Wiki百科上关于Flexner Report里有句Flexner的原文，”An education in medicine,” wrote Flexner, “involves both learning and learning how; the student cannot effectively know, unless he knows how.” 有点拗口，看了下各个翻译平台的结果，可以列出来比较一下。
分类：人工智能
机器之心上“百度11篇论文被国际自然语言处理顶级会议ACL 2020录用”的新闻，其中第11篇为“Towards Interpretable Clinical Diagnosis with Bayesian Network Ensembles Stacked on Entity-Aware CNNs”
在PubMed里订阅的检索更新已经有近100篇没有看摘要了，这个更新速度真是夸张，看来得转变一下策略，肯定是要增加一下过滤条件了。
前两天花了一天多的时间，把JAMA的 How to Read Articles That Use Machine Learning 文章翻译完了，在微信公众号上先发一下，然后在WP上更新。这篇文章对于医疗人士了解和学习跟AI相关的研究非常有帮助。JAMA的 Users’ Guides 系列文章一直不错。
摘要
近年来，许多新的临床诊断工具都是利用复杂的机器学习方法开发出来的。无论诊断工具是如何导出的，都必须通过导出、验证和建立工具的临床有效性3个步骤来评估。基于机器学习的工具还应该评估所使用的机器学习模型的类型及其对输入数据类型和数据集大小的适合性。机器学习模型一般也有额外的预设，称为超参数，必须在独立于验证集的数据集上进行调整。在验证集上，评估模型的结果被称为参考标准。必须对参考标准的严格性进行评估，例如对照普遍接受的金标准或专家评分。
4月初BMJ又发了一篇系统综述，并配发了同期述评，结论如标题。
今天看了腾讯研究院微信公众号发布的《海外数字抗疫的六大方向》一文，大致分为：1、借助平台优势发布权威信息，协助民众自我筛查；2、利用地理位置信息等筛查追踪密切接触者；3、发挥云计算和大数据优势，助力疫情研判与科研攻关；4、发挥云服务优势，确保资源分配公平合理；5、利用网络平台为社区互助和志愿服务创造条件；6、为远程办公、教育和居家娱乐提供便利。
思考的问题
- 机器学习是否需要理解信息的内容？信息本质规律（或者更准确的说是抽象规律）是否能代表信息本身？这种信息学上抽象逻辑是更本质的？
- 是否理解信息的内容才是判断智能的基础，而不是仅通过概率来模拟内容？
- 对于互联网上因立场不同而特意输出的混淆信息，计算机又如何能够识别？
在家辅导孩子功课，乐理教材第一页就写到了音的四种性质：音高、音程、音强、音色，联想到绘画（基础——素描）教材 Successful Drawing 中介绍的，“We learn to distinguish one appearance from another, in size or proportion, in color, and in texture.” 简单说来，图像区分是通过大小/比例、颜色、材质，这个是绘画大师的总结，也可以说是代表人的智能对于图像的识别甚至洞察。在目前机器学习的图像识别方面，通过训练获得的洞察是什么，有没有透视的概念？
今天痛苦的、心潮澎湃的刷了一遍 2015年 Nature 上发的Deep Learning 综述，第一感觉是文章真是不错，就是很多地方看不懂，囫囵吞枣地先硬着头皮读了下去（所以说是刷），至少先有个大概印象，看看那些内容是重复的、重要的、核心的，后续再详细了解。读完搜了一下三位作者，因为国外期刊综述一般是邀请行业内文章主题领域内最权威的人来写，看看到底作者是哪位大牛（之前文献分析没看作者），结果是被誉为人工智能之父的三位大神。
今天更新了一下昨天WOS的搜索结果，其实内容略微有些新增，但是用的还是昨天下载的数据，用CiteSpace简单做了一下引文分析。