目前，医学领域中，AI涉足最多的几个领域包括：
精准医疗：基于“组学(omics)数据”，包括基因组学、基因转录组学、蛋白质组学、代谢组学等。
辅助诊断：基于病历、文献等医疗大数据。
药物研发：解决药品研发周期长成本高的问题。
医学影像识别：基于大量的影像数据。
除此之外，还有人工智能与可穿戴设结合，进行个人健康数据预测和管控疾病风险。
目前深度学习神经网络已经有成熟应用的算法，主要有以下几种：卷积网络CNN、RNN。其中卷积神经网络主要用于图像处理领域，而RNN网络，就是将神经元的输出，重新作为输入，从而影响神经网络的最终行为。近年来，精准医学越来越受到追捧。在精准医学中，基因测序技术又是其核心。深度学习里边的RNN网络，正是可以在基因分析领域大显身手，可以期待有这方面划时代的成果出现。
深度学习在医疗领域最激动人心的应用，无疑是在在医学诊断方面的应用。谷歌的DeepMind和IBM的watson，都在这方面积极布局，尤其是watsonai，在某些特定领域，其诊断精度已经超过了人类专家。由于医疗中病例大多数为非结构化文本数据ai，因此采用多层限制性波尔兹曼机（RBM）堆叠成的深度信念网络（DBN），可以自动提取文本病例中的特征，可以有效的学习病历中的知识，同时可以高效地进行诊断。
但是，AI不会也不可能代替医生，即使机器在某方面比人强，但计算机毕竟是计算机，它的“思维”是人类训练出来的，无论是广度和深度都将是有限的。还是有特例，最后还是需要人做决定。
同时， 英特尔医疗专家指出，全球有两大趋势成为医疗AI的巨大驱动力。一是人口老龄化，中国尤其要面对这个趋势：中国2020年将达到20%65岁以上老龄化人口。55岁以上的人群占用的医疗资源在50%以上。这样的背景对人工智能的需求急剧上升。
二是慢性病的挑战接踵而至。中国是慢性病问题比较严重的一个区域，中国的患病人口在全球也是领先的，这也需要智能医疗的解决方案。
可以说，这两大趋势使得中国或成为医疗AI最大市场。
