對于許多技術(shù)驅(qū)動型的行業(yè)，技術(shù)的不斷突破是它們必要的生存條件。然而另一些領(lǐng)域卻因為監(jiān)管等限制，更偏向于沿襲傳統(tǒng)做法。醫(yī)療領(lǐng)域就屬于后者。盡管精準醫(yī)療計劃的推行、當代的移動醫(yī)療的浪潮為行業(yè)帶來了極大進展，但醫(yī)療作為國家經(jīng)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(jīng)不是什么新鮮話題，而且其應(yīng)用場景還正在廣泛延展。傳統(tǒng)的深度學習技術(shù)很可能將出現(xiàn)一些更加成熟的變體(卷積和遞歸神經(jīng)網(wǎng)絡(luò)都是其初始形式)，為一些醫(yī)療領(lǐng)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(zhàn)。

　　在過去一年，深度學習已經(jīng)從原本主攻的視頻、影像、語音識別分析等商業(yè)領(lǐng)域更多地轉(zhuǎn)向了科研領(lǐng)域。對于醫(yī)療來說，深度學習將更深植于醫(yī)學影像、基于傳感器的數(shù)據(jù)分析、轉(zhuǎn)化生物信息學、公共衛(wèi)生政策發(fā)展等方面。

　　一群專業(yè)的深度學習研究人員專門分析了近年來深度學習在醫(yī)療信息中化的應(yīng)用，指出：計算機功能、快速數(shù)據(jù)存儲、并行計算這幾方面的提升，是深度學習得以迅速發(fā)展的基礎(chǔ)，而深度學習的預(yù)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(fā)現(xiàn)，醫(yī)療行業(yè)對深度學習技術(shù)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(jīng)網(wǎng)絡(luò)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(yōu)缺點及適用質(zhì)疑

　　對于醫(yī)療信息化領(lǐng)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(yī)學影像中找出許多復(fù)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(lǐng)域，深度學習還能從復(fù)雜的區(qū)域和人口數(shù)據(jù)中找出宏觀規(guī)律。

　　“大多數(shù)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(jīng)網(wǎng)絡(luò)在被訓(xùn)練的過程中可能會被“欺騙”。

　　所謂“欺騙”，即在輸入的數(shù)據(jù)中加入小的改變，就很容易誤導(dǎo)深度學習系統(tǒng)。比如在一張醫(yī)學影像中加入極細微的干擾，導(dǎo)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(shù)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(chǎn)生同樣的問題。

　　訓(xùn)練任何類型的神經(jīng)網(wǎng)絡(luò)識別一些簡單的特征，都需要大量的數(shù)據(jù)。況且這項技術(shù)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(xiàn)象仍是一個問題，這會導(dǎo)致神經(jīng)網(wǎng)絡(luò)難以實現(xiàn)普適化。

　　雖然深度學習在醫(yī)療上很有前途，但面臨著一些質(zhì)疑的聲音：這種技術(shù)在醫(yī)療的應(yīng)用上究竟能占多大的比例?某些領(lǐng)域是否真的有必要引入深度學習?說是代替醫(yī)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?nèi)詻]有答案，但有一點我們很確定，那就是已經(jīng)有很多大公司已經(jīng)在用深度學習探索醫(yī)療的道路上越走越寬，而掌握了這項技術(shù)的醫(yī)療創(chuàng)業(yè)公司也層出不窮。

　　舉例：將深度學習技術(shù)用于醫(yī)療的企業(yè)

　　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(nèi)的分布情況，預(yù)示著疾病種類及惡化程度。

　　但有時這些組織尤為細小，醫(yī)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(yī)生進行下一步?jīng)Q策。就在2016 年MICCAI 國際會議的“腫瘤擴散評估挑戰(zhàn)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(yī)療記錄、眼部疾病、癌癥治療

　　去年2月，DeepMind成立DeepMind Health部門，收購了做醫(yī)療管理應(yīng)用的Hark公司，結(jié)合自己的深度學習專長來改進傳統(tǒng)紙質(zhì)病例的弊端。

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

　　去年8月，DeepMind還用深度學習的算法來設(shè)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(huán)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(fā)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(huán)境計劃”(Cancer Distributed Learning Environment，CANDLE)。

　　癌癥有千百種，每一種癌癥的發(fā)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(yī)療行業(yè)大量的數(shù)據(jù)中找出規(guī)律與模式，幫助研究者預(yù)測某類腫瘤對特定藥物的反應(yīng)，又有那些原因?qū)е掳┘毎鲋朝煹取?/p>