2006年，神经网络领域的大师 GeoffreyHinton 教授与其博士生在《Science》和相关期刊上发表了论文，首次提出了“深度置信网络”的概念。与传统的训练方式不同，“深度置信网络”有一个“ 预训练”（pre-training）的过程，这可以方便的让神经网络中的权值找到一个接近最优解的值，之后再使用“ 微调 ”(fine-tuning)技术来对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。他给多层神经网络相关的学习方法赋予了一个新名词——“ 深度学习 ”。

　　2012年，Hinton 教授的研究团队参加了斯坦福大学李飞飞教授等组织的 ImageNetILSVRC 大规模图像识别评测任务。该任务包括120万张高分辨率图片，1000个类比。Hinton 教授团队使用了全新的多层卷积神经网络结构，突破性地将图像识别错误率从26.2%降低到了15.3%。 这一革命性的技术，让神经网络深度学习以极快的速度跃入了医疗和工业领域，这才有了后来一系列使用该技术的医学影像公司的出现。

智能医疗背后的算法演进

　　卷积神经网络（CNN）以及深度神经网络（DNN）等深度学习方法更真实地模拟了人体大脑对图像的识别过程，利用数据量以及计算量作为模型驱动力，通过感受野和权值共享减少了神经网络需要训练的参数个数，最终实现了超越传统方法的图像识别性能。

　　对于医疗领域来说，深度学习自动寻找特征化的功能非常有用。图像有不同形态，来自不同的组织，深度学习可以进行分析与处理，让一些人为误差得到调整。通过深度学习提取最主要的特征，它也可以对疾病分类，做图像分类与分割。无需人为干涉，深度学习算法就可以从医学影像中找出许多复杂程度极高，难以用语言详尽描述出的对比特征。这些细微的特征可能是纤维瘤的象征，也可能是息肉。

　　想将深度学习应用于医疗影像，先搬到医院旁边去住

　　谈到最初将深度学习技术应用于医疗影像领域，推想科技创始人兼 CEO 陈宽告诉我们：“在 2012 年期间，我在美国芝加哥大学修读经济学和金融学双博士，那个时候非常荣幸我的几位导师都是诺贝尔奖的得主，从他们身上我学到了再简单、再抽象、再精炼的数学模式，其实它也是可以帮助我们更好的去解释，去模拟，去预测，甚至去干预我们现实社会当中的一些实际发生的现象。

推想科技创始人兼 CEO 陈宽

　　“于是，在博士期间我其实就非常感兴趣知道，一些新兴的人工智能的模型，包括深度学习，如何可以在经济以及政治领域发挥作用。比如说 2012 年的时候，我就跟几位麻省理工的小伙伴一起用深度学习模型加上机器模型，预测了当年奥巴马能当选总统。

　　“我当时自己很想知道深度学习还能在哪一些地方发挥它的价值，于是带着这样一个问题，我就回到国内开始博士期间搜集创业的一些机会，那个时候我觉得做技术的人，很多时候就会陷入一个怪圈，比如说认为自己的技术可能天下无敌，解决什么问题都可以，但是往往当你抱着这样一个心态去创业，去寻找模式的时候，你可能会发现，你的技术可能连最基本的问题都解决不了，什么问题都解决不了。

　　“所以我们就觉得说既然要做这个事情，就必须能够跟行业结合的非常紧，所以这个阶段我就跟各行各业人去沟通、挖掘他们的需求，了解他们的痛点。那个时候我沟通的行业非常多，包括银行、政府、保安等等，其中有一次我做 PPT 演讲的时候，我拿出一个脸像识别来做演示，演示结束之后，有一个放射科医生走过来，说你做的脸像识别非常有价值，但是能不能帮助我们放射科医生解决这么一个问题——他当时提出来使用深度学习技术帮助放射科解决问题。于是我就走访了各家医院，发现这样一个需求是真实存在的，也是一个痛点，既影响了医生工作也影响了患者的幸福。”