2016年，谷歌DeepMind的AlphaGo以惊人的方式击败了传奇围棋棋手李世石，人工智能（AI）、机器学习和深度学习等术语由此进入技术主流。
BBC Newsnight：AlphaGo与人工智能的未来。
人工智能通常被定义为计算机或机器展现或模拟智能行为的能力，例如特斯拉的自动驾驶汽车和苹果的数字助手Siri。这是一个蓬勃发展的领域，也是大量研究和投资的重点。机器学习是人工智能系统从原始数据中提取信息，并从新数据中学习做出预测的能力。
深度学习将人工智能与机器学习相结合。它关注的是受大脑结构和功能启发的算法，即人工神经网络。近来，深度学习在消费领域和整个医学界都受到了广泛关注。
随着AlexNet的成功，人们对深度学习的兴趣激增。AlexNet是由Alex Krizhevsky设计的神经网络，它赢得了2012年ImageNet大规模视觉识别挑战赛，这是一项年度图像分类竞赛。
另一项相对较新的进展是使用图形处理器（GPU）为深度学习算法提供动力。GPU擅长深度学习应用所需的计算（乘法和加法），从而缩短了应用处理时间。
在萨斯喀彻温大学的实验室里，我们正在开展与医疗保健应用相关的深度学习研究，作为电气与计算机工程教授，我领导着这支研究团队。说到医疗保健，利用人工智能或机器学习进行诊断还是新事物，并且已经取得了令人兴奋且充满希望的进展。
提取眼部血管
检测视网膜异常血管有助于诊断糖尿病和心脏病。为了提供可靠且有意义的医学解读，必须从视网膜图像中提取视网膜血管，以获得可靠且有意义的解读。尽管可以进行人工分割，但这是一项复杂、耗时且繁琐的任务，需要高级专业技能。
我的研究团队已开发出一种系统，只需读取原始视网膜图像即可分割视网膜血管。它是一种计算机辅助诊断系统，可减少眼科护理专家和眼科医生的工作量，并且处理图像的速度快10倍，同时保持高准确率。
检测肺癌
计算机断层扫描（CT）广泛用于肺癌诊断。然而，由于CT扫描中良性（非癌性）和恶性（癌性）病变的视觉表现相似，CT扫描并不总能提供可靠的诊断。即使对于有多年经验的胸部放射科医生也是如此。CT扫描分析的快速增长CT扫描分析迫切需要先进的计算工具来协助放射科医生进行筛查工作。
为提高放射科医生的诊断能力，我们提出了一种深度学习解决方案。根据我们的研究结果，该方案的表现优于经验丰富的放射科医生。此外，使用基于深度学习的解决方案总体上可提高诊断性能，且经验较少的放射科医生从该系统中受益最大。
局限性与挑战
尽管深度学习算法在放射学和医学的各种任务中已显示出巨大前景，但这些系统远非完美。获取高质量的标注数据集仍将是深度学习训练面临的挑战。大多数计算机视觉研究基于自然图像，但对于医疗保健应用，我们需要大规模的标注医学图像数据集。
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所需的时间。
医生与机器学习科学家之间需要加强合作。人体生理的高度复杂性也将是机器学习技术面临的挑战。
另一个挑战是验证深度学习系统用于临床应用的要求，这可能需要多机构合作和大型数据集。最后，需要高效的硬件平台以确保深度学习系统的快速处理。
在复杂的医疗保健领域，AI工具可以帮助医务人员提供更快的服务和更准确的诊断，并分析数据以识别可能使某人易患特定疾病的趋势或遗传信息。当节省几分钟可能意味着挽救生命时，AI和机器学习可能会为医疗工作者和患者带来变革。
