受限玻尔兹曼机器（RBM）、概率生成模型和自动编码器（AE）、单层神经网络、当把它们堆叠起来分别形成深信度网络（DBN）和栈式自编码神经网络（SAE）后，便成为了很好的模式识别器。目前，全监督的卷积神经网络（CNN）占据着主导位置，相对于过去几十年，AI这些年得到了高速发展，在很大程度上归因于更有效的训练方法、硬件上的进步（如多核心计算的应用），以及最重要的——大量的注释训练数据。

　　
图注：上图为网络架构的图示，数字表示的是使用的内核的数量。科研人员采用了VGG模型的缩小版本。为了看到常规特征仍然可以起作用的程度，网络采用全监督方式训练，随后从最终层提取学习到的特征，并且与人工特征连接，并使用第二级分类器再训练。

　　在本论文中，科研人员通过一系列人工设计的特征，将卷积神经网络（CNN）和计算机辅助检测和诊断系统（CAD）之间的进行了比较，atv，结果显示，CNN胜过最先进的乳腺X线影像CAD系统，数据集大约在45000张图像。科研人员将检测范围集中在固体恶性病变，包括结构扭曲，治疗良性异常，比如假阳性的囊肿或纤维腺瘤。在该论文中，研究人员的目的并不是给出最简特征集，而是使用一个完整的集合，其中包含所有通常应用于乳房X光照相的描述符，并与深度学习的方法进行公平比较。

　　过去两年，对象识别的成功，可以部分归功于科研人员明智地将卷积神经网络（CNN）与经典计算机视觉技术相结合。本着这种理念，研究人员采用候选检测器以获得一组可疑位置，这些位置通过传统系统或者CNN进行进一步检查。我们随后通过将学习的表示与诸如位置，对比度和患者信息等特征结合，来研究CNN到底在何种程度上仍然与传统描述符是互补的。

　　在该论文中，研究人员证明，在乳腺X光影像的大数据集上训练的以卷积神经网络（CNN）形式的深度学习模型，超越了计算机辅助检测（CAD）最先进的系统，因此，该网络具有非常巨大的潜力，有助于推动科研水平发展。其中，主要的优点便是CNN利用数据学习，而不依赖领域内的专家，这使得医疗水平发展更简单、更快捷。同时，该论文表明，添加位置信息和配置指令可以轻松地添加到该网络中，并且几个手动设计的特征可以进行一些小的改进。除此之外，科研人员将CNN与一组三个有经验的医生进行了比较，其中两个是专业的放射科医生，结果证明，人类读取X光片的能力和卷积神经网络具有类似的性能。