樂觀看法：Evolution of Machine Learning Will Strengthen Radiology、還有這裡
悲觀看法：Will machine learning turn radiologists into losers?、還有這裡、這裡
其實利用電腦來幫助醫學影像診斷的想法，也不是這幾年才有的新話題，只是以往電腦診斷方面的研究結果在臨床運用有許多的問題：
1. 病灶圈選需要仰賴放射科醫師
2. 自動化分析的結果需要人為解釋
3. 某一台機器上得到的診斷標準，不一定能套到另外一台機器上（就好像 A 醫院研究說血糖超過110 算異常，可是到 B 醫院卻說必須超過 300 才算異常，每一家醫院每一台機器都需要收集自己的常模）
4. 大部分研究是群體分析，不能用在個體診斷。
5. 大部分研究主要希望教導電腦我們已經知道的知識，用人類寫好的程式，讓他們接近人類的診斷準確率幫助診斷，但是不致於超越人類。
但是直到最近，電腦開始學會像人類一樣自己學習，從新資訊中做出預測，像人類一樣「模糊思考」，才真正讓人類迫切感受到被取代的危機感。身為放射科醫師，當然要提早接觸，想辦法讓人工智能成為我們工作的助力，而不是把我們吞沒的浪潮。
相關新聞：
「人機對弈」落幕：李世石 1:4 負於 AlphaGo
人機博弈：人工智能戰機模擬空戰中獲勝
Computer program beats physicians at brain cancer diagnoses
------（這是分隔線、以下是我的讀書筆記）
參考文章：
The 3 genres of AI you should know about、完整中譯版看這
Look Ahead - Machine Learning in Radiology
人工智能（Artificial Intelligence, AI）三大主要分支
1. Cognitive AI （認知AI）
認知計算是最受歡迎的人工智能分支，負責所有“像人類一樣”的互動。必須能夠輕鬆處理複雜性和模糊性，同時還持續不斷地藉由 data mining、natural language processing（NLP，自然語言處理）和智能自動化的經驗中學習。
現在人們越來越傾向於認為認知 AI 混合了人工智能提供「最佳建議」和人類決策，用以監督更棘手或不確定的事件。這可以幫助擴大人工智能的應用性，並生成更快、更可靠的答案。
2. Machine Learning （機器學習AI）
機器學習（ML）AI 還處於計算機科學的前沿，但將來有望對日常工作場所產生極大的影響。機器學習是要在大數據中尋找一些普通統計分析中看不到的“模式”，然後在沒有過多的人為解釋的情況下，用這些模式來預測結果。
3. Deep Learning （深度學習）
如果機器學習是前沿的，那麼深度學習則走在尖端。結合大數據和無監督學習算法，它的應用通常圍繞著龐大的未標記數據集，這些數據集需要結構化成互聯的群集。深度學習的靈感來自於我們大腦中的神經網絡，因此可稱其為「人工神經網絡」。
數據學習法有兩種
1. Supervised learning（有監督學習）
有監督學習針對已經標籤的數據學習不同數據集之間的關係，使用這些關係來預測未來的數據。好處是有監督學習可以利用長久累積的既有知識、但是也較難發掘到新的模式。
2. Unsupervised learning（無監督學習）
無監督學習只處理數字和原始數據，因此沒有建立起可描述性標籤和因變量。該算法的目的是找到之前沒有發現的內在結構或疾病模式。
