本文摘要：1895年11月的一个晚上，德国物理学家威廉·伦琴正在尝试让电流通过一根装有气体的玻璃管，仔细观察电流如何通过唤起效应使其闪烁。

1895年11月的一个晚上，德国物理学家威廉·伦琴正在尝试让电流通过一根装有气体的玻璃管，仔细观察电流如何通过唤起效应使其闪烁。这位科学家用黑色的硬纸板遮盖了管子，但令人吃惊的是，尽管实验室中依然一片漆黑，他却在身边的一块光化反应屏上看见了暗淡的光线。

伦琴迅速找到，这种来自通电管的谜样射线需要击穿自己的身体，让他在屏幕上看见骨骼及其附近亮度更高的肌肉组织。于是他要求用摄影胶片更换光化反应屏幕，并摄制出有了世界上第一张X光片。从此以后，医生不必须再行展开手术，就需要仔细观察到人体的内部结构。

现如今，一个新的技术正在兴起，未来将会如当初的X射线一样从病魔手中救出更加多生命，这就是人工智能的医学影像分析类应用于——该应用于将未来将会协助医生较慢筛查从光学素材中搜集到的、但往往无法解读的最重要数据，进而据此作出医疗辨别——例如找到X光片中的癌点方位。哈佛医学院生物医学信息学家AndrewBeam回应：“计算机早已攻下了图像识别根本性考验。在这方面，深度自学显然做到得比普通医生更佳。”人工智能技术应用于的春天在人工神经网络当中，神经元软件模型不会接管到大量数据，并据此以协同方式解决问题现实问题——例如找到X光片中的出现异常之处。

神经网络不会重复调整其神经元活动，并查阅这些新的不道德模式否需要更加好地解决问题。随着时间的流逝，网络还不会找到最合适处置特定任务的模式，并将此作为默认值以仿真人脑当中的自学过程。

随着深度神经网络的经常出现，人工智能技术应用于早已步入新的浪潮。典型的神经网络往往将神经元分成数层，而每一层都专心于处置问题中的某一方面；但深度神经网络则包括更加多层，层数往往多达1000个。如此一来，其分析简单问题的能力也经常出现了新的突破。

这些系统在图形处理单元（GPU）的护持下取得了确实的实用性。与此同时，目前也经常出现了不少包括大量作为深度神经网络训练素材的医学影像的数据库子集。

本文来源：Kaiyun·yunkai(中国)官方网站-www.93ly.com