由Andrew Ng带头的斯坦福大学研究小组发现，相比专家，机器学习模型能更好地从心电图（ECG）中识别心律失常。应用该模型，不仅能增强心律失常诊断的可靠性，而且能使医学资源稀缺的地区也获得优质的医疗服务。同时，它也标志着机器学习或许将彻底改变医学。近年来，研究人员发现，机器学习技术可以从医学图像中识别多种疾病，包括乳腺癌、皮肤癌和眼睛疾病等。


斯坦福大学研究小组训练的深入学习算法，能够识别不同类型的心律失常。某些心率失常会引发严重后果，甚至猝死，但识别这些心率失常非常困难。患者经常被要求佩戴ECG传感器长达数周，但即使这样，医生也难以区分良性的心律失常和需要立即治疗的失常。研究小组与 iRhythm（一家制造便携式 ECG 设备的公司）合作。他们从不同的心律失常患者处收集了30万个30秒的剪辑。深度学习过程中，小组将这些剪辑输入大型模拟神经网络，并对参数进行微调，直到算法能够准确识别出有问题的 ECG 信号。然而，深度学习是一种特别不透明的机器学习形式，说服医生和患者应用算法非常困难。不过，毫无疑问，一场革命即将到来。