文献综述（或调研报告）：
深入学习算法在医学上的应用由来已久，早在1956年，“人工智能”概念在美国达特茅斯大学举行的讨论会上就被首次提出，从此人类正式进入人工智能时代。1958年，一种新的类似于人类学习过程的学习算法——感知器的提出，对深度学习神经网络的发展具有里程碑式意义。2006年，深度学习概念正式被提出：通过无监督学习方法逐层训练算法，再使用有监督的反向传播算法进行调优。深度学习也因此得到了爆发式发展，2012年，深度学习模型AlexNet 在著名的ImageNet 图像识别大赛中一举夺冠；深度神经网络（Deep Neural Networks；DNN）技术在图像识别领域取得了惊人的成绩；DeepFace项目在人脸识别方面的准确率已达到 97%。在医学领域，Kooi等使用基于卷积神经网络（Convolutional Neural Networks；CNN）的乳腺钼靶影像进行病变检测，Esteva等利用基于CNN深度学习的方法进行皮肤癌的分类诊断，Gulshan等应用深度学习进行糖尿病性视网膜病变检测，在这类疾病诊断上接近临床医生水平，可大大缓解临床医师工作压力。深度学习在图像识别、语音识别和自然语言处理等方面的逐步发展，正悄无声息地改变着我们的生活。
说这么多，大家可能觉得这些离自己特别遥远，其实在我们日常生活中就有接触到人工智能或者深入学习在医学上的一些应用，电子病历作为一种文本信息，已为人工智能在医疗领域中的应用做出了巨大的贡献。图像识别技术时人工智能在医疗领域中的另一个重要的应用方向。图像存储需要的空间较文本存储大得多，因此充分利用图像数据可平衡图像存储空间的成本，同时减轻读片医生的负担。人工智能算法能够辅助读片医生快速识别大部分的显而易见的病灶，读片医生可由此而将工作重点放在人工智能无法识别的疑难杂症的诊断上，提高工作效率。在这样的帮助下，更多的患者就能更快很好的接受到治疗，避免了很大程度上因为误诊或其他问题导致的延误而造成的更大伤害。
再来聊一聊什么是深度学习，我们今天讲的深度学习，主要包括卷积神经网络（Convolutional Neural Network）、循环神经网络（Recurrent Neural Networks）、强化学习（Reinforcement Learning）等。其中，强化学习是医学人工智能领域的最新发展，在图像分割等领域有较好的应用。医学人工智能是指人工智能在医学领域的应用，包括医学影像人工智能、电子病历人工智能等。深度学习几乎可以应用于医学影像分析的方方面面，包括核磁影像、CT 影像、超声影像、病理影像等。神经退行性疾病是指各种原因引起的大脑的病态的改变，常见的神经退行性疾病包括阿尔茨海默病、帕金森病等。全世界约有数千万老年人患有不同程度的帕金森疾病，而研究人员在不断探索新的方法，对于帕金森病症能够区别于多系统萎缩病症，并且得到早期诊断。如图 2 所示，基于深度学习的帕金森病症早期诊断的研究已经开展起来。
神经退行性疾病的最主要的类型为阿尔茨海默病，俗称老年痴呆症。目前，我国的阿尔茨海默病患者人数已居世界第一。由于阿尔茨海默病会对大脑造成不可逆的损害，早期诊断阿尔茨海默病变得十分急迫。
除此之外，在血细胞识别检验领域、体液分析、免疫分析、微生物领域、寄生虫领域的应用，以及在基因及蛋白组学领域的探索的这些过程中，深度学习已在大数据的挖掘、分析环节显示出极大优势，目前在患者的疾病分类、基础生物学以及基因组学研究 中都能够匹配或超越先前的技术水平。但深度学习也存在不足：首先，使用深度学习生成的模型难以解释，其次深度学习技术需要大量数据作为训练基础，所以在面临复杂，疑难病例的训练中存在严重的偏离，并且训练所得的结果难以应用到其他问题上，造成资源浪费，这些问题也是未来深度学习在进一步发展过程中面临的极大挑战。
对于检验医学，如何利用深度学习实现检验结果的智能化自动审核以及将自动审核与患者具体诊断治疗情况结合进行大数据的综合分析，给出其发展变化趋势及预后等信息，并将其作为辅助诊断的人工智能手段；其次通过深度学习如何建立个体化检验参考区间，便于个体化诊疗的开展；此外在信息不对等的情况下，如何基于深度学习实现检验医学与临床大数据的结合，分析某些检验数据与疾病的发生、发展、诊断和变化之间的联系，为患者的诊断和治疗提供更优化的平台，这都有待深度学习的进一步挖掘与探索。
大量的例子告诉我们人工智能和深入学习算法对于我们医疗诊断的帮助有多大，而实际现实生活中，也有很多病人因为不能及时的确诊导致病情延误恶化，这些都在催促着我们早日将深入学习算法应用到医疗领域内，帮助更多的患者及早确诊，得到及时的治疗。因此，我们更需要去利用自己的所学知识去设计并完善一个深入学习的医疗图像识别系统，对社会进步，医疗事业发展，中华民族伟大复兴做出贡献。
我们这次设计的任务就是借助亚马逊云平台中的一款开发套件AWS DeepLens，学习深度学习基础知识，并通过计算机视觉实践项目与教程，学习如何创建和部署深度学习模型至DeepLens硬件设备，并对捕捉到的图像内容进行分析与识别。在此基础上，创建并训练一个深度卷积神经网络，对于真实的医疗图像，进行有效的疾病识别，在经过多次测试和调试之后，再对我们的系统进行优化和修改，以求更高的准确性和实用性。
我们这次使用的AWS技术来自于亚马逊公司。AWS拥有很多功能，除了上文所述的Iaas的主要产品所提供的计算、存储以及数据库功 能 外，同时还拥有一系列网络、移动应用程序服务、信息沟通和商业生产力工具以及物联网平台、游戏开发产品和桌面及应 用程序流服务。此外，AWS还拥有最大的第三方云产品和服务市场。AWS作为最早进入云计算服务领域的平台，凭借其强大的数据存储、计算能力，以客户需求为导向不断完善的产品，按需分配的经营理念，以绝对优势占据行业领导者的位置，因此，我们能更好的去使用亚马逊AWS的深度学习去进行图像识别。
