1辅助诊断
在临床实践中，对人体疾病的筛查和诊断有赖于先进的医学影像技术，以及专业医生对图像进行准确可靠的判读。虽然近几十年来医疗成像设备在灵敏度、效率和图像质量方面有了长足的进步，但对于图像的判读和分析，即使是专家也不免带有一定主观性，而且日常繁重的工作也容易导致报告错误。而基于深度学习的AI可以在初始图像解释过程中实现自动化，从给定数据库中的所有图像中学习并不断改进，在目标检测和分类、图像分割、图像增强等方面显示出巨大优势。
Gulshan等利用卷积神经网络学习128,175张视网膜眼底图像，开发了用于识别糖尿病视网膜病变的模型，并在2个公开数据集中对该算法进行了测试，结果显示该算法在2个数据集上的曲线下面积（Area Under the Curve, AUC）分别为0.991、0.990，表明深度学习算法对糖尿病视网膜病变具有较高的分辨能力。Walsh等使用深度学习算法在计算机断层扫描影像上对特发性肺纤维化患者进行分类，准确度略高于所有放射科医生的中位准确度（73.3% VS 70.7%）。Esteva等利用卷积神经网络完成了仅通过临床图像对皮肤癌进行自动分类这一极具挑战性的任务，而且该算法的表现与所有接受测试的皮肤科专家不相上下。在骨关节炎、乳腺癌、肝硬化、前列腺癌、阿尔兹海默症等疾病的诊断方面，深度学习算法也表现出与专业医生相当的水平。另外，组织和器官的分割对于医学图像的定性和定量评估至关重要。Zhang等开发的深度学习模型可以准确识别心腔结构，并自动进行图像分割，可以更加高效、便捷地进行心脏结构和功能的测量和计算。Park等开发的一种AI算法可以自动检测颅内动脉瘤并对指定区域自动分割，从而提高临床医生诊断效率和准确度。
但疾病诊断并不仅仅依靠医学影像技术，通常也需要通过显微镜对组织、细胞等进行病理诊断，尤其是在癌症的诊断方面其作用更加突出。Corredor等针对早期非小细胞肺癌（Non-Small Cell Lung Cancer, NSCLC）开发了监督学习模型，使用早期NSCLC患者组织图像进行训练，可以从细胞核的方向、纹理、形状和肿瘤结构预测疾病复发，验证结果显示准确度为81%。同样基于机器学习算法，Lu等构建的图像分类器可以根据细胞核的形状和纹理特征将口腔癌患者分为高危和低危2类，有助于为患者提供更有针对性的治疗方法。
2辅助决策
随着医疗信息变得越来越复杂，临床医生需要综合考虑多种因素才能做出恰当的诊疗决策。基于AI技术的CDSS为挖掘海量的电子病历数据提供了强大工具和手段，它可以模仿临床决策者的认知过程，辅助临床医生进行决策，指导患者用药，从而改善患者状况，同时也有助于提高决策效率和准确率，减轻了临床医生和其他医疗保健专业人员的负担。