依托算力增强和数据增长，深度学习模型可通过分布式专用硬件资源弹性地扩展至巨体量数据资源并实现改进，同时可以引入迁移策略便捷地提高在更多类型或者领域数据上的效能。因此，深度学习模型在很多情况下已逐渐替代传统机器学习方法，成为人工智能技术落地医疗领域的主要方法。另外，深度学习模型能够灵活地编码异构数据，迎合医疗数据异构性较强的特性。

2019年1月，美国FDNA公司利用17 000多张患者的面部图像训练了一套深度学习算法，能够以较高的准确率识别罕见的遗传综合征。该研究的原理在于，各种遗传综合征会表现出独特的面部特征，这些面部特征可以帮助临床医生进行诊断。该成果发表于《自然》期刊。

2019年5月，美国谷歌公司发布了一项基于深度学习方法的模型，该模型利用患者当前和历史的CT影像来预测肺癌风险。试验证明该模型在6 716个美国国家肺癌筛查试验病例上取得了当前最佳的效果，特别是在无法获取CT影像历史数据的情况下，该模型效果优于人类放射科医生的诊断。该模型能够对肺癌恶性肿瘤进行整体预测，并且能够识别出肺部不易被察觉的恶性组织；同时，鉴于肺部恶性组织增长速度的历史数据有助于预测恶性肿瘤，该模型有效地将历史扫描结果融入模型之中，帮助预测肺癌风险。该成果发表于《自然医学》期刊，有效解决了肺癌“致死率高且大部分发现即晚期”的医学痛点，展示了人工智能技术在提升肺癌筛查准确率和一致性方面的巨大潜力，有助于加速肺癌筛查在全球范围内的推广。

2019年8月，美国Deep Mind公司与美国退伍军人事务部合作，发布了一种基于循环神经网络的新型人工智能算法，能够在急性肾损伤发生病变前48 h完成预测，探索了算法和智能医疗助手的结合，有助于从反应型医养模式向预防型医养模式转变。该成果发表于《自然》期刊，证明了人工智能算法有助于提升病人的医护水平和减少医疗开支。

2019年9月，美国麻省理工学院的研究人员研发出一套预测声带疾病特征的系统。该系统建立在百余个医疗科目数据集基础之上，使用从这些数据中自动提取到的特征，再经过高精度训练实现对具有和不具有声带结节患者的分类。该研究充分利用可穿戴设备兴起所带来的数据优势，数据集中每个科目都有约一周的语音监测数据和数十亿个样本，而这些数据是从安装在受试者颈部的小型加速计和传感器中捕获到的相应信号，进而克服了传统依托特征工程方法挖掘致病特征的众多弊端。该研究旨在用人工智能在医学方面的应用替代一些人工投入过高的步骤，从而实现改善医疗决策的目的。

总体而言，在应用于智能医疗的人工智能技术中，比较有代表性的技术主要包括以下四类。

1）图像分析

深度学习的最大成就体现在计算机视觉研究领域。相应地，医疗图像分析技术成为人工智能技术在当前医疗领域最鲜亮的名片，相关技术擅长处理具备空间不变性数据的卷积神经网络模型。依托图像视频分析与解析技术，处理目标分类、目标检测和目标分割等任务，在研判病人CT成像中是否包含恶性肿瘤等疾病时非常有效。此类基于计算机视觉的图像分类和目标检测应用在皮肤科、放射科、病理科的复杂诊断中效用显著。例如，根据国家卫健委公布的新冠肺炎诊疗方案第五版，临床诊断无须依赖核酸检测结果，CT影像临床诊断结果可作为新冠肺炎病例判断的标准。中国达摩院最新人工智能算法诊断技术可在20 s内对新冠肺炎疑似病例CT影像做出判读，分析结果准确率达到96％，并于2020年2月在河南郑州“小汤山”医院成功应用。(www.daowen.com)

2）自然语言处理

计算机视觉对应类人智能的“感知层面”，而自然语言处理对应类人智能的“认知层面”，旨在通过分析文本和语音来推断和理解语义，相关技术以擅长处理（时间）序列数据的循环神经网络为核心。因此，自然语言处理技术受制于其本身的理论难度，在医疗领域落地时间较晚，但现在已在卫生健康相关舆情分析与预警、电子健康档案数据关联分析、医疗知识图谱构建演进与推理分析、基于语音识别和信息抽取的临床语音助手等应用场景下展现出良好的辅助决策价值。例如，加拿大“蓝点”健康监测平台使用自然语言处理和机器学习等技术来筛选65种语言的新闻报道，以及航空公司数据和动物疾病暴发的报道，在新冠肺炎疫情暴发之初发挥了重要的监测功能。2020年3月，美国政府联合艾伦人工智能研究所、微软研究院、国立卫生研究院等机构共同发布了有关新冠肺炎的学术文献开放研究数据集CORD-19，并呼吁世界各地的人工智能专家采取行动，开发新的文本和数据挖掘技术，以帮助科学界回答与新冠肺炎相关的高优先级科学问题。

3）脑机接口

当前，神经网络已成为描述人工智能技术的首要关键词。事实上，人工智能技术确实正在帮助人类理解自身大脑的网格细胞和回路结构。当前热门的神经拟态计算不仅能实现更高效的计算，例如依托大脑逆向工程来研发类脑人工智能芯片，还能帮助研究者理解大脑回路并构建脑机接口。例如，脑机接口领域的侵入性神经技术能够精确、高质量地连接到特定的神经元或神经元组，已用于脑损伤等疾病患者，根据生物医学工程、神经科学、合成生物学和纳米技术等领域的最新进展，实现高分辨率的下一代非侵入性神经接口技术已成为研发趋势。2020年5月，美国脑机接口公司Neuralink宣布将在一年内完成首次人类大脑植入，理论上可以修复任何大脑问题，包括提升视力、恢复肢体功能、治疗老年痴呆等。

4）强化学习

强化学习技术通常由特定任务目标驱动，旨在训练计算智能体与环境互动，其中的自主智能体能够通过试错或专家演示来实现“自学习”，一旦智能体开始在所设定的环境和规则约束下采取行动，奖励和惩罚的迭代反馈循环会训练智能体更好地完成目标。强化学习技术在医疗领域的应用主要集中在机器人辅助手术（医生以遥控方式指导机器人操纵器械），机器人使用计算机视觉模型来观察手术环境、使用强化学习方法学习外科医生的动作，强化学习技术能够显著提升机器人辅助手术的稳健性和适应性。近期，强化学习技术也被应用于新药研发与疫苗研制等工作。例如，2020年2月，美国人工智能新药研发公司Insilico Medicine公布了其强化学习技术和生成对抗网络技术联合驱动的人工智能算法所设计的六种可以阻止新冠病毒复制的新分子结构。