當谷歌DeepMind的AlphaGo在2016年令人震驚地擊敗傳奇圍棋選手李世石（Lee Sedol）時，人工智能（AI）、機器學習和深度學習等術語被推入了技術主流。

人工智能通常被定義為電腦或機器展示或模擬智能行為的能力，比如特斯拉（Tesla）的自動駕駛汽車和蘋果（apple）的數字助理Siri。這是一個蓬勃發展的領域，也是許多研究和投資的重點。機器學習是人工智能系統從原始數據中提取信息，并從新數據中學習預測的能力。深度學習將人工智能與機器學習相結合。它關注的算法靈感來自于大腦的結構和功能，稱為人工神經網絡。

最近，深度學習在消費者世界和整個醫學界都受到了廣泛關注。Alex Krizhevsky設計的神經網絡AlexNet獲得了2012年ImageNet大型視覺識別挑戰賽（ImageNet Large Scale Visual Recognition Challenge）的冠軍，這是一項年度圖像分類競賽。另一個相對較新的進展是使用圖形處理單元（graphical processing units， GPUs）來支持深度學習算法。GPUs擅長深度學習應用程序所需的計算（乘法和加法），從而降低了應用程序的處理時間。

在薩斯喀徹溫大學的實驗室里，研究人員正在進行與醫療保健應用相關的有趣的深度學習研究——作為一名電氣和計算機工程教授，Seokbum Ko教授領導著這個研究團隊。在醫療保健方面，使用人工智能或機器學習進行診斷是一項新技術，已經取得了令人興奮和充滿希望的進展。

提取眼睛里的血管

視網膜血管異常是診斷糖尿病和心臟病的重要手段。為了提供可靠和有意義的醫學信息，醫生必須從視網膜圖像中提取視網膜血管進行可靠和有意義的解釋。雖然手工分割是可能的，但它是一項復雜、耗時、繁瑣的工作，需要較高的專業技能。這個研究團隊已經開發出一種系統，可以通過讀取原始視網膜圖像來分割視網膜血管。它是一種計算機輔助診斷系統，減少了眼科護理專家和眼科醫生的工作量，處理圖像的速度提高了10倍，同時保持了較高的準確性。

檢測肺癌

計算機斷層掃描（CT）被廣泛應用于肺癌的診斷。然而，由于CT掃描中良性（非癌性）和惡性（癌性）病變的視覺效果相似，因此CT掃描不能總是提供一個可靠的診斷。即使是有多年經驗的胸部放射科醫生也是如此。CT掃描分析的快速發展，迫切需要先進的計算工具來協助放射科醫生進行篩查。

為了提高放射科醫生的診斷能力，研究人員提出了一種深度學習的解決方案。根據他們的研究結果，他們的解決方案優于有經驗的放射科醫生。此外，使用基于深度學習的解決方案總體上提高了診斷性能，經驗較少的放射科醫生從系統中獲益最大。

局限和挑戰

盡管深度學習算法已經在放射學和醫學的各種任務中顯示出巨大的前景，但這些系統還遠遠不夠完美。獲取高質量的帶注釋的數據集仍然是深度學習培訓的一個挑戰。大多數計算機視覺研究是基于自然圖像的，但對于醫療保健應用程序，我們需要大型的帶注釋的醫療圖像數據集。

從臨床角度來看，另一個挑戰將是測試深度學習技術與人類放射科醫生相比表現如何。醫生和機器學習科學家之間需要更多的合作。人類生理的高度復雜性也將對機器學習技術帶來挑戰。

另一個挑戰是驗證用于臨床實施的深度學習系統的需求，這可能需要多機構協作和大型數據集。最后，需要一個高效的硬件平臺來保證深度學習系統的快速處理。在復雜的醫療保健領域，人工智能工具可以支持人類從業者提供更快的服務和更準確的診斷，并分析數據，以識別可能導致某人患上某種特定疾病的趨勢或遺傳信息。

當節省時間就意味著挽救生命時，人工智能和機器學習可能會對醫療工作者和患者產生革命性的影響。