對于許多技術驅動型的行業，技術的不斷突破是它們必要的生存條件。然而另一些領域卻因為監管等限制，更偏向于沿襲傳統做法。醫療領域就屬于后者。盡管精準醫療計劃的推行、當代的移動醫療的浪潮為行業帶來了極大進展，但醫療作為國家經濟的一個重要組成部分，還是在各種約束之下顯得更加守舊，對一些有潛力的先進工具接受度較低。

深度學習已經不是什么新鮮話題，而且其應用場景還正在廣泛延展。傳統的深度學習技術很可能將出現一些更加成熟的變體(卷積和遞歸神經網絡都是其初始形式)，為一些醫療領域提供特定的功能，挖掘更多的可能。當然，我們也將很快面臨一系列挑戰。

在過去一年，深度學習已經從原本主攻的視頻、影像、語音識別分析等商業領域更多地轉向了科研領域。對于醫療來說，深度學習將更深植于醫學影像、基于傳感器的數據分析、轉化生物信息學、公共衛生政策發展等方面。

一群專業的深度學習研究人員專門分析了近年來深度學習在醫療信息中化的應用，指出：計算機功能、快速數據存儲、并行計算這幾方面的提升，是深度學習得以迅速發展的基礎，而深度學習的預測功能和自動識別功能讓它在疾病診斷中廣受歡迎。另外他們還發現，醫療行業對深度學習技術的使用不僅在頻率上有顯著提升，而且在種類上也有一定的變化。遞歸神經網絡作為最主要的一個種類，從2010年的近90%降低到2015年的40%;而其他改良類型的使用頻率越來越高。

優缺點及適用質疑

對于醫療信息化領域，深度學習自動尋找新特征的功能非常有用。舉個例子，無需人為干涉，深度學習算法就可以從醫學影像中找出許多復雜程度極高，難以用語言詳盡描述出的對比特征。這些細微的特征可能是纖維瘤的象征，也可能是息肉。研究人員們還指出，在公共健康領域，深度學習還能從復雜的區域和人口數據中找出宏觀規律。

“大多數的深度學習模型所追蹤的特征都是難以說明的，”研究人員指出，“因此，使用者們通常都把深度學習作為一個‘黑箱’方法，不可能也沒必要解釋它是怎么作出正確判斷的。”但深度學習這個黑箱的問題是，神經網絡在被訓練的過程中可能會被“欺騙”。

所謂“欺騙”，即在輸入的數據中加入小的改變，就很容易誤導深度學習系統。比如在一張醫學影像中加入極細微的干擾，導致樣品被錯誤地剔出分類;反過來，有時候一些無意義的合成樣本也被歸入某類中。這是深度學習的技術面臨的真正局限，當然，不止深度學習，任何機器學習的手段都可能產生同樣的問題。

訓練任何類型的神經網絡識別一些簡單的特征，都需要大量的數據。況且這項技術并非對所有情況都適用，尤其是罕見疾病。對于深度學習來說，過度學習(過擬合)現象仍是一個問題，這會導致神經網絡難以實現普適化。

雖然深度學習在醫療上很有前途，但面臨著一些質疑的聲音：這種技術在醫療的應用上究竟能占多大的比例?某些領域是否真的有必要引入深度學習?說是代替醫生的人工判斷，擁有更高的準確性，而實際上真的能確保使用的效率提升嗎?這些問題我們仍沒有答案，但有一點我們很確定，那就是已經有很多大公司已經在用深度學習探索醫療的道路上越走越寬，而掌握了這項技術的醫療創業公司也層出不窮。

舉例：將深度學習技術用于醫療的企業

1.IBM：采用深度學習識別癌變細胞的有絲分裂

診斷癌變細胞時，通常是用活組織切片檢查法來分析病人組織樣本。分析樣本時，會將典型的組織樣本用試劑溶液進行著色標記，試劑顏色的深淺及其在細胞組織內的分布情況，預示著疾病種類及惡化程度。

但有時這些組織尤為細小，醫學專家需要尋找替代肉眼的方法從中檢測出腫瘤細胞消失或癌變的重要特征，方便醫生進行下一步決策。就在2016年MICCAI國際會議的“腫瘤擴散評估挑戰賽”中，IBM實驗室人員用人工智能的方法識別組織樣本特性，取得了不錯的成績。

2.谷歌DeepMind：深度學習用于醫療記錄、眼部疾病、癌癥治療

去年2月，DeepMind成立DeepMindHealth部門，收購了做醫療管理應用的Hark公司，結合自己的深度學習專長來改進傳統紙質病例的弊端。

去年7月，與Moorfields眼科醫院合作，開發辨識視覺疾病的深度學習系統，以識別老年黃斑變性、糖尿病視網膜病變等眼部疾病的早期征兆，提前預防視覺疾病。

去年8月，DeepMind還用深度學習的算法來設計頭頸癌患者放療療法，縮短放療時間、降低放療傷害。

3.英偉達：癌癥分布式學習環境計劃

決心深潛深度學習的計算機圖形芯片制造商英偉達去年宣布，與美國國家癌癥研究所和美國能源部合作，開發一套人工智能計算機框架，用于輔助癌癥研究。該框架名為“癌癥分布式學習環境計劃”(CancerDistributedLearningEnvironment，CANDLE)。

癌癥有千百種，每一種癌癥的發病原因又可以有上千種，選擇合適的療法是個大工程。CANDLE計劃會利用深度算法，從醫療行業大量的數據中找出規律與模式，幫助研究者預測某類腫瘤對特定藥物的反應，又有那些原因導致癌細胞增殖療等。

更多資訊請關注機器視覺頻道