3、提升生產力的人工智能醫療助手
雖然目前全世界的人工智能技術還處於弱人工智能階段，想要取代醫生替患者看病是不可能的。但近些年來深度學習等技術的發展，可以輔助人工智能在某些特殊任務下能夠達到接近甚至超過人類的水準，在這些特定任務上使用人工智能將極大提高生產力。有利於醫生服務的效率與提高用戶的體驗感。想要體驗人工智能醫療助手。
4、自然語言輔助醫療
人類自然語言是抽象的，自然語言的認知即是讓計算機讀懂人類語言的過程。我們通過在大量人類語言中，訓練出詞彙向量（詞向量就是這個神經網絡的副產物，它本質上是對人類語言習慣的捕捉，經常在相似的語境下出現的詞（語意接近）會映射到相似的向量上，而語義差別大的詞彙映射的向量也會具有較大的差異）。
只有在詞向量的基礎上，才可以著手整個文本的語義理解。Dr.Agent對文本進行編碼、分類和迴歸任務。同時Dr.Agent通過注意力機制，應用到所有NLP模型中，用以從長篇累牘的文本中關注到用戶著重表達語義信息。通過自然語言技術的應用，使得智能助手更好的去理解患者的問題，有利於醫療的輔助功能的拓展。
5、計算機視覺輔助診斷
藉助醫學中的各類影像、鏡像、塗片、切片以及病灶照片等視覺數據來輔助醫生診斷疾病是現代醫療中的常用技術。而機器通過對大量專家觀看視覺數據的經驗學習，能夠更加精準的預測相關疾病來輔助醫生診斷。因為計算機相對於人眼，能捕捉像素級的細微特徵，也就能獲得更準確的病灶判斷。如X光片影像學檢查，AI可以檢測到佔X光片面積0.01%的細微骨折，而這項技能是強於人類的。Dr.Agent在計算機視覺方面主要應用於外傷分析、腫瘤診斷、糖尿病視網膜病變診斷、切片病理性識別、皮膚病診斷等方面。目前計算機視覺用於圖像識別特徵提取最流行的就是深度卷積神經網絡，卷積神經網絡(CNN)首先由YannLeCun在論文《Gradient-Based Learning Applied to Document Recognition》中提出，之後機器在圖像識別領域不斷刷新紀錄。它不需要對原始圖像做太多的處理即可很好的學習到圖像的特徵。除了基本的圖像識別，醫療領域的精細化應用還需要實現病灶部位的定位，即能夠自動檢測病灶感興趣的區域，能夠定量地評估病變區域的變異程度，目前深度學習是有監督式學習，因此，訓練圖片首先要由病理專家將數據標註為有無癌症，並用線條圈出腫瘤的區域輪廓，通過圖像標註軟件，會自動生成圖像對應的標籤和輪廓座標，訓練好之後的模型即可端到端的從切片圖片輸出腫瘤的座標。
閱讀更多 DRA醫療區塊鏈 的文章
