目前，人工智能在医疗领域的应用将主要集中在这几方面。诊断疾病、个体化用药、药物开发、临床试验、放射治疗和放射学、电子健康记录。
1、诊断疾病：医学面临的最大挑战是疾病的正确诊断和识别，这也是机器学习发展的重中之重。2015年的一份报告显示，针对超800种癌症的治疗方案正在临床试验中。而利用机器学习可使癌症识别更加精确。
2、个体化用药：关于使用机器学习和预测分析来定制针对个人的特异性治疗潜能，目前正处于研究中。如果成功，这一策略可以优化诊断和治疗方案。
目前，研究的重点是有监督的学习，医生可以利用遗传信息和症状缩小诊断范围，或对患者的风险做出有根据的推测。这可以促进更好的预防措施。
3、药物开发：机器学习在早期药物发现（如新药开发）和研发技术（如下一代测序）中发挥着许多作用。这一领域的第一项是精确医学，它使复杂疾病的识别和可能的治疗方式更有效。MIT临床机器学习小组是使用机器学习促成精密医学的主要参与者之一，侧重于算法开发。
4、临床试验：临床试验研究是一个漫长而艰巨的过程。机器学习可以在各种方面帮助缩短这一过程。一种策略是通过对广泛的数据使用高级预测分析，从而更快地确定目标人群的临床试验候选人。
麦肯锡( McKinsey )的分析师描述了其他机器学习应用程序，这些应用程序可以通过简化计算理想样本大小、方便患者招募以及使用病历将数据错误降至最低等任务来提高临床试验的效率。
5、放射治疗和放射学：哈佛医学院助理教授Ziad Obermeyer博士在2016年的一次采访中表示:“20年后，放射学家将不会以现在的形式存在。它们看起来更像是电子机器人：监督每分钟阅读数千份研究报告的算法。
目前，伦敦大学学院医院的deep mind Health正在开发机器学习算法，通过区分健康组织和癌症组织来提高放射治疗计划的准确性。
6、电子健康记录：支持向量机（Support vector machines用于分类患者电子邮件查询的技术）和光学字符识别（用于数字化手写笔记的技术）是用于文档分类的机器学习系统的基本组件。
这些技术的应用案例包括MathWorks的MATLAB （一个具有手写识别应用程序的机器学习工具）和谷歌的云视觉API。
MIT临床机器学习小组的重点之一是开发基于机器学习的智能电子健康记录技术，其理念是开发“安全、可解释、能从少量标记的训练数据中学习、理解自然语言、并能在医疗环境和机构中很好地推广的强大机器学习算法”。
