搞笑第一名
机器学习不仅仅是像新药或新医疗器械这种的新工具。相反，它是有意义地处理超出人类大脑理解能力的数据所需的基本技术，这种压倒性的信息存储越来越多地涉及庞大的临床数据库，甚至是关于单个患者的数据。医学领域“如此广泛和复杂，以至于难以在规则中捕获相关信息。“传统方法和机器学习之间的关键区别在于，在机器学习中，模型从示例中学习而不是用规则编程。在预测准确性至关重要的应用中，模型在数百万个特征和示例中查找统计模式的能力是实现超人性能的能力。然而，这些模式不一定对应于潜在的生物学途径的鉴定或支持新疗法发展的可修改的风险因素。
机器学习模型可以学习大量患者的健康轨迹模式。该设施可以帮助医生以专家级的水准预测未来事件，从超出个体医师实践经验的信息中获取信息。例如，患者能够重返工作岗位的可能性有多大，或疾病发展的速度有多快？在人口水平上，相同类型的预测能可靠地识别即将患有高风险疾病的患者或提高医疗保健服务利用率; 此信息可用于资源调度，防患于未然。大型综合卫生系统已经使用简单的机器学习模型自动识别有可能转移到重症监护病房的住院患者，回顾性研究表明，可以使用EHR的原始数据建立更复杂和准确的预后模型和医学成像。
拿眼科医生为例，每只眼睛都是独一无二的，但顶级的医生可以判断患者的一个微妙征兆何时是属于正常范围内的，何时又是属于异常的。医学研究所的结论是，几乎每个患者在其一生中都会遭遇诊断错误，只有接受正确的诊断才能接受适当的护理。这个问题并不罕见，在发展中国家，即使有不错的治疗手段、充足检查病患的时间和经过专业培训的医者，也可能因为仪器不够先进而误诊。
最近使用机器学习的尝试表明，与专家一起生成策划数据集，更新模型以纳入新发布的证据，根据区域处方做法对其进行调整，以及为便于使用而自动从电子病历中提取相关变量，这些都具有挑战性。
直接获得医学专业知识的渠道有限，将机器学习的真知灼见直接提供给患者变得越来越重要。即使在专家临床医生供应充足的地区，这些临床医生也担心他们是否有能力及时处理海啸般的大量数据，这些数据可能来自患者佩戴的传感器或活动跟踪设备。事实上，机器学习模型的一个希望就是使用来自数百万患者遭遇的数据进行训练，他们可以为医疗保健专业人员提供做出更好决策的能力。例如,护士可能能够承担传统上由医生执行的许多任务，初级保健医生可能能够履行传统上由医学专家执行的一些职责，而医学专家可以将更多的时间用于患者，患者将受益于他们的特定专业知识。
加速创建大量医疗保健数据将从根本上改变医疗保健的性质。我们坚信，患者与医生的关系将成为向许多患者提供医疗服务的基石，并且通过机器学习的额外见解将丰富这种关系。
我们正在开发类似的软件-比如一名30岁的高度近视患者用智能手机应用程序给自己的眼睛拍了一张眼睛的照片，并填下了之前用眼情况和最近增长幅度的相应数值，该应用程序建议立即与眼科医生预约。该应用程序会在2天内安排与一位经验丰富的德视佳眼科医生的预约。此预约将自动与患者的个人日程表进行交叉核对。眼科医生对病变进行活检，验光师审查计算机辅助诊断高度近视及散光，然后由眼科医生确定可否进行ICL手术。
现在的科技含量，机器还没有比人的经验更老道，尤其不可能比一位每年平均千台手术的临床医生判断正确，若干年后技术成熟可能会达到这种效果，不过那时候应该是6G革新了，现在最好的医疗技术就是''老医生+新机器''，这样才有1+1大于2的效果。
EuroEyes约根森博士
医生用药，主要靠的是经验和知识；
机器诊断主要靠的是数据积累，这方面和医生的经验非常的相似；若干年以后，很可能机器比医生还要精准；医生是人，是人就有七情六欲，就会受到一些外界的干扰，比如情绪等，很可能这些干扰会使医生做出一时的判断失误；
但是机器不会，永远冷冰冰，只是为了达到目的而进行数据的采集，分析，判断，所以未来可能会比医生更加精准并不是一个空谈。
而现有的医疗资源分配不平均的问题在好多年前已经很明显了，如果医疗资源平均化，那就要增加很多的医护人员，但是一个医生从读书到实习到能独挡一面，需要花很多年的时间；而一个出色的医生花的时间更加长，全国这么多医疗条件比较差的地方，有这么多医护人员吗？如果能用机器代替一部分医疗资源，一定能起到缓解的作用；所以机器治疗，诊断越来越重要；
柏林先生
这主要是为收费创造有利证据与条件 实事证明也是如此 因为医生用机器代替自己说话更显得有证据 科学 但很多疾病是仅仅给了病人一个机器设备检查的证据 却没有办法治愈 钱却收了一大堆 这是值得怀疑的 又如何自圆其说？只好用一个托词 病因不详 或者癌症
