近日，來自美國的研究人員宣布，他們開發了一種新算法(計算機工具)，其能夠通過對照片進行分析來鑒別皮膚癌。相比肉眼判斷而言，這種新方法能夠對一塊皮膚進行掃描來尋找常見危險形式的皮膚癌，研究者表示，這種方法能夠幫助具備醫師資格認證的皮膚科醫生來區分兩種形式的皮膚癌：角化細胞癌和惡性黑色素瘤。

        皮膚癌的診斷工具是基於一種強大的機器學習，其能夠通過圖像來提取信息，醫學診斷工具能夠達到準確性和可靠性的關鍵因素就是研究人員利用該工具所進行的大量數據訓練，研究者表示，他們對129，450個皮膚圖像進行了分析，同時對每一個圖像都進行了標記來確定是否該皮膚圖像中存在癌變區域，這種新型工具能夠自動有效地對皮膚圖像進行區分鑒定。

        同時這種新型工具還能夠對來自簡單手持攝像機拍攝的圖片進行分析，比如我們手機中的照片，這就意味著，全科醫生，或者甚至是病人都能夠對某一塊皮膚進行拍照，並且來判斷是否拍攝區域中的皮膚會發生癌變。

        但將本文研究轉化成為臨床產品用來進行實踐診斷或許還需要後期研究者的深入探索、研究以及檢測。

機器也能夠像人類一樣通過經驗來進行學習

        機器學習實際上是一種非常簡單的想法，代替告訴電腦如何解決問題，科學家們就會給機器一係列實例來讓其學習如何自我解決問題。比如從眾多狗狗的圖片中區分出貓的圖片相對簡單，而且這是一個蹣跚學步的孩子也能夠做到的，然而沒有人能夠寫下一堆指令來讓計算機對其進行準確處理，所有類型的圖片中都包含有各種姿勢的毛茸茸的動物，而且兩組圖片間並沒有明顯的區別來作為計算機進行區分的基礎。

        機器學習能夠通過避免人類進行決策規則來解決問題，相反在機器學習的方法下，我們就能夠對所有類別的案例標簽，同時係統也能夠自身做出區分。解釋醫學數據時的很多問題都存在於機器學習所能夠理解的範疇之內，當然鑒別癌變的皮膚組織的問題也就類似於對狗狗和貓的圖片進行區分，一旦提供每個類別的案例，並且進行合適標記，那麼機器學習係統就能夠學會如何有效對其進行區分。

機器學習的工作原理有點類似於大腦的工作方式

        在最近發表的一項研究報告中，研究者認為，機器學習係統或許是基於神經網絡而開發的，尤其是其非常適合於進行圖片的處理，神經網絡就是機器學習的一種形式，其基於大腦的鬆散架構，同時其又由具有較大規模、多個分層的簡單處理單元所組成。神經網絡的改變於20世紀80年代開始蔓延開來，但科學家們並未達到其預想的那樣，而機器學習以及神經網絡的再現取決於研究者們對大量數據的儲存和整理，同時計算機也有著強大的數據處理能力。

        計算機繪圖技術的發展主要是為了電腦遊戲而生，同時其也衍生出了很多軟件，這些軟件能夠在一秒內對成千上萬張圖片進行分析處理，為了達到合理的結果往往就需要計算機對成百萬張圖片進行長達數周的處理，同時可能需要對10億多個因素進行調節，但計算機繪圖技術就能圓滿完成這種目標。

在製定某些類型的決策上 計算機要優於人類

        在製定醫學和其它決策上，當進行高水平分析時人類往往有一定優勢，此時或許需要一定的背景知識，回答一些關於圖片內容的問題(比如這個女孩兒高嗎?或者她是否穿了一件紅色T恤?)就需要人類感興趣的物體類型的相關背景知識。當僅僅需要信息才能夠製定決策時往往就在於信號本身，此時機器學習就會以較小的優勢取勝，第一個著名的例子就是識別圖像中的路標，路標往往被認為能夠吸引人類視覺係統的注意力，然而機器學習的方法在準確性和可靠性上往往優於人類，而且相關的研究結果已經對多種類型的信號進行了重複，從演講到醫療記錄，如今再到皮膚損傷部位的圖像。

        機器學習方法的價值不僅在於其準確性遠高於人類，而且還很便宜，同時還能夠幫助研究人員進行更為一致性的診斷。研究者認為，通過結合多種因素就能夠促進全科醫生辦公室、醫院等機構中基於醫療設備的機器學習能力的發展，同時這種新型係統也能夠為研究者提供即時的信息訪問來幫助醫生更加快速地對信息作出反應，這或許在臨床上能夠大大改善患者的診斷、治療以及預後表現情況，同時還能夠降低患者不必要的醫療開支。