深度學習是目前人工智慧的機器學習中發展的顯學，而 Google 更是在這波發展中推波助瀾的強勢引導者，尤其透過 TensorFlow 演算法以及 AlphaGo 挑戰世界棋王，都讓更多人看到深度學習所帶來的人工智慧進化， Google 稍早也針對深度學習在醫療領域的應用展開講座。
Google 研究團隊產品經理彭浩怡一開始簡單介紹深度學習為何能成為人工智慧當中的機器學習的顯學，深度學習是基於上個世紀六零年代就提出的機械神經網路的進化，但是這項技術由於當初缺乏規模化架構以及運算力，直到 2012 年首度有開發者透過 GPU 加速，使得深度學習架構首度在 ImageNet 影像辨識挑戰發揮超越過往架構的能力，而到 2015 年甚至達到人類的辨識水準。
深度學習最大的優點就是具備自主學習的能力，以影像辨識為例，相較過往人工智慧需要大量依賴人工建立特徵讓機器進行微分類，深度學習則是給予巨量的相關影像輸入到機器，並讓系統自行建立特徵與分類，可省去大量特徵建立的時間與人力，同時可以持續進行學習，但相對就需要將資源集中在架構工程與提供初期的訓練素材，根據 Google 的統計，要建立完善的邏輯，每一批資訊要提供 5,000 張相關與不相關圖片。
Google 舉出他們在印度的醫療相關應用，他們將深度學習應用在糖尿病視網膜病變的判讀，因為印度的醫療資源相當匱乏，不少糖尿病患者受到視網膜病變產生的失明所困擾，故 Google 與印度當地合作夥伴將 45 位醫生，以 13 萬張眼底圖像，以 88 萬次的診斷成果進行五種層級的眼底圖像分類，同時把五種層級的影像輸入深度學習系統進行訓練。
同時 Google 也提供訓練結果的系統讓醫師上傳眼底圖像進行視網膜病變的判斷，現在的判讀能力已經超過具證照眼科醫師的平均值之上。另外在包括癌症切片、淋巴結中的乳癌轉移、皮膚癌等現象，都開始透過深度學習技術訓練影線的判斷。
當然現階段深度學習在醫療的應用，最關鍵的問題還是在於需要驗證，畢竟醫療行為牽涉到人類生命，故 Google 也積極的與醫療組織進行臨床驗證。同時將深度學習用於醫療除了臨床，還需要建立醫師的信任與完整的工作流程、 UI 設計等。
Google 台灣總經理簡立峰補充，台灣的糖尿病比例是全球第二，僅次於日本，與先天基因有關，顯示台灣在進行糖尿病相關的數據蒐集也有一定的優勢，而台灣過去在科技、技術也有長久的耕耘，現在應該可結合醫療體系與資通訊資源，即便法規無法那麼快速跟上，他認為台灣醫療體系下的醫學中心可以先試行，這也是歐美分散式的醫療體系難以做到的。
另外簡立峰也提及，台灣長期照護也值得結合醫護的人工智慧與自動化發展，畢竟長期照護在各國都出現人力缺乏的狀況，他認為透過人工智慧與機器人應用，或許可以長程開發照護機器人、短程開發智慧輔具等，發展人工智慧與輔具、照護的應用。
而教育體系也是目前台灣另一個狀況，他認為由於現在醫療教育體系的教育資源較難快速的投入新趨勢的教育，許多學子是有興趣學習但在自己的系所無法取得資源，除非由新一批的教師打破現行教育體系架構，但目前因為醫療教育的新教師越來越少，他認為台灣目前有興趣結合人工智慧的學子可以考慮從跨體系同時學習人工智慧以及醫療並行學習著手。
