隨著醫療行業的關注點從擴大規模體量轉變為提供更有價值的服務，從依賴于單臺設備能力轉變為依賴于不同類型設備、多臺設備的信息融合技術，GE醫療正在與全球領先的醫療機構合作，利用人工智能（AI）來塑造放射學的未來，并期待更多的醫療機構能成為我們的合作伙伴。雖然基于AI技術的應用剛剛開始進入醫療行業，但其實AI相關信息技術早已經默默的助力醫療IT許久，也持續協助醫療機構為患者提供更及時、更有效的治療方案，例如通過基于持續學習算法的第二代AI技術應用——計算機輔助診斷（CAD）。我們預測在不遠的未來，持續發展的AI應用將如同當今醫療設備一樣，成為影響醫療服務質量的關鍵因素。

對于放射醫學，我們致力于挖掘AI技術將如何改善放射科醫師的日常工作模式以及提升患者的治療效果。更為重要的是，我們將量體裁衣，通過專業的現場調研，為醫療機構的影像中心制定從AI技術的選擇、引入磨合，再到全面融入的整體解決方案，以助力機構獲得最高的投入產出比。今天，我們將為大家分享與醫療影像關系最為密切的一種AI技術——深度學習算法。

人工智能（AI）簡要概括是指機器所表現出的模仿人類智能的能力。通常人工智能是指通過計算機程序的手段實現的人類智能技術，如視覺感知、語音識別和決策智能制定。如今，AI正 “飛入尋常百姓家”，并在我們的生活中發揮著日益重要的作用，而我們在與AI系統進行交互時甚至可能不會意識到這一點。例如，當下流行的網約車軟件正通過廣泛應用AI技術盡可能減少預約車輛后的等待時間，還能預估乘車價格；又如，我們近期搭乘過的航班極有可能是基于AI技術的自動駕駛應用程序完成了大部分的航程；再如， AI技術可以幫助我們的電子郵箱免受垃圾郵件的騷擾……

目前，有一些技術可用來開發人工智能系統。例如，機器學習就是其中一種，它讓計算機程序通過對訓練集數據“學習”獲得解決問題的模型，而無需通過編寫一行又一行的指令代碼完成任務。

借助應用一組算法，程序通過對大量訓練集數據反復學習，構建出模型。而模型構建出一系列內部映射使輸入數據能一一對應到目標結果判定，這樣即使輸入新數據，該模型也能做出正確的判定。此類系統也可配置為持續學習模式，通過源源不斷涌入的新數據持續學習達到更高的準確率。成熟穩定后的模型對構建其機器學習方案具有指導意義。回想之前提到的網約車軟件示例，機器學習技術能夠估算出車輛到達時間、最佳上車地點，以及用于檢測可能發生的欺詐行為。

深度學習是一種特殊的機器學習技術，它基于類似人腦神經元、神經回路的人工神經網絡算法。一旦定義好輸入層及輸出層數據對應關系，在其間構建多級（深度）隱含層形成映射關系，通過大量的數據訓練每一層神經元的權值，不斷完善模型，在圖像識別、語音識別領域應用將獲得出乎意料的效果。

使用深度學習算法構建的醫學影像AI工具能夠提高放射科醫師的工作效率，并輔助他們做出診斷決策。這為他們節省出更多的時間以關注患者本身，以更加從容地診斷更復雜的病例。

最終，這將助力放射科醫師快速地成長為行業專家；作為病患診斷決策的關鍵者，實現更大的價值。近期的深度學習算法有望改善患者就醫體驗，如縮短診斷時間，增加救治處理時間，同時提高從業醫師工作滿意度。

盡管第一代基于深度學習算法的醫學影像應用還只能作為輔助診斷工具，但隨著技術的進步，它終將能在診斷領域扮演更重要的角色。從全球范圍來看，放射科醫師短缺或臨床醫師閱片的地區特別重視這一技術應用的發展。

在GE醫療，我們將AI視為一種專業工具，它可以讓放射科醫師成為患者診斷和治療過程中更有價值的專家。

深度學習是真正的變革性技術，我們不能低估其對放射學領域的長期影響。機器學習在常規用于影像診斷的過程中，更多地是一個時間問題而不是能否實現的問題。目前，醫療影像中的深度學習還處于早期階段，在未來一段時間內，AI還不能取代放射科醫師。

AI最終將以各種輔助診斷工具落地，協助放射醫師閱片，如影像增強、病灶的識別與量化。人工智能通過實踐證明了它能增強放射影像判讀能力，并將使放射科醫師能擁有更多時間專注于服務患者。未來，AI很可能會像聽診器一樣成為廣大醫師的通用診斷工具。