人工智慧和機器學習将改變醫學。
從1996年深藍擊敗國際象棋冠軍卡斯帕羅夫開始，人工智慧和機器學習就開始被應用于裝置和機器人醫學資訊科技以及令人擔憂的軍事領域，在醫學領域人工智慧和機器學習具有巨大的潛力。
影像分析已經通過大型資料庫和複雜模型得到了革命性的改變；不久之後隻需要少數放射科醫師就能評估電腦斷層掃描(CT)超音波讀數或磁共振成像結果。人工智慧和機器學習更快，能夠處理所有已發表的結果，不會疲勞并且與專業影像師一樣準确。事實上它往往能夠看到人類眼睛看不到的東西，例如分析CT掃描中冠狀動脈周圍血管脂肪衰減的演算法提供了無法與影像師匹敵的預測準确性。
感謝人工智慧和機器學習。心髒科醫生的專業領域心電圖變得無比豐富：基于幾個心跳，人工智慧模型在幾秒鐘内就能向醫生提供左心室射血分數(LVEF)5的資訊，并能夠在短暫性缺血發作(TIA)/中風患者中檢測心房顫動6的發作，甚至可以通過心電圖排除新冠病毒感染的可能性。
人工智慧和機器學習是如何學習的？它們是基于柏拉圖的想法學習嗎？當人工智慧模型學會區分黑色素瘤和痣時，它是否從這個想法開始然後識别出它的所有表現形式？當然不是。正如路德維希·維特根斯坦所說，它是通過學習一種語言來學習的。
我們是如何學會使用"椅子"這個詞的？并不是通過考慮椅子的概念，了解到它是一種有四條腿可以坐的物品，但很快我們會遇到三條腿的椅子，而米爾克椅則隻有一條腿。科拉尼的作品是可以坐的，但它沒有腿，然而它仍然是一種椅子，相反地沙發甚至不是椅子。
長凳更不是。盡管可以坐在上面，是以是一系列特征和使用方式使得椅子可以被辨識出來。人工智慧和機器學習也不是基于對椅子的定義來學習的。維特根斯坦的語言遊戲是試圖克服日常用語的意義，确實使用事物的家族相似性和事實，并且不依賴對本質或概念的更深入的知識。
在人工智慧方面維特根斯坦勝過了柏拉圖：模型學習這是黑色素瘤，這是痣而且看得越多，它就變得越準确。
同樣地它從向量心電圖中學習。這是一位患有左心室射血分數受損的病人的心電圖，這是一位具有正常左心室射血分數的病人的心電圖，深度學習随着資料量從數百例擴充到數百萬例而變得越來越好。
如何測試人工智慧模型？一個困境依然存在。我們不完全知道電腦在做什麼，深度學習，是一個黑盒子，至少對我們來說是這樣。我們向演算法提供資料并獲得結果，輸入和輸出之間有黑暗之處。我們如何確定結果是正确的？不準确或錯誤的結果可能會傷害患者。
随着投稿數量呈指數增長，期刊編輯面臨這個問題：我們能多确定我們所發表的内容是可靠的，能夠改善醫學并且不會傷害患者的？解決方案：一個用于模型開發和測試的衍生族群和一個用于模型驗證的獨立驗證族群(圖1)。此外人工智慧模型并非永遠有效。
患者群體可能會發生變化：越來越多的患者在發生心肌梗塞時服用阿司匹林或他汀類藥物，且社會人口統計特征會随着時間而變化，這需要通過更新的風險評估工具(如GRACE3.0評分)來加以考慮。是以人工智慧模型就像醫師一樣，必須不斷學習适應和保持更新，使用者也必須對其有效性保持警惕展望人工智慧和機器學習将改變醫學：
在診斷方面它将以前所未有的速度和準确性提供資料；在急診方面深度學習模型将提出一系列具有不同可能性的診斷；在診所中它将分析心電圖以提供有關左心室射血分數和藥物選擇的資訊。例如它可以告訴我們患有短暫性缺血發作的患者是否有心房顫動并需要抗凝血治療；在Cathlab中人工智慧可能有助于選擇支架大小等。
人們希望醫學變得更快更有效率非常精确。醫師将有更多的時間與患者交談，人工智慧和機器學習會使醫學更具人性嗎？我們将拭目以待。但即使有這些困難，也不是不可能的。