基于30万份诊断数据，横滨市构筑了对病情严重程度进行预测的模型。为了提高准确度，始终在更新机器学习的方法。从最初的“1ogistic回归”分析到“贝叶斯网络”“支持向量机(SVM)”，再到现在的“随机森林”，随着每一次方法的改进，系统的预测精准度都有所提升，现在已经达到80%以上。有意思的一点是，比起在构建预测模型时参考了医生意见的贝叶斯网络，没有参考医生意见的SVM及随机森林的预测精确度反而更高。“电脑竟然能比医生更准确地判断患者病情的严重程度”，这对一般人来说可能在感情上很难接受。
通过在各个领域不断尝试机器学习并评估其成效，寻找可以应用的新领域，这种态度是非常重要的。制药公司过去依靠的是实验和建模方式，而现在它们开始利用机器学习进行新药研发。2014年，日本的非营利组织(Non-Profit Organization，NPO)“并列生物信息处理Initiative”举办了“用电脑创造制药原料”大赛。在这场大赛中，引进了机器学习的风险企业“信息数理生物”公司拔得了头筹。比赛的主题是从220万种化合物中寻找出拥有某种疗效的、可用于制药的化合物。在这里需要找出损伤蛋白质活性的化合物，这是造成疾病的原因。目前共有两种方法可以找出这种化合物：①进行真实的实验；②通过电脑建模的方式再现蛋白质和化合物的构造，并据此进行模拟实验。但是，化合物共有220万种，如果对每一种都进行实验或建模，从成本到时间上都很难做到。该公司以“结构相似的化合物，其作用也相似”这一生物规则为线索，让电脑“针对现有839医药品的结构进行机器学习，寻找结构相似的化合物”。实践证明，利用这种方法确实找到了有望作为药品发挥作用的化合物。
在素材和材料领域也能看到同样的探索。在“信息材料学”方面，现在正通过机器学习寻找可用于制造超导体及太阳能电池材料、锂离子电池材料的化合物。
第14章 医疗大数据和人工智能
423