一种被称为保健领域开辟
一条新的途径，它将应用程序和算法转变为计算机进行决策和执行操作的可能性。在这些深度学习应用中，程序将机器学习扩展到计算领域，使机器能够从人机交互中学习，并通过在卷积神经网络中对算法驱动的经验进行自我测试来不断改进。近年来，深度学习在生物医学研究和医疗保健领域的应用已成为一种强大的工具，有望重塑人工智能应用的未来。
例如，去年计算机领域的一项重大科学成就 电报数据 是计算机的强化学习程序在 AlphaGo 中胜过人类，AlphaGo 是一款基于学习算法的极其复杂的游戏，模仿古老的棋盘游戏围棋。这些 DeepMind 神经网络的功能不同于 IBM 的 Deep Blue 程序或 Watson 等其他人工智能平台，它们由大型数据库组装而成，为预定目的而开发，并且仅在其范围内运行。
而计算机程序此前曾使用蒙特卡洛树搜索算法策略（旨在指导计算机游戏中的玩法的搜索引擎程序）来寻找游戏中的走法——就像计算机使用人类编程的选项数据库来选择下一步正确的棋步。然而，在这些最新进展中，运行 AlphaGo 的 Google Deep Mind 程序能够根据程序通过机器学习在基于人类和计算机对弈的人工神经网络中学习到的知识来选择走法。深度学习（例如 DeepMind 的深度学习）表明，计算系统并非预先编程，而实际上是一个基于经验学习的算法神经网络，仅使用原始像素作为数据输入。
强化学习在证据开发
和医疗决策方面的潜在影响巨大。例如，深度学习在医疗保健领域的应用已在英国国家医疗服务体系（NHS）中得到实践应用，该体系使用谷歌 DeepMind 技术分析患者记录。另一个例子是，一项通过新应用程序 Streams 向医疗服务提供者提供临床警报、消息传递和任务管理的消息服务，现在能够发出建议操作的消息，例如通过 AI 应用程序确定“不要使用 X 药物”。
可以想象，这仅仅是个开始。随着这些数字数据先驱加快分析速度并拓展 AI 和机器学习的广度，我们将会有更多关于医疗保健数据科学应用的讨论。