人工智能技术的发展，给垂直产业带来巨大变革，以医疗、无人车、安防、金融等垂直行业的变化最受到关注，自从2012年深度学习技术被引入到图像识别数据集ImageNet（做为测试标准），其识别率近年屡创新高，并且在某些领域如图像分类等方面达到人类水平。深度学习技术加上医疗影像领域累积多年的数据，给这一领域带来了令人惊喜的突破。

健康一体机

有媒体曾经报道过斯坦福的研究人员发布在Nature上的研究，CNN做皮肤癌诊断，与21位皮肤科医生对比测试，结果系统的精确度与人类医生相当（“至少”91％）。还有JAMA上发布的利用CNN对糖尿病视网膜病变的诊断，结果表明，其算法的性能与眼科医生的性能一致。

强化深度学习在2016年初AlphaGo对战李世乭中大放异彩。AlphaGo学习棋谱到了一定程度，就可在和对手及自己对弈的大量棋局中，使用强化学习来进一步改善它，这可以说是它不断超越自己，最终战胜人类冠军的关键所在。作为一种有效的机器学习方法，强化学习主要研究在特定情境或环境下的操作方式，使得奖励信号最大化。同样在医疗AI的决策过程中，一个程序操作会常会影响其接收到的数据，不同的操作中程序会接受到不同的输入信息。强化学习可找出决策或操作的最优方案，以获得最大的奖励。

在深度学习之前，大约在90年代，就已有很多人做计算机辅助诊断（CAD）。之前神经网络做不深，现在有了新型计算机和深度学习之后，可以实现很深的网络。但是就以皮肤癌的诊断为例，目前在临床上还没有真正意义上的大规模的应用。基于深度学习的诊断尚处于研发阶段。但以现在的研发速度来看，这些新技术离临床应用已经并不十分遥远了。

深度学习并不是在所有场景下都需要。这跟具体遇到的问题有关，有时候一般的机器学习技术已经够用。新的算法可以说是层出不穷，日新月异。把不同的算法结合起来也是AI的领域常用的方法。

深度学习及强化深度学习，它们能解决很多以前不能解决的问题，医疗AI的技术远不止深度学习、机器学习、动态不确定图等，此外医疗AI中也面临着很多挑战。在老龄化和慢性病的大环境下，医疗资源（人、物）供应短缺，特别是中国医疗资源供需严重不平衡，地域资源差距巨大，人工智能可能是解决这些问题的突破口，把医疗AI推向新的高潮。