在年的时候，MITCSAIL教授ReginaBarzilay依然带领学生在ACL、EMNLP上发布了六篇论文，而且在接下来的几年笔耕不辍，高产连连。
你或许要问雷锋网AI科技评论：为何用“依然”这个词？
因为在这一年，Barzilay被诊断患有乳腺癌。
ReginaBarzilay专注NLP领域，在年曾被评选为MITTR35之一。在患病之后，Brazilay意识到好的数据非常宝贵。「你非常需要数据，非常需要信息。」Barzilay表示，「我是否要采用这种药物？这个治疗方案对我来说是最好的选择吗？复发率会是多高？如果没有可靠的数据支持，那么你的治疗方案只能依赖全凭运气的猜测。」
兴许是自己的切身体会让Barzilay感触良多，在鬼门关走过一遭后，Barzilay在回到学校后就着手开展了机器学习应用于医学领域的研究，并在年发布了《利用机器学习分析乳腺癌报告》的论文。
从诊断到治疗，从预防到检测，Barzilay想做的并不是颠覆现有的临床研究，只是想利用机器学习帮助医生和患者从中受益。医生会通过病人的信息手工映射到结构化的数据上，并确定病症的相关性。这种原始的方法可以与计算机科学联系起来，并利用后者完成人类医生一直在做的事情。
但是，诊断中存在的延误与失误对科学进步而言实在是一大讽刺和阻碍。雷锋网根据美国肿瘤协会提供的一项数据了解到，美国每年有万人诊断患有癌症，但只有3%参加了临床试验。而目前的研究实践数据只能完全依赖这3%的患者。因此，Barzilay想做的，就是从剩下的97%患者中获取更多的信息。
Barzilay医院名师的合作，医院（MGH）的乳腺放射科主任TaghianAlphonse、MGH的AvonComprehensiveBarzilayreastEvaluationCenter的KevinHughes、还有乳腺图像处理部的ConstanceLehman等。他们为Barzilay的研究提供宝贵的数据支持。
而在MITStata中心，Barzilay表示目前的项目资金其实足够给前来工作的学生们支付酬劳，但就像Barzilay一样，学生们都是本着一颗热忱的心在无偿劳动。「在MIT这么长时间，我从来没有见过学生对研究抱着如此崇高的情怀，而且还自愿奉献自己的时间。」
Barzilay主要通过NLP结合患者的诊断报告，对数据进行检索、总结及文本的理解。通过NLP工具，Barzilay与学生们从10.8万份癌症患者的报告中提取了相关的临床信息，而所整理的数据集准确度达到98%。
她的工作核心是机器学习，或者说，让计算机从数据中习得算法与事物间的内在联系。就像亚马逊、Netflix那样，系统能够跟踪并预测你的喜好，并将这些「小结论」综合为大数据。
下一步，Barzilay准备将治疗结果加进诊断报告中。在另一个研究中，Barzilay开发了一个数据集，Hughes团队能够利用这个数据集监控非典型疾病的发展，也就是说，医生可以判断哪些病人在未来有高风险罹患癌症的可能性。
机器在预测上有着天生的优势——但Barzilay却不满足于此，她与电子工程及计算机科学学院的教授TommiJaakkola及学生TaoLei尝试揭开机器学习的黑箱，在文本数据方面提出了一种新的训练神经网络的方法，让机器不仅可以提供预测与分类，还能为人类的决策提供理论的决策依据。这一研究目前已经尝试应用于数千份乳腺活检的病理报告，通过文本为病理学家提供诊断依据。
此外，Barzilay也在研究如何让这些新工具更好地做出预测。乳腺的X光片信息量非常大，人类在短时间内很难全部看清，而与之不同的是，机器能够观察到最为细微的变化，而且在低像素的X光中，它的表现也同样不俗。Barzilay与Lehman和NicolasLocascio进行合作，将深度学习用于分析乳腺X光片。
他们的小目标是希望帮助放射科医生分析一些常用的诊断指标，大目标则是希望能在X光片都看不出端倪时，能够先给病人敲响警钟，或判断哪些病人的有复发的可能性。这实际上也就是「预测」了——在X光还没有显示问题时，机器就已经「看透」了一切。
但要实现终极目标，则需要让计算机应用于健康领域的各个方面。目前这一方向已经有了进展：Taghian与研究生JulianStraub带领六个本科生目前开发了一个采用机器学习检测淋巴瘤的设备。这种疾病早期症状非常隐蔽，如果没有及时发现，后果将不堪设想。不过由于造价昂贵，相关的检测设备在美国非常稀缺。学生们正在尝试开发出造价更加便宜的版本，并希望数月内能在MGH里进行测试。
Barzilay对于目前机器学习做出的贡献感到非常欣慰，她认为这在未来将会对医疗领域产生巨大变革，「现在依然任重道远，我们的征程才刚刚开始。」雷锋网也将持续
