搞笑第一名
機器學習不僅僅是像新藥或新醫療器械這種的新工具。相反，它是有意義地處理超出人類大腦理解能力的數據所需的基本技術，這種壓倒性的信息存儲越來越多地涉及龐大的臨床數據庫，甚至是關於單個患者的數據。醫學領域“如此廣泛和複雜，以至於難以在規則中捕獲相關信息。“傳統方法和機器學習之間的關鍵區別在於，在機器學習中，模型從示例中學習而不是用規則編程。在預測準確性至關重要的應用中，模型在數百萬個特徵和示例中查找統計模式的能力是實現超人性能的能力。然而，這些模式不一定對應於潛在的生物學途徑的鑑定或支持新療法發展的可修改的風險因素。
機器學習模型可以學習大量患者的健康軌跡模式。該設施可以幫助醫生以專家級的水準預測未來事件，從超出個體醫師實踐經驗的信息中獲取信息。例如，患者能夠重返工作崗位的可能性有多大，或疾病發展的速度有多快？在人口水平上，相同類型的預測能可靠地識別即將患有高風險疾病的患者或提高醫療保健服務利用率; 此信息可用於資源調度，防患於未然。大型綜合衛生系統已經使用簡單的機器學習模型自動識別有可能轉移到重症監護病房的住院患者，回顧性研究表明，可以使用EHR的原始數據建立更復雜和準確的預後模型和醫學成像。
拿眼科醫生為例，每隻眼睛都是獨一無二的，但頂級的醫生可以判斷患者的一個微妙徵兆何時是屬於正常範圍內的，何時又是屬於異常的。醫學研究所的結論是，幾乎每個患者在其一生中都會遭遇診斷錯誤，只有接受正確的診斷才能接受適當的護理。這個問題並不罕見，在發展中國家，即使有不錯的治療手段、充足檢查病患的時間和經過專業培訓的醫者，也可能因為儀器不夠先進而誤診。
最近使用機器學習的嘗試表明，與專家一起生成策劃數據集，更新模型以納入新發布的證據，根據區域處方做法對其進行調整，以及為便於使用而自動從電子病歷中提取相關變量，這些都具有挑戰性。
直接獲得醫學專業知識的渠道有限，將機器學習的真知灼見直接提供給患者變得越來越重要。即使在專家臨床醫生供應充足的地區，這些臨床醫生也擔心他們是否有能力及時處理海嘯般的大量數據，這些數據可能來自患者佩戴的傳感器或活動跟蹤設備。事實上，機器學習模型的一個希望就是使用來自數百萬患者遭遇的數據進行訓練，他們可以為醫療保健專業人員提供做出更好決策的能力。例如,護士可能能夠承擔傳統上由醫生執行的許多任務，初級保健醫生可能能夠履行傳統上由醫學專家執行的一些職責，而醫學專家可以將更多的時間用於患者，患者將受益於他們的特定專業知識。
加速創建大量醫療保健數據將從根本上改變醫療保健的性質。我們堅信，患者與醫生的關係將成為向許多患者提供醫療服務的基石，並且通過機器學習的額外見解將豐富這種關係。
我們正在開發類似的軟件-比如一名30歲的高度近視患者用智能手機應用程序給自己的眼睛拍了一張眼睛的照片，並填下了之前用眼情況和最近增長幅度的相應數值，該應用程序建議立即與眼科醫生預約。該應用程序會在2天內安排與一位經驗豐富的德視佳眼科醫生的預約。此預約將自動與患者的個人日程表進行交叉核對。眼科醫生對病變進行活檢，驗光師審查計算機輔助診斷高度近視及散光，然後由眼科醫生確定可否進行ICL手術。
現在的科技含量，機器還沒有比人的經驗更老道，尤其不可能比一位每年平均千臺手術的臨床醫生判斷正確，若干年後技術成熟可能會達到這種效果，不過那時候應該是6G革新了，現在最好的醫療技術就是''老醫生+新機器''，這樣才有1+1大於2的效果。
EuroEyes約根森博士
醫生用藥，主要靠的是經驗和知識；
機器診斷主要靠的是數據積累，這方面和醫生的經驗非常的相似；若干年以後，很可能機器比醫生還要精準；醫生是人，是人就有七情六慾，就會受到一些外界的干擾，比如情緒等，很可能這些干擾會使醫生做出一時的判斷失誤；
但是機器不會，永遠冷冰冰，只是為了達到目的而進行數據的採集，分析，判斷，所以未來可能會比醫生更加精準並不是一個空談。
而現有的醫療資源分配不平均的問題在好多年前已經很明顯了，如果醫療資源平均化，那就要增加很多的醫護人員，但是一個醫生從讀書到實習到能獨擋一面，需要花很多年的時間；而一個出色的醫生花的時間更加長，全國這麼多醫療條件比較差的地方，有這麼多醫護人員嗎？如果能用機器代替一部分醫療資源，一定能起到緩解的作用；所以機器治療，診斷越來越重要；
柏林先生
這主要是為收費創造有利證據與條件 實事證明也是如此 因為醫生用機器代替自己說話更顯得有證據 科學 但很多疾病是僅僅給了病人一個機器設備檢查的證據 卻沒有辦法治癒 錢卻收了一大堆 這是值得懷疑的 又如何自圓其說？只好用一個託詞 病因不詳 或者癌症
