大数据癌症——我们如何对抗什么样的“药”副作用最小.docVIP

大数据癌症——我们如何对抗？什么样的“药”副作用最小？ 摘要：经过多少年努力，癌症治愈率仅提升了不到8%。羁 Bernard Marr 是大数据布道者，著名科技作家，顶级商业数据专家。本文只有一小部分编译于Bernard Marr写的文章，编译者又扩写了70％的内容。 为什么要编译这篇文章，一方面是讲述大数据在生活中的应用，另一方面，作者则写了一些话： 通过编译与癌症有关的文献得知，有近90%的癌症患病风险与人们的生活方式密切相关，而程序员群体的生活方式，很多都处于不健康或亚健康状态，如熬夜、加班、抽烟、缺乏运动，都是很多程序员的日常生活状态。我们与其用寄希望于用最先进的技术（如大数据）来诊断和治疗癌症，远远不如用良好的生活方式将癌症“扼杀于摇篮当中”。 2015年7月初，李开复先生在癌症医治康复后，在其微博上解嘲自己：大家以后不要叫我李开复，叫我李康复就好了。如果生命可以后退30年，或许李先生会重新选择自己的生活方式。有句话说得好：健康是前面的1、事业、财富、名利等都是其后的0，失去前面的1、一切皆为零！ 知易行难，共勉之！ 以下是正文：1.什么是大数据？ 图1 旧石器时代晚期的伊桑戈骨头(Ishango Bone)（图片来源：由译者根据维基百科图片二次绘制而成） 旧石器时代的部落成员（特别是首领），通常会在树棍或者动物骨头上刻下凹槽，用以记录日常的交易活动或物品供应。通过比较树棍或骨头上凹痕的多少与变化，来进行基本的数据运算，从而可使部落首领够对一些事情进行预测，如山洞里食物还可维持几天，何时再去打几只野兔等。 在本质上，数据代表的是已发生的事实，其核心的作用则是对未来的预测。 数据的发明，对人类文明的进步，发挥了举足轻重的作用。传统意义上的“数据”，可视为“有依据的数字”。数字之所以诞生，就是因为人类在长期的实践过程中体会到，难以仅仅用语言、文字和图像，来精确描绘自己身边的世界。例如，由于每个人对“很”、“非常”这类虚词理解不一样，当有人问“今天天气有多热”，如果回答说“很热”、“非常热”，别人听到后，也只能获取一个大致的抽象印象。但如果用数字描述“今天40摄氏度”，就会毫不含糊，一清二楚。 把视野拉回当下。当人类社会进入信息时代以后，“数据”的内涵大大地被延展了，数据不仅是指“有根据的数字”，还包括存储在计算机中的信息，如表格、文本、图片、音频和视频等。 图2 1986年~2007年这30年的全球信息存储容量变化（图片来源：） 有研究资料显示，自1980年以来，全球信息总量每24个月就可以翻一番。当时间迈过21世纪，自2002年数字时代开启以来，数据呈现海量增长趋势（如图2所示）。特别是在2004年社交媒体产生后，人人都是数据的生产者，数据更是呈现爆炸性增长趋势，大数据开始迈入大众的视野。 由于处于计算机科学的前沿，大数据并没有公认的定义。世界著名咨询机构麦肯锡（McKinsey）公司于2011年5月发布《大数据:下一个创新、竞争和生产力的前沿》的研究报告，报告认为：“大数据是指，大小超出了典型数据库软件的采集、储存、管理和分析等能力的数据集。” 麦肯锡的这个定义有意地带有主观性，对于“究竟多大才算大数据”，其标准是可以调整的。脸谱（Facebook）的工程总监Parikh认为，“大数据”要有“大价值”。“大数据的意义在于，能从数据中挖掘出能对商业有价值的决策力和洞察力。如果不能好好利用自己收集到的数据，那么空有一堆数据，即使体量再大，也不能称之为大数据。”2.癌症从哪里来？2.1外在因素 图4 烟草消费类于肺癌发病率高度相关（图片来源：） 换句话说，20岁的你，年轻任性，“一枝梨花压海棠”，潇洒地抽了一口烟，就为人到中年、事业有成40岁左右的你，培养了一个可能突变的癌细胞。但正因为这个巨大的滞后时间间隔——20年，“麻痹”了很多人：抽支烟，解解乏，也没有什么大不了的。殊不知，这种烟草消耗量和肺癌发病率的巨大的相关性，不得不让人们侧目、反省、深思。 当然，也会有人会站在学术层面表态：“相关性”不代表“因果性！” 的确，从严格意义上讲，统计学无法检验逻辑上的因果关系。根据统计结果，可以说“抽烟人群的肺癌发病率，会比不抽烟人群的发病率，高好几倍”，但统计结果无法得出“抽烟致癌”的逻辑结论。 中国概率统计领域的奠基人、国际著名数理统计学家陈希孺院士，生前常用这个例子来说明统计学的特点（案例来源：李国杰院士《大数据研究的科学价值》）。 但话说回来，大数据布道师维克托?迈尔-舍恩伯格在其著作《大数据时代》中提到的核心观点：“要相关，不要因果”。也就是说，大数据关注事物间的相关性(correlation)，而非紧盯事物之间的因果关系（causal relation）。 也许正是因为统计方法并不致力于追寻事物间的因果关系，才促使数据