https://www.yiliao.com/index.php?action=history&feed=atom&title=%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0
机器学习 - 版本历史
2026-04-18T05:17:31Z
本wiki的该页面的版本历史
MediaWiki 1.35.1
https://www.yiliao.com/index.php?title=%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0&diff=311281&oldid=prev
77921020：建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面
2025-12-29T02:02:22Z
<p>建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面</p>
<p><b>新页面</b></p><div><div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff; max-width: 1200px; margin: auto;"><br />
<br />
<div style="margin-bottom: 30px; border-bottom: 1.2px solid #e2e8f0; padding-bottom: 25px;"><br />
<p style="font-size: 1.1em; margin: 10px 0; color: #334155; text-align: justify;"><br />
<strong>机器学习</strong>（Machine Learning, <strong>ML</strong>）是<strong>[[人工智能]]</strong>（AI）的一个核心分支，致力于研究如何让计算机系统利用数据进行“学习”并优化性能，而无需进行显式的编程指令。在医学领域，ML 算法通过分析海量的<strong>[[电子病历]]</strong>、医学影像及<strong>[[基因组数据]]</strong>，能够发现人类难以察觉的隐性模式。当前，随着<strong>[[深度学习]]</strong>（Deep Learning）技术的突破，ML 已成为构建下一代<strong>[[临床决策支持系统]]</strong>（CDSS）和实现<strong>[[精准医疗]]</strong>的技术基石。<br />
</p><br />
</div><br />
<br />
<div class="medical-infobox mw-collapsible mw-collapsed" style="width: 100%; max-width: 380px; margin: 0 auto 35px auto; border: 1.2px solid #bae6fd; border-radius: 12px; background-color: #ffffff; box-shadow: 0 8px 20px rgba(0,0,0,0.05); overflow: hidden;"><br />
<br />
<div style="padding: 18px; color: #1e40af; background: linear-gradient(135deg, #e0f2fe 0%, #bae6fd 100%); text-align: center; cursor: pointer;"><br />
<div style="font-size: 1.2em; font-weight: bold; letter-spacing: 1.2px; text-decoration: none;">机器学习 · 核心逻辑</div><br />
<div style="font-size: 0.75em; opacity: 0.85; margin-top: 4px; white-space: nowrap;">Data ➔ Model ➔ Prediction (点击展开)</div><br />
</div><br />
<br />
<div class="mw-collapsible-content"><br />
<div style="padding: 30px; text-align: center; background-color: #f8fafc;"><br />
<div style="display: inline-block; background: #ffffff; border: 1px solid #e2e8f0; border-radius: 8px; padding: 25px; box-shadow: 0 4px 6px rgba(0,0,0,0.04); color: #64748b; font-size: 0.9em;"><br />
本质：从数据中自动提取规律<br />
</div><br />
</div><br />
<br />
<table style="width: 100%; border-spacing: 0; border-collapse: collapse; font-size: 0.95em;"><br />
<tr><br />
<th style="text-align: left; padding: 10px 15px; border-bottom: 1px solid #f1f5f9; color: #475569; background-color: #f8fafc; width: 40%;">基础原料</th><br />
<td style="padding: 10px 15px; border-bottom: 1px solid #f1f5f9; color: #0f172a;">标注数据 (Labelled Data)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 10px 15px; border-bottom: 1px solid #f1f5f9; color: #475569; background-color: #f8fafc;">关键算法</th><br />
<td style="padding: 10px 15px; border-bottom: 1px solid #f1f5f9; color: #0f172a;">神经网络, 随机森林, SVM</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 10px 15px; border-bottom: 1px solid #f1f5f9; color: #475569; background-color: #f8fafc;">主要任务</th><br />
<td style="padding: 10px 15px; border-bottom: 1px solid #f1f5f9; color: #0f172a;">分类 (诊断), 回归 (预后)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 10px 15px; color: #475569; background-color: #f8fafc;">最新形态</th><br />
<td style="padding: 10px 15px; color: #1e40af; font-weight: 600;">大语言模型 (LLMs)</td><br />
</tr><br />
</table><br />
</div><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold; text-decoration: none;">学习范式：机器如何“思考”</h2><br />
<br />
<p style="margin: 15px 0; text-align: justify;"><br />
根据训练数据是否包含标签（答案），ML 主要分为三种范式，各自对应不同的医疗应用场景：<br />
</p><br />
<br />
<ul style="padding-left: 25px; color: #334155;"><br />
<li style="margin-bottom: 12px;"><br />
<strong>监督学习 (Supervised Learning)：</strong> <br />
给 AI 看带标签的病历（如“这张 X 光片是肺炎”）。训练后，AI 用于<strong>诊断分类</strong>或预测疾病风险。这是目前医疗 AI 最成熟的应用。<br />
</li><br />
<li style="margin-bottom: 12px;"><br />
<strong>无监督学习 (Unsupervised Learning)：</strong> <br />
给 AI 一堆杂乱的数据，让它自己找规律。常用于<strong>疾病分型</strong>（如将糖尿病患者自动分为 5 个亚型）或发现新的生物标志物。<br />
</li><br />
<li style="margin-bottom: 12px;"><br />
<strong>强化学习 (Reinforcement Learning)：</strong> <br />
通过“奖励/惩罚”机制训练 AI。类似于训练医生做手术，AI 在模拟环境中不断试错，最终学会制定最佳的<strong>动态治疗方案</strong>（如 ICU 的胰岛素泵量调节）。<br />
</li><br />
</ul><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold; text-decoration: none;">医学核心应用场景</h2><br />
<br />
<div style="overflow-x: auto; margin: 30px 0;"><br />
<table style="width: 100%; margin: 0 auto; border-collapse: collapse; font-size: 0.95em;"><br />
<tr style="border-bottom: 2px solid #0f172a;"><br />
<th style="padding: 12px 0; text-align: left; color: #475569; width: 22%; font-weight: bold;">应用领域</th><br />
<th style="padding: 12px 0; text-align: left; color: #475569; font-weight: bold;">技术实现与临床价值</th><br />
</tr><br />
<tr style="border-bottom: 1px solid #e2e8f0;"><br />
<td style="padding: 16px 0; vertical-align: top; color: #1e40af; font-weight: bold;">医学影像分析</td><br />
<td style="padding: 16px 0; vertical-align: top; color: #334155;"><br />
<div style="margin-bottom: 6px;"><strong>• 卷积神经网络 (CNN)：</strong>自动识别 CT/MRI 中的微小结节或出血点。</div><br />
<div><strong>• 价值：</strong>在皮肤癌、眼底病变筛查中，准确率已达到或超过人类专家水平。</div><br />
</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #e2e8f0;"><br />
<td style="padding: 16px 0; vertical-align: top; color: #1e40af; font-weight: bold;">辅助诊疗 (CDSS)</td><br />
<td style="padding: 16px 0; vertical-align: top; color: #334155;"><br />
<div style="margin-bottom: 6px;"><strong>• 预测模型：</strong>基于患者历史数据，实时预测脓毒症（Sepsis）或心衰风险。</div><br />
<div><strong>• 大语言模型 (LLM)：</strong>自动生成病历摘要，辅助医生进行复杂病例的鉴别诊断。</div><br />
</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #e2e8f0;"><br />
<td style="padding: 16px 0; vertical-align: top; color: #1e40af; font-weight: bold;">新药研发</td><br />
<td style="padding: 16px 0; vertical-align: top; color: #334155;"><br />
<div style="margin-bottom: 6px;"><strong>• 图神经网络 (GNN)：</strong>预测药物分子与靶点蛋白的结合亲和力。</div><br />
<div><strong>• 价值：</strong>将药物筛选周期从数年缩短至数月，显著降低研发成本。</div><br />
</td><br />
</tr><br />
</table><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold; text-decoration: none;">从“特征工程”到“深度学习”</h2><br />
<p style="margin: 15px 0; text-align: justify;"><br />
早期的机器学习（如逻辑回归、SVM）依赖专家手动提取特征（Feature Engineering），被称为“浅层学习”。2012 年后，<strong>[[深度学习]]</strong>（Deep Learning）的爆发改变了游戏规则。通过构建多层人工神经网络，计算机能够自动从原始数据（如像素、文本）中学习高阶抽象特征，解决了医学数据高维、非结构化的难题，但也带来了<strong>“黑盒”不可解释性</strong>的挑战。<br />
</p><br />
<br />
<div style="font-size: 0.92em; line-height: 1.6; color: #1e293b; margin-top: 50px; border-top: 2px solid #0f172a; padding: 15px 25px; background-color: #f8fafc; border-radius: 0 0 10px 10px;"><br />
<span style="color: #0f172a; font-weight: bold; font-size: 1.05em; display: inline-block; margin-bottom: 5px;">参考文献与学术点评</span><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[1] <strong>LeCun Y, Bengio Y, Hinton G. (2015).</strong> <em>Deep learning.</em> <strong>Nature</strong>. <br><br />
<span style="color: #475569;">[学术点评]：AI 领域的“圣经”。由三位图灵奖得主共同撰写，系统阐述了深度学习的基本原理，是理解现代 AI 技术爆发的必读文献。</span><br />
</p><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[2] <strong>Esteva A, et al. (2017).</strong> <em>Dermatologist-level classification of skin cancer with deep neural networks.</em> <strong>Nature</strong>. <br><br />
<span style="color: #475569;">[学术点评]：标志性研究。首次证明了在特定任务（皮肤癌诊断）上，深度卷积神经网络的准确率可以媲美甚至超越人类专家。</span><br />
</p><br />
<br />
<p style="margin: 12px 0;"><br />
[3] <strong>Topol E J. (2019).</strong> <em>High-performance medicine: the convergence of human and artificial intelligence.</em> <strong>Nature Medicine</strong>. <br><br />
<span style="color: #475569;">[学术点评]：深入探讨了 AI 如何作为医生的“外挂大脑”，通过处理多模态数据来实现高性能的个体化医疗。</span><br />
</p><br />
</div><br />
<br />
<div style="margin: 40px 0; border: 1.5px solid #0f172a; border-radius: 8px; overflow: hidden; font-size: 0.95em;"><br />
<div style="background-color: #0f172a; color: #ffffff; text-align: center; font-weight: bold; padding: 10px; letter-spacing: 1px;">机器学习 · 知识图谱关联</div><br />
<div style="padding: 15px; background: #ffffff; line-height: 2.2; text-align: center; text-decoration: none;"><br />
[[人工智能]] • [[深度学习]] • [[CDSS]] • [[医学影像]] • [[药物基因组学]] • [[大语言模型]] • [[神经网络]]<br />
</div><br />
</div><br />
<br />
</div></div>
77921020