ECG ×AI: 机器/深度学习的ECG应用入门（6）

Aiwiscal

后记
正文已经结束了，在这里还想罗嗦几句，那就是一些棘手的问题：

1.特征选择与参数调优。这个前面已经提到了。
2.个体间差异带来的性能恶化。不知道你发现没有，前面的算法中，我们是把所有提取到的心拍放在一起，然后再划分训练集和测试集的，没有考虑个体差异问题。也就是说，来自相同病人的心拍是可以同时存在于训练集和测试集中，这样使得我们的结果都很好看，很多的国内外论文也是这么做的。但是，这与实际场景似乎有些不符合，实际场景中，我们已经得到的有标签的数据来自一些旧的病人，而我们需要根据这些数据的规律去预测新的病人。这时，个体差异性的影响会体现出来，使得我们在旧病人数据上训练的模型，难以有效泛化到新病人的数据。解决这个问题是很困难的，但目前还没有一个系统化的方案。
3.数据稀缺。医疗数据不像普通的数据那样容易获取，并且涉及到个人隐私问题。目前，包括ECG在内的智能医疗领域，还没有像计算机视觉领域imagenet那样公认的，有影响力的“大”数据集，这也限制了这个领域的发展。
4.可解释性差。目前大受欢迎的神经网络系列模型为“黑盒”模型，虽然取得了良好的性能，但是模型的内在原理一直无法解释。这对医疗领域的影响尤其明显，毕竟一个可解释的诊断结果才更令人接受。
5.……

问题可能还会有很多，但对于我们这些初级研究者来说，可能第1，2点是我们可以有所作为的。我们可以改进模型，可以提出更有针对性的优化方法等
等。而数据稀缺和可解释性差的问题，可能只能由那些有影响力的大牛解决了。想要有更全面的了解，可以阅读下面的文献：

*Ravì, Daniele, et al. "Deep learning for health informatics." IEEE journal of biomedical and health informatics 21.1 (2017): 4-21.
*Miotto, Riccardo, et al. "Deep learning for healthcare: review, opportunities and challenges." Briefings in bioinformatics (2017).

搞研究不易，且搞且珍惜……头发。
祝顺利。