随着技术的方法和计算能力的增强，深度学习在医疗领域的应用越来越广泛，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。
医疗健康.jpg
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。
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。
近年来，精准医学越来越受到追捧。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。在精准医学中，基因测序技术又是其核心。朗锐慧康（www.lrioh.com）认为深度学习里边的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。
深度学习在医疗中将有非常广泛的应用，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。
