斯坦福&谷歌Jeff Dean最新Nature论文：医疗深度学习技术指南（29页综述）

本篇文章介绍了深度学习技术对于健康领域的发展影响，并分别讨论了计算机视觉、自然语言处理、强化学习和广义方法几个方面。我们描述了这些计算技术如何对医疗领域中的关键问题产生影响，并且展示了如何构建端到端的系统。例如：计算机视觉技术应用于医疗影像处理；自然语言处理应用于电子健康信息；强化学习应用于机器人辅助的外科手术过程；广义深度学习技术用于基因领域。

深度学习是机器学习的一个子领域，在过去的6年中，随着可用计算资源和数据量的飙升，实现了高速的发展。这个领域的技术可以高效的感知各类数据的抽象信息，例如：图像、语音、文字。医疗卫生正逐步的将深度学习技术引入到自己的领域中，因为这一领域有着大量的可用数据，并且每年的数据增长量大的惊人（仅在美国，每年数据量便要增加48%），同时增加的还有医疗设备和数字记录系统。

机器学习与其他计算机程序的区别在于，它会使用算法去处理数据，将输入按照统计学、数据驱动的方法来处理，并得到有意义的输出信息，这些算法是自动的从大规模数据样本中学习得到，而不是由用户自己指定的。传统上，机器学习系统需要领域专家的知识，以便设计出合理的特征抽取算子。而现在已经不必这样，只需要对深度学习模型输入大量的样本数据，它便可以根据学习得到的多层表示特征，逐步整合为所需要的表示模式。得益于这种特点，人们可以设计出更加复杂的深度模型，以学习更加复杂的方法。

深度学习模型能够在特定的计算硬件上使用高效的算法，分析大规模数据集，并且可以随着数据量的增加逐步提升性能。深度学习系统接受多种数据类型作为输入，最普遍的方法是采用监督学习模型来训练它们，以便根据数据点信息来预测数据标签。强化学习方法通过与环境的交互来获取反馈，并逐步得到完善，这项技术可以被应用于有机器人辅助的外科手术场景中。