随着谷歌的AlphaGo战胜韩国棋手李世石之后，深度学习从学术界的热点技术，变为大众热捧的热门技术，成为当前人工智能热潮中，最吸引眼球的技术方向。深度学习也从传统的图像、视频、语音识别领域，向文本处理、自然语言理解、人机对话、情感计算等各方面渗透，形成了如果一个领域如果没有应用深度学习，这个领域就不够先进的观点。虽然医疗领域相对保守，但是医疗界也在第一时间，拥抱深度学习技术，产生了很多意义深远的应用方向。本文将对当前深度学习技术进行梳理，探讨其在医疗领域的应用前景，并重点讨论深度深习在医学诊断方面的应用。
其实深度学习理念，在上世纪六七十年代就有人提出过，但是由于缺乏有效的算法，没有形成规模应用。在上世纪80年代，由于出现了BP算法，多层前馈网络也曾经风靡一时，但是由于误差反向传播（BP）算法，对权值的调整从输出层开始，效果会每层递减，因此训练多层网络速度会变慢，而且多层网络额外增加了很多参数，需要更多的训练样本，而且由于当时计算能力的限制，最终多层前馈网络也没有流行起来。
随着技术的方法和计算能力的增强，以前制约深度学习的条件逐渐得到了解决，尤其是人们意识到，以前的神经网络，需要研究人员对问题进行深入的研究，提取出问题的关键属性，然后才是设计合适的神经网络，然后训练神经网络来解决这个问题。人们发现，在整个过程中，最困难的地方并非神经网络本身，而是抽取所研究问题的特征，这才是制约神经网络应用的核心问题。基于对这个问题的认识，逐渐出现了利用非监督学习网络来获取所研究问题的特征，然后再采用监督学习方式来训练网络，不仅可以使最为费时费力的特征提取来自动化，而且还可以对网络进行预训练，降低网络训练工作量以及所需训练样本。正是因为上述原因，深度学习技术才会在十年前逐渐流行起来。
目前深度学习神经网络已经有成熟应用的算法，主要有以下几种：卷积网络CNN、RNN。其中卷积神经网络主要用于图像处理领域，因为在图像识别过程中，图片中物体在图片中的位置、姿态，都会影响识别的效果，经过卷积操作，可以对图片中的物体进行大小、位置、角度方面的处理，进行归一化，从而提高图片的识别率，例如采用6层卷积网络，对MNIST的6万多张手写数字图片进行识别，识别准确率可以达到98%以上，甚至超过了人工的识别率。而RNN网络，就是将神经元的输出，重新作为输入，从而影响神经网络的最终行为。RNN网络更多应用于语音识别，因为在语音识别中，需要根据前一个单词来判断当前单词，而RNN网络正好可以满足这个特性。
以上是深度学习中比较成熟的算法，目前深度学习研究中，最热的领域莫过于产生式网络，如自动编码器、深度信念网络等。这些网络都用了限制性波尔兹曼机（RBM），先通过这种非监督学习网络，利用其隐藏层作为提取的特征，通过使网络能量函数达到最小，可以认为是所研究问题的特征，然后通过堆叠多层限制性波尔兹曼机（RBM），提取出一系列问题特征，最后再用监督学习算法，使问题得到最终解。
深度学习在医疗方面的应用，最容易想到的方面就是医学影像学方面的应用。采用卷积神经网络CNN，可以极大提高识别率，同时降低对原始图片质量的要求，同时可以降低对训练样本数量的要求，因此CNN在医学影像处理方面，应该是目前应用最广泛也是最成功的领域。
近年来，精准医学越来越受到追捧。在精准医学中，基因测序技术又是其核心。我们知道，人类基因组有64亿个碱基对，通过对这64亿个碱基对的研究，可以从病理根源来确定诊断疾病，以及确定相应的靶向治疗方案。但是这64亿个由ATGC组成的碱基对，包括大量无用的垃圾信息，如远古时代将自己DNA嵌入到我DNA中的细菌的DNA片断，还包括一些短的重复序列，同时也包括与基因调控相关的Regulator和Promoter，在基因内部同样有外显子和内显子，上述这些复杂的DNA结构，是制约精准医疗快速发展的瓶径。而深度学习里边的RNN网络，正是可以在基因分析领域大显身手，期待有这方面划时代的成果出现。
深度学习在医疗领域最激动人心的应用，无疑是在在医学诊断方面的应用。谷歌的DeepMind和IBM的watson，都在这方面积极布局，尤其是watson，在某些特定领域，其诊断精度已经超过了人类专家。由于医疗中病例大多数为非结构化文本数据，因此采用多层限制性波尔兹曼机（RBM）堆叠成的深度信念网络（DBN），可以自动提取文本病例中的特征，可以有效的学习病历中的知识，同时可以高效地进行诊断。
综上所述，深度学习在医疗中将有非常广泛的应用，文中所举的应用实例，仅仅是冰山的一角而已。根据笔者的理解，结合当前中国医改的趋势，我们有理由认为，深度学习在医学诊断方面的应用，将是可以产生最大社会及经济效益的应用领域。因为，目前医改中最难啃的硬骨头是分级诊疗，由于基层缺乏高水平的全科医生，老百姓不愿或不敢到基层医疗机构去看病，而养高水平的全科医生，优质医疗资源下沉到基层，不是远水解不了近渴就是违备客观规律而难以推动下去。而深度学习在医学诊断方面的应用，可以迅速提高基层医生的诊疗水平，使老百姓可以放心地到基层医疗机构就医，具有非常巨大的应用前景。