近期机器学习的进步已经使其在医学中的重要应用成为可能，而在医学领域许多关键任务对临床医生来说是繁琐且耗时的。本论文展示了在心脏病学，病理学和RNA测序方面使用机器学习的工作。本论文首先介绍了机器学习在心脏病学中的几个应用，重点关注心脏超声图，即心脏的超声波检查。常规的心脏超声评估需要人类专家进行繁琐的标注。首先，我介绍EchoNet-Dynamic，这是一种用于从心脏超声图评估心脏功能的算法。然后，EchoNet-Dynamic被集成到临床系统中，并通过盲法随机临床试验进行评估。接着，我介绍了将该算法扩展到儿科患者和急诊科现场护理心脏超声的内容。然后，本论文介绍了将机器学习应用于病理学和RNA测序的工作。首先，我介绍了in silico-IHC，它能通过常用的组织化学染色样本预测免疫组化染色。接下来，我介绍了ST-Net，它通过从显微图像估计空间转录组测量来结合RNA测序和病理学。最后，我介绍了CloudPred，它通过单细胞RNA测序数据预测患者的表型。

机器学习由于引入了大量的大数据集，计算能力的增加和新的模型架构而得以迅速发展。这些进步使得机器学习在医学中的重要应用成为可能，因为在医学领域许多关键任务对临床医生来说是繁琐且耗时的。在这些场合使用机器学习有机会简化临床医生的工作流程并减少错误。本论文展示了在心脏病学，病理学和RNA测序方面使用机器学习的工作。本论文首先介绍了机器学习在心脏病学中的几个应用。心脏病学中最常用的诊断工具是心脏超声图，即心脏的超声波检查。心脏功能的一个关键指标是射血分数，通常由人类专家通过手动标注心脏超声图视频来评估。第2章介绍了EchoNet-Dynamic，这是一种用于从心脏超声图评估心脏功能的算法。EchoNet-Dynamic自动提供了评估患者射血分数所需的标注。接下来，第3章中，EchoNet-Dynamic被集成到临床系统中，并通过盲法随机临床试验进行评估。在这次试验中，心脏病学家更倾向于使用EchoNet-Dynamic进行的初步评估，而不是超声技师进行的初步评估。最后，第4章和第5章介绍了将该算法扩展到儿科患者和急诊科现场护理心脏超声的内容。然后，本论文介绍了在病理学和RNA测序方面的工作。用于病理学的显微镜图像具有非常高的分辨率，提供关于细胞形态的详细信息，同时评估起来也非常耗时。首先，第6章介绍了使用常用的组织化学染色样本来预测免疫组化染色的工作，这有助于识别感兴趣的蛋白质并帮助疾病诊断。另一个提供关于组织样本详细信息的工具是RNA测序。第7章通过从显微图像估计空间转录组测量来结合病理学和RNA测序，识别组织切片内的丰富空间信息和异质性。最后，第8章介绍了从单细胞RNA测序数据预测患者表型的工作。