随着大数据的深入应用，机器学习已经进入医疗领域。过去数年间，出现了诸多“机器”准确进行医学诊断的例子。
机器学习是指通过计算机学习数据中的内在规律性信息，获得新的经验和知识，以提高计算机的智能性，使计算机能够像人那样去决策。随着各行业对数据的需求量增多，对处理和分析数据的效率要求变高，一系列机器学习算法应运而生。机器学习算法主要是指通过数学及统计方法求解最优化问题的步骤和过程。针对不同的数据和不同模型需求，选择和使用适当的的机器学习算法可以更高效地解决一些实际问题。
据报道，简单心理创始人兼CEO简里里介绍，精神心理第一类为偏医学是精神科，比如精神分裂、抑郁症、焦虑症和人格障碍医学上的诊断和治疗;第二类是心理咨询。她认为，机器学习在精神医学上也有非常大的应用潜力。目前世界各地都有一些研究，来诊断一个人的抑郁症或者是诊断他的精神类疾病，除了症状以外，还可能去看脑电的变化、脑区的变化。甚至会它会通过一个人的语音、语意、语流、语速，通过机器学习的算法来判断一个人，一个双向性格情感障碍发作的人和普通人之间的区别，以及它也能有一些预测的。
而在心理咨询上，除了一对一的、不可量化的人工干预手段以外，如何定义疾病、如何定义心理问题，以及如何定义干预，她认为机器学习都是非常大的机会。
1.辅助诊断：目前，ML和DL在精神疾病中的研究基本集中在诊断上，基于ML和DL的计算机辅助诊断工具可以帮助临床医生对精神疾病进行分类，短时间内形成更可靠、准确和标准化的诊断。有研究者将ML用于痴呆和注意缺陷多动障碍的诊断，通常可以达到90%以上的准确率。对精神分裂症、自闭症、抑郁症和药物滥用障碍等其他精神疾病的分类研究也在慢慢积累。
2.预测疾病发展轨迹：一些研究显示出ML预测疾病发展轨迹的能力，如从轻度认知障碍到AD的转变，这对于早期发现AD并预防其发展至关重要。
3.疾病的早发现早干预：AI最大潜力可能在识别可穿戴设备数据以及电话和短信中的信息。由于手机几乎陪伴我们一整天，可收集和感知各种各样的心理健康数据，并整合生理、运动、环境和社会信息，跟踪及融合不同来源的心理健康大量数据，利用ML算法的强大和高效预测心理健康状况，当然也伴随着深刻的伦理和安全问题。
4.病因及机制研究：使用多模态数据的ML算法能够从神经成像和基因组学中获得的数据中，提供病理机制的信息，去了解基因如何形成结构，以及结构如何实现功能。
5.新药发现：自20世纪90年代后期起，ML一直用于药物研发，并已成为药物研发的有用工具。DL具有更灵活的架构，对于分子设计和反应预测非常有用。AI可应用在药物研发的不同环节，包括虚拟筛选苗头化合物、新药合成路线设计、药物有效性及安全性预测、药物理化性质预测、晶型预测、药物分子设计、筛选生物标志物、研究新型组合疗法等。基于已有的化学、生物学数据和知识建立有效的数据模型，可通过ML来预测药品研发过程中的安全性、有效性、不良反应等，从而有望实现减少人力、时间、物力等投入，降低药品研发成本的目的。
欲了解机器学习行业更多内容详情可点击查看《2019-2025年中国机器学习行业发展趋势及投资预测报告》。
