機器學習不僅能大幅削減成本，而且幾乎能實時獲取診斷結果；通過運用四種機器學習的算法，還能讓醫生盡早干預疾病風險的發生；將來更加廉價、更易獲得、質量更高的醫療將會推動機器學習算法技術成為主流，同時也會提高對醫生自身的要求。
疾病診斷是醫療系統中更偏向于勞動密集型的工作之一，恰好，它也是機器學習算法的擅長領域。盡管這一領域的工作還處于早期發展階段，但這項技術正在迅速發展，并似乎準備轉變為一項“診斷醫學”。
隨著機器學習在醫療領域應用的不斷加深，越來越多的機器學習應用在醫療診斷的案例涌現。大部分的診斷數據都是基于圖像的，比如X射線、磁共振，以及超聲波圖像，也包括基因組概況、流行病學數據、血液檢測、活檢結果，甚至是醫療研究論文。因此，這為訓練神經網絡和其他機器學習技術提供大量的數據。
疾病預測：早發現早治療
普通醫療體系不能永遠保持精確又快速的診斷，但機器學習不僅能大幅削減成本，其診斷結果幾乎能實時獲取。越來越多的情況下，機器學習能夠比老練的醫生提供更準確的診斷。
例如，MIT Technology Review近期的一份報告指出，Hongyoon Choi和Hwan在韓國高級科學和技術研究所Cheonan公共衛生中心和Kyong Hwan研發的深度卷積神經網絡（CNN），它僅僅通過PET（正電子發射斷層顯像）的大腦掃描，就能夠準確判斷出患者是否具有三年內患上阿爾茨海默病的趨勢。
Hongyoon和Kyong利用那些具有輕度認知障礙、易發展為阿爾茨海默氏癥的患者的腦圖像數據集預測該疾病，準確度高達84％。
早發現早治療是降低大多數疾病治療成本甚至逆轉診斷結果的關鍵。
就阿爾茨海默癥而言，能在癥狀惡化前延緩病情發展。在美國，老年癡呆癥在眾多死亡原因中排行第六。據估計，2017年老年癡呆癥的護理成本會達到259億美元。預計到2050年，這一數字將飆升至1．1萬億美元。
同樣，皮膚癌如果在早期檢測結果是5年內生存率97％，那么在晚期檢測中的結果則會下降到14％。
這樣懸殊的數據促使斯坦福研究人員開發了深度學習算法，并使其成為了一種潛在的生命保護程序。斯坦福人工智能實驗室的教授塞巴斯蒂安·史朗（Sebastian Thrun）領導的團隊開發了卷積神經網絡模型，這個模型可以像訓練有素的皮膚科醫生一樣熟練識別角質形成細胞和黑色素惡性腫瘤。
他們在《自然》雜志發表的論文中指出，深度卷積神經網絡“在這識別角質形成細胞和黑色素惡性腫瘤時與所有經過測試的專家表現不相上下，深度卷積神經網絡展現出一種堪比皮膚科醫生專業能力能夠將皮膚癌分類水平的智能。”
大數據處理：助力數據運用效率提升
早期發現全世界死亡的頭號原因——心臟病的情況也是如此。諾丁漢大學研究發現，一套評估心血管病風險的機器學習算法勝過了美國心臟病學院（ACC）建立的非機器學習算法。
IBM Watson是首批運用機器學習算法的組織之一，但專注于機器算法的醫療機構每天都在繼續增長。人體是極端復雜的，醫生們可以盡最大努力去診斷病情，但他們無法保證能正確地檢測出任何一種疾病，比如心臟病發作時。
在這種情況下，醫生掃描了378256條醫療數據，該數據就會被應用到基于不同機器學習技術的四種算法：隨機森林、logistic回歸、梯度提升和神經網絡。目標是預測某人十年內心臟病發作或中風的幾率。
與美國心臟病學院既定算法的預測相比，結果顯示，這四款機器學習算法在預測心血管疾病方面比ACC的算法做得更好，其中神經網絡技術則表現最佳。“研究表明，通過改善確定為高危患者的數量，讓醫生盡早干預來預防心臟驟停和中風這類事件發生，人工智能在其中起了很大的作用。”
臨床應用：機器學習的落地
其他與機器學習模型的工作，包括那些可以診斷或預測乳腺癌，肺癌，腦瘤，甚至自殺的治療方案。無論如何，機器學習的預測能力會比受過訓練的醫生更強，起碼和他們一樣強。
其中一些應用現在正從學術領域轉變為臨床應用。在美國，食品與藥物管理局（FDA）已經將機器學習放在實戰中了。今年1月，基于云的醫療影像公司Arterys獲得了其心肺的深度學習應用的認可，該應用使用深度學習模型進行心臟磁共振的相關分析。
又例如，國內人工智能企業Airdoc在眼科專家的幫助下，通過讓深度學習算法學習遠超人類醫生一生接診量的的患者眼底照片，訓練了一個檢測糖尿病視網膜病變的深度神經網絡。據了解，該算法在有明顯癥狀和無明顯癥狀兩方面的準確性與三甲資深眼科醫生持平。
鑒于降低醫療費用和改善獲取渠道的壓力，越來越多的批準會陸續放開，但這不是一蹴而就的。醫療機構必須向制定嚴格準則的食品藥品監督管理局和世界各地的衛生機構證明自己。除此之外，很少有執業醫師意識到機器學習是一種潛在的診斷工具，所以他們將需要更深層的教育，甚至更多的教學培訓。然而，這些都不是問題。將來，更低成本、更易獲取、質量更高的醫療需求將推動技術的發展，不斷完善醫療診斷行為。