当谷歌DeepMind的AlphaGo在2016年令人震惊地击败传奇围棋选手李世石（Lee Sedol）时，人工智能（AI）、机器学习和深度学习等术语被推入了技术主流。

人工智能通常被定义为电脑或机器展示或模拟智能行为的能力，比如特斯拉（Tesla）的自动驾驶汽车和苹果（apple）的数字助理Siri。这是一个蓬勃发展的领域，也是许多研究和投资的重点。机器学习是人工智能系统从原始数据中提取信息，并从新数据中学习预测的能力。深度学习将人工智能与机器学习相结合。它关注的算法灵感来自于大脑的结构和功能，称为人工神经网络。

最近，深度学习在消费者世界和整个医学界都受到了广泛关注。Alex Krizhevsky设计的神经网络AlexNet获得了2012年ImageNet大型视觉识别挑战赛（ImageNet Large Scale Visual Recognition Challenge）的冠军，这是一项年度图像分类竞赛。另一个相对较新的进展是使用图形处理单元（graphical processing units， GPUs）来支持深度学习算法。GPUs擅长深度学习应用程序所需的计算（乘法和加法），从而降低了应用程序的处理时间。

在萨斯喀彻温大学的实验室里，研究人员正在进行与医疗保健应用相关的有趣的深度学习研究——作为一名电气和计算机工程教授，Seokbum Ko教授领导着这个研究团队。在医疗保健方面，使用人工智能或机器学习进行诊断是一项新技术，已经取得了令人兴奋和充满希望的进展。

提取眼睛里的血管

视网膜血管异常是诊断糖尿病和心脏病的重要手段。为了提供可靠和有意义的医学信息，医生必须从视网膜图像中提取视网膜血管进行可靠和有意义的解释。虽然手工分割是可能的，但它是一项复杂、耗时、繁琐的工作，需要较高的专业技能。这个研究团队已经开发出一种系统，可以通过读取原始视网膜图像来分割视网膜血管。它是一种计算机辅助诊断系统，减少了眼科护理专家和眼科医生的工作量，处理图像的速度提高了10倍，同时保持了较高的准确性。

检测肺癌

计算机断层扫描（CT）被广泛应用于肺癌的诊断。然而，由于CT扫描中良性（非癌性）和恶性（癌性）病变的视觉效果相似，因此CT扫描不能总是提供一个可靠的诊断。即使是有多年经验的胸部放射科医生也是如此。CT扫描分析的快速发展，迫切需要先进的计算工具来协助放射科医生进行筛查。

为了提高放射科医生的诊断能力，研究人员提出了一种深度学习的解决方案。根据他们的研究结果，他们的解决方案优于有经验的放射科医生。此外，使用基于深度学习的解决方案总体上提高了诊断性能，经验较少的放射科医生从系统中获益最大。

局限和挑战

尽管深度学习算法已经在放射学和医学的各种任务中显示出巨大的前景，但这些系统还远远不够完美。获取高质量的带注释的数据集仍然是深度学习培训的一个挑战。大多数计算机视觉研究是基于自然图像的，但对于医疗保健应用程序，我们需要大型的带注释的医疗图像数据集。

从临床角度来看，另一个挑战将是测试深度学习技术与人类放射科医生相比表现如何。医生和机器学习科学家之间需要更多的合作。人类生理的高度复杂性也将对机器学习技术带来挑战。

另一个挑战是验证用于临床实施的深度学习系统的需求，这可能需要多机构协作和大型数据集。最后，需要一个高效的硬件平台来保证深度学习系统的快速处理。在复杂的医疗保健领域，人工智能工具可以支持人类从业者提供更快的服务和更准确的诊断，并分析数据，以识别可能导致某人患上某种特定疾病的趋势或遗传信息。

当节省时间就意味着挽救生命时，人工智能和机器学习可能会对医疗工作者和患者产生革命性的影响。