9、医疗机器学习应用的挑战与机遇

医疗机器学习应用的挑战与机遇

1. 机器学习应用的技术集成挑战

在设计机器学习应用时，技术集成是一个常见的挑战。例如，在开发聊天机器人应用时，前端应用通常使用对机器友好的语言，如 C# 或 Java 来创建，而聊天机器人的智能部分则在 Python 中运行。这就需要将两者集成在一起，可通过各种插件技术实现，如将 C# 集成到 Python 或反之，然后让它们通过这些插件库进行通信。

如果聊天机器人需要通过网站与人类交互，就需要一种从网页前端 GUI 连接到 Python 代码的方法，像 Flask 这样的服务和技术就能实现这种集成。

2. 原型失败问题

团队构建概念验证并向业务所有者展示原型，但在现实世界中实施时，会面临诸多问题。常见问题与所使用技术的扩展性有关，比如一个为 10 个用户设计的原型，在扩展到数千个用户时可能会出现卡顿。

有时，原型使用的某种技术在开发时未构建某些特定功能，当尝试使用该技术创建这些功能时，就会发现该技术并不适合所构建的原型应用。原型失败是机器学习应用可能面临的设计失败之一，甚至可能导致项目终止。

3. 选择最佳算法

选择最佳算法是机器学习应用失败的另一个重要原因。推荐使用 scikit-learn 速查表来选择算法，它能帮助我们在复杂的算法选择过程中找到合适的算法。

以下是一个选择算法的示例步骤：
1. 从橙色开始按钮进入，回答问题“样本是否大于 50？”，若样本为 125 家医院，大于 50，则无需获取更多数据。
2. 接着回答“是否预测类别？”，若预测的是食物浪费的千克数（数量而非类别），则回答否，进入预测数量环节。 <