隨著谷歌的AlphaGo戰勝韓國棋手李世石之後，深度學習從學術界的熱點技術，變為大眾熱捧的熱門技術，成為當前人工智慧熱潮中，最吸引眼球的技術方向。深度學習也從傳統的影象、視訊、語音識別領域，向文字處理、自然語言理解、人機對話、情感計算等各方面滲透，形成了如果一個領域如果沒有應用深度學習，這個領域就不夠先進的觀點。雖然醫療領域相對保守，但是醫療界也在第一時間，擁抱深度學習技術，產生了很多意義深遠的應用方向。本文將對當前深度學習技術進行梳理，探討其在醫療領域的應用前景，並重點討論深度深習在醫學診斷方面的應用。

其實深度學習理念，在上世紀六七十年代就有人提出過，但是由於缺乏有效的演算法，沒有形成規模應用。在上世紀80年代，由於出現了BP演算法，多層前饋網路也曾經風靡一時，但是由於誤差反向傳播（BP）演算法，對權值的調整從輸出層開始，效果會每層遞減，因此訓練多層網路速度會變慢，而且多層網路額外增加了很多引數，需要更多的訓練樣本，而且由於當時計算能力的限制，最終多層前饋網路也沒有流行起來。

隨著技術的方法和計算能力的增強，以前制約深度學習的條件逐漸得到了解決，尤其是人們意識到，以前的神經網路，需要研究人員對問題進行深入的研究，提取出問題的關鍵屬性，然後才是設計合適的神經網路，然後訓練神經網路來解決這個問題。人們發現，在整個過程中，最困難的地方並非神經網路本身，而是抽取所研究問題的特徵，這才是制約神經網路應用的核心問題。基於對這個問題的認識，逐漸出現了利用非監督學習網路來獲取所研究問題的特徵，然後再採用監督學習方式來訓練網路，不僅可以使最為費時費力的特徵提取來自動化，而且還可以對網路進行預訓練，降低網路訓練工作量以及所需訓練樣本。正是因為上述原因，深度學習技術才會在十年前逐漸流行起來。

目前深度學習神經網路已經有成熟應用的演算法，主要有以下幾種：卷積網路CNN、RNN。其中卷積神經網路主要用於影象處理領域，因為在影象識別過程中，圖片中物體在圖片中的位置、姿態，都會影響識別的效果，經過卷積操作，可以對圖片中的物體進行大小、位置、角度方面的處理，進行歸一化，從而提高圖片的識別率，例如採用6層卷積網路，對MNIST的6萬多張手寫數字圖片進行識別，識別準確率可以達到98%以上，甚至超過了人工的識別率。而RNN網路，就是將神經元的輸出，重新作為輸入，從而影響神經網路的最終行為。RNN網路更多應用於語音識別，因為在語音識別中，需要根據前一個單詞來判斷當前單詞，而RNN網路正好可以滿足這個特性。

以上是深度學習中比較成熟的演算法，目前深度學習研究中，最熱的領域莫過於產生式網路，如自動編碼器、深度信念網路等。這些網路都用了限制性波爾茲曼機（RBM），先通過這種非監督學習網路，利用其隱藏層作為提取的特徵，通過使網路能量函式達到最小，可以認為是所研究問題的特徵，然後通過堆疊多層限制性波爾茲曼機（RBM），提取出一系列問題特徵，最後再用監督學習演算法，使問題得到最終解。

深度學習在醫療方面的應用，最容易想到的方面就是醫學影像學方面的應用。採用卷積神經網路CNN，可以極大提高識別率，同時降低對原始圖片質量的要求，同時可以降低對訓練樣本數量的要求，因此CNN在醫學影像處理方面，應該是目前應用最廣泛也是最成功的領域。

近年來，精準醫學越來越受到追捧。在精準醫學中，基因測序技術又是其核心。我們知道，人類基因組有64億個鹼基對，通過對這64億個鹼基對的研究，可以從病理根源來確定診斷疾病，以及確定相應的靶向治療方案。但是這64億個由ATGC組成的鹼基對，包括大量無用的垃圾資訊，如遠古時代將自己DNA嵌入到我DNA中的細菌的DNA片斷，還包括一些短的重複序列，同時也包括與基因調控相關的Regulator和Promoter，在基因內部同樣有外顯子和內顯子，上述這些複雜的DNA結構，是制約精準醫療快速發展的瓶徑。而深度學習裡邊的RNN網路，正是可以在基因分析領域大顯身手，期待有這方面劃時代的成果出現。

深度學習在醫療領域最激動人心的應用，無疑是在在醫學診斷方面的應用。谷歌的DeepMind和IBM的watson，都在這方面積極佈局，尤其是watson，在某些特定領域，其診斷精度已經超過了人類專家。由於醫療中病例大多數為非結構化文字資料，因此採用多層限制性波爾茲曼機（RBM）堆疊成的深度信念網路（DBN），可以自動提取文字病例中的特徵，可以有效的學習病歷中的知識，同時可以高效地進行診斷。

綜上所述，深度學習在醫療中將有非常廣泛的應用，文中所舉的應用例項，僅僅是冰山的一角而已。根據筆者的理解，結合當前中國醫改的趨勢，我們有理由認為，深度學習在醫學診斷方面的應用，將是可以產生最大社會及經濟效益的應用領域。因為，目前醫改中最難啃的硬骨頭是分級診療，由於基層缺乏高水平的全科醫生，老百姓不願或不敢到基層醫療機構去看病，而養高水平的全科醫生，優質醫療資源下沉到基層，不是遠水解不了近渴就是違備客觀規律而難以推動下去。而深度學習在醫學診斷方面的應用，可以迅速提高基層醫生的診療水平，使老百姓可以放心地到基層醫療機構就醫，具有非常巨大的應用前景。

來自：http://m.blog.csdn.net/article/details?id=51966991