In diesem Werk wird beschrieben, wie Deep Learning im Gesundheitswesen mit Bild- oder Textinformationen zum Treffen sinnvoller Entscheidungen beitragen kann. Derzeit besteht in der medizinischen Bildverarbeitung ein zunehmender Bedarf an zuverlässigen Deep-Learning-Modellen wie neuronalen Netzen, Convolutional Neural Networks, Backpropagation und rekurrenten neuronalen Netzen beispielsweise für die Einfärbung schwarz-weißer Röntgenbilder, automatische maschinelle Übersetzungen, die Objektklassifizierung auf Fotos/Bildern (CT-Scan), die Anzeige von Schrift oder nützlichen Daten (EKG), die Erstellung von Bildunterschriften usw. Zuverlässige Deep-Learning-Methoden, die zu einer besseren Wahrnehmung oder besseren Ergebnissen beitragen, sind somit ein wichtiger Faktor für digitale Anwendungen im Gesundheitswesen, die zu den Herausforderungen der heutigen Zeit zählen. Vor diesem Hintergrund präsentiert das Werk auf Grundlage von Beiträgen aus aller Welt zuverlässige Modelle für Deep Learning oder Deep Neural Networks, die für Anwendungen im Gesundheitswesen genutzt werden. Nach einer Einführung in das Thema werden die Voraussetzungen, die Bedeutung, Probleme und Herausforderungen der aktuell verfügbaren Deep-Learning-Modelle dargestellt (einschließlich innovativer Deep-Learning-Algorithmen/-Modelle von Medicare für die Heilung von Krankheiten), und es werden die Chancen für unterschiedliche Forschungsgemeinschaften sowie etliche Forschungslücken bei Deep-Learning-Modellen (für Anwendungen im Gesundheitswesen) aufgezeigt.