深度学习是目前人工智能的机器学习中发展的显学，而 Google 更是在这波发展中推波助澜的强势引导者，尤其透过 TensorFlow 算法以及 AlphaGo 挑战世界棋王，都让更多人看到深度学习所带来的人工智能进化， Google 稍早也针对深度学习在医疗领域的应用展开讲座。
Google 研究团队产品经理彭浩怡一开始简单介绍深度学习为何能成为人工智能当中的机器学习的显学，深度学习是基于上个世纪六零年代就提出的机械神经网络的进化，但是这项技术由于当初缺乏规模化架构以及运算力，直到 2012 年首度有开发者透过 GPU 加速，使得深度学习架构首度在 ImageNet 影像辨识挑战发挥超越过往架构的能力，而到 2015 年甚至达到人类的辨识水准。
深度学习最大的优点就是具备自主学习的能力，以影像辨识为例，相较过往人工智能需要大量依赖人工建立特征让机器进行微分类，深度学习则是给予巨量的相关影像输入到机器，并让系统自行建立特征与分类，可省去大量特征建立的时间与人力，同时可以持续进行学习，但相对就需要将资源集中在架构工程与提供初期的训练素材，根据 Google 的统计，要建立完善的逻辑，每一批资讯要提供 5,000 张相关与不相关图片。
Google 举出他们在印度的医疗相关应用，他们将深度学习应用在糖尿病视网膜病变的判读，因为印度的医疗资源相当匮乏，不少糖尿病患者受到视网膜病变产生的失明所困扰，故 Google 与印度当地合作伙伴将 45 位医生，以 13 万张眼底图像，以 88 万次的诊断成果进行五种层级的眼底图像分类，同时把五种层级的影像输入深度学习系统进行训练。
同时 Google 也提供训练结果的系统让医师上传眼底图像进行视网膜病变的判断，现在的判读能力已经超过具证照眼科医师的平均值之上。另外在包括癌症切片、淋巴结中的乳癌转移、皮肤癌等现象，都开始透过深度学习技术训练影线的判断。
当然现阶段深度学习在医疗的应用，最关键的问题还是在于需要验证，毕竟医疗行为牵涉到人类生命，故 Google 也积极的与医疗组织进行临床验证。同时将深度学习用于医疗除了临床，还需要建立医师的信任与完整的工作流程、 UI 设计等。
Google 台湾总经理简立峰补充，台湾的糖尿病比例是全球第二，仅次于日本，与先天基因有关，显示台湾在进行糖尿病相关的数据搜集也有一定的优势，而台湾过去在科技、技术也有长久的耕耘，现在应该可结合医疗体系与资通讯资源，即便法规无法那么快速跟上，他认为台湾医疗体系下的医学中心可以先试行，这也是欧美分散式的医疗体系难以做到的。
另外简立峰也提及，台湾长期照护也值得结合医护的人工智能与自动化发展，毕竟长期照护在各国都出现人力缺乏的状况，他认为透过人工智能与机器人应用，或许可以长程开发照护机器人、短程开发智慧辅具等，发展人工智能与辅具、照护的应用。
而教育体系也是目前台湾另一个状况，他认为由于现在医疗教育体系的教育资源较难快速的投入新趋势的教育，许多学子是有兴趣学习但在自己的系所无法取得资源，除非由新一批的教师打破现行教育体系架构，但目前因为医疗教育的新教师越来越少，他认为台湾目前有兴趣结合人工智能的学子可以考虑从跨体系同时学习人工智能以及医疗并行学习着手。
