最新刊登在⟪自然-医学⟫（Nature Medicine）学术期刊上的脑癌诊断论文，密西根大学医学院附设医院结合SRH（Stimulated Raman Histology）成像技术与深度学习技术，可以在手术的时候，将诊断肿瘤所需要的时间，从原本的30到40分钟，缩短至不到3分钟。
研究人员使用了一种称为SRH（Stimulated Raman Histology）的成像技术，能在床边快速取得肿瘤组织图像，而这代表医生不再需要等待处理、染色和解释样本等复杂手续，就能审查图像，另外，研究人员应用深度卷积神经网络算法，学习常见的10种脑癌特征，对SRH图像进行精确的预测。这项研究进展不只使得医师能以传统方法10倍以上的速度，掌握脑癌患者病情，而且达到更高的诊断精确度。
由于脑癌患者通常事前只晓得需要进行手术，但无法明确知道自己脑海中的肿瘤是哪一种，而手术团队也需要采集样本，并交由神经病理学家处理之后才会知道答案。在收到检验结果之前，外科医师无法进行手术，密西根大学医学院附设医院神经外科住院医师Todd Hollon表示，这个过程的时间太长。
不过，在医院使用SRH显微镜检查技术之后，这个筛检的过程得以缩短，医师只要在病床旁，几分钟内就可以快速地取得数字图像，并对患者说明详细的病情，同时还能用来了解手术进行的状况，判断手术成功与否。但SRH显微镜检查技术还是有其限制，特别是应用在胶质细胞瘤等特定的脑癌上，其结果仍然不够理想，但是要进行手术，必须做出精确的判断，因此研究人员想借助人工智能的能力，改善诊断结果。
Todd Hollon以450位患者250万张去识别化图像训练卷积神经网络，要以神经网络模型来预测脑癌类型，这些训练图像都是以SRH显微镜获取，主要为常见的脑肿瘤类型。研究团队为了要试验传统筛检方法与人工智能方法的差异，找来278名患者以两种方法进行诊断，一种是从患者身上取得样本，以传统的方法染色和处理样本，另外一种则是使用SRH成像，再以神经网络进行预测。
实验结果显示，利用卷积神经网络的诊断精确度为94.6％，而传统筛检方法则为93.9％。Todd Hollon表示，这项研究的价值在于，他们进行了将人工智能应用在手术室的前瞻性研究，让人工智能工作流程真正用在临床上，除了实际改变脑部肿瘤的诊断方法外，还提供了一种高度标准化的工具，可以用来广泛地诊断脑癌患者。