什么是深度学习，为何意义重大，以及这种创新的人工智能战略将如何改变医疗行业？
目录
序言
2018年11月30日各种规模、类型的医疗保健组织对人工智能如何在降低成本和提高效率的同时为医疗提供更为完善的支持性服务进行了探索。在较短的时间内，AI的可用性和复杂性爆炸式增长，深度学习是一个不错的起点。人工智能的这一分支已迅速为医疗领域带来了巨大的变革，为之提供了前所未有的高速度、超精度分析数据的能力。但是，深度学习到底是什么？它与其他机器学习策略有何不同？如何利用深度学习技术来促进医疗领域的革新是目前最紧迫的研究问题？
深度学习概述
深度学习也称为分层学习或深度结构化学习，是一种使用分层算法体系结构来分析数据的机器学习方法。在深度学习模型中，数据通过多层级联进行过滤，每个连续的层都使用前一层的输出作为该层的输入，深度学习模型随着处理更多数据而变得越来越准确，本质上是从先前的结果中学习知识以完善内部参数及其内部链接。深度学习大致是基于生物神经元相互连接以处理大脑中信息的方式进行实现的。其数据传递类似于电信号在生物细胞中传播的方式，隐藏层中当前节点的接收来自前一节点的刺激时，就会激活它。这些“隐藏”层用于执行数学翻译任务，将原始输入转化为有意义的输出。
2015年在《自然》杂志上发表的一篇文章，该文章定义“深度学习方法是具有表示形式的多层次的表示学习方法，它是通过组合简单但非线性的模块而获得的，每个模块都将一个级别的表示（从原始输入开始）转换为更高，更抽象的级别的表示”。 与其他类型的机器学习不同，深度学习不需要额外特征工程，将原始数据（例如图像的像素值）转换为合适的内部表示或特征向量。深度学习方法（通常是分类器）就可以检测出输入数据的模式或者类别。其额外好处是能够做出决策，而减少人为参与。
深度学习在医疗领域的应用
影像分析和诊断
卷积神经网络（CNN）是一种深度学习模型，特别适合分析图像，例如MRI结果或X射线。
在2018年6月，在肿瘤学年报显示，卷积神经网络训练分析皮肤科图像鉴定特异性黑色素瘤。即使当临床医生掌握了有关患者的背景信息（例如年龄，性别和可疑特征的身体部位）时，CNN的表现也比皮肤科医生高出近7％。
除了高度准确之外，深度学习工具还很快速。
西奈山伊坎山医学院的研究人员开发出了一种深度神经网络模型，该能够诊断重要的神经系统疾病，例如中风和脑出血，其速度是人类放射科医生的150倍。
电子病例分析与处理
对电子健康记录（EHR）进行分析是自然语言处理领域的重要研究内容，比如根据电子病例进行并发症预测等；例如，由Google、旧金山加州大学旧金山分校、斯坦福大学和芝加哥大学组成的团队开发了一种基于深度学习的自然语言处理方法，该方法分析了两家医院的216,000个EHR中的460亿个数据点。 用于识别和预测病人住院时间和预测住院病人的死亡率等等。但是需要大量的数据支持。
临床决策支持和预测分析
医疗领域对深度学习在多种情况下的临床决策支持和预测分析中的作用寄予厚望。 比如：麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员创建了一个名为ICU Intervene的项目，该项目利用深度学习来提醒临床医生注意重症监护病房的患者病情恶化 。Google也在眼部疾病临床决策支持方面处于领先地位。该公司位于英国的子公司DeepMind 正在开发一种商业化的深度学习CDS工具，该工具可以识别50多种不同的眼疾，并为每种眼疾提供治疗建议。在《自然》杂志上发表的一项支持性研究中，DeepMind和Moorfields眼科医院发现该工具与人类临床医生一样准确，并且有可能通过减少检查和诊断的时间来显着扩大获得护理的机会。
深度学习在医疗领域发展前景
待总结
