南不明确。
人工智能在医疗领域常见的应用场景与应用类型：
医疗机器人
医疗机器人是人工智能应用中最受关注的一大领域。衍生于工业机器人技术，借助PUMA260工业机器人平台于1985年首次开展了机器人辅助定位的神经外科活检术，成为医疗机器人起步的标志。目前常见的医疗机器人可分为五类：手术机器人、检查机器人、康复机器人、护理机器人以及导诊机器人。
辅助诊疗
医学人工智能的辅助诊疗，即通过让机器学习海量的医学数据和专业知识，模拟医生的思维诊断方式，综合了自然语言处理、认知技术、机器的学习等技术，可以让人工智能具备医生的诊断能力，短时间内提供出搞笑、精准的诊断结果和个性化的治疗方案，提高医生的诊断效率。
医学影像
医学影像是人工智能在医疗领域应用较早且广泛的领域之一。借助计算机视觉技术，能够实现病灶识别与标注、靶区自动勾画与自适应放疗以及影像三维重建等功能。
药物研发
医学人工智能可加速药物从研发向临床转化。一种新药从研发到上市至少经历10——15年的时间，平均成本26亿美元。其中，药物研发的时间成本高达11.6亿美元。人工智能在药物研发上能够应用于新药发现阶段与临床实验阶段，在靶点筛选、药物发掘、药物优化、服药依从性管理、药物晶型预测等环节。借助人工智能将大幅缩短新药的研发时间，节省大量人工成本，提高新药研发的效率。
健康管理
人工智能技术与医疗健康可穿戴设备的结合，可以实现对个人健康进行精准把握，预测疾病风险，管理个人健康。