兩年來，無論是在語音識別、圖像識別還是文本理解，深度學習在醫療領域都有超乎想象的突破。

在語音識別領域，梅奧診所與以色列語音分析公司Beyond Verbal合作的研究發現13個語音特征和冠心病存在相關性，其中一個語音特征與冠心病存在強相關。

在自然語言處理領域，IBM的沃森機器人能夠在17秒內，閱讀3469本醫學專著，248000篇論文，69種治療方案，61540次實驗數據，106000份臨床報告，并根據醫生輸入的病人指標信息，最終提出優選的個性化治療方案。

與此同時，伴隨著計算機視覺的技術進步，深度學習技術在醫療影像領域頻頻取得重大突破，人工智能除了教會機器如何“聽懂”和“讀懂”，更能教會機器“看懂”我們的世界，并在此基礎上協助醫生診斷疾病。醫療數據中有超過90%的數據來自醫療影像，醫療影像領域擁有孕育深度學習的海量數據，也存在著借助深度學習提高醫生“看片子”診斷的效率的需求。因此，在醫療影像領域，深度學習可能率先進入臨床階段。

13萬張圖像的訓練下，深度學習識別皮膚癌的準確率媲美人類醫生

皮膚癌是人類最常見的惡性腫瘤，雖然它們出現在皮膚表面，但人們往往將其誤認為是自然生長的“痣”，耽誤病情，確診后已為時過晚。奇點糕還記得，電影《非誠勿擾2》里面，孫紅雷飾演的李香山從小就長出來的一顆黑痣轉變成了惡性的黑色素瘤，最終不堪絕癥折磨的他選擇跳海自殺。

早期檢測到的黑色素瘤的 5 年生存率在 97% 左右，如果晚期查出 5 年生存率將會下降 14%，皮膚癌的早期發現可能會對其結果產生巨大的影響。對于皮膚癌的篩查，主要是通過視覺診斷。一般先進行臨床篩查，之后可能進行皮膚鏡分析、活檢和組織病理學研究。那么有沒有一種更簡單地方法篩查皮膚癌呢？或者說，能不能利用智能手機篩查皮膚癌？

借助深度卷積神經網絡（CNN）技術，斯坦福大學的研究者讓這個設想更進一步：研究者們在谷歌用于識別貓和狗算法的基礎上，經過13萬張皮膚病變的圖像訓練后，可用于識別皮膚癌。該系統與21位皮膚科醫生進行的2輪的對比測試：角質細胞癌與良性脂溢性角化病，以及惡性黑色素瘤和普通的痣。第一輪代表最常見的癌癥識別，第二輪代表了最致命的皮膚癌識別。深度卷積神經網絡在這兩個任務上的表現都達到了所有接受測試的專家的水平，證明了這一人工智能系統的皮膚癌鑒定水平與皮膚科醫生相當。這一研究成果發表在2017年1月份的Nature期刊上。