1.診斷疾病:醫學面臨的最大挑戰是對疾病的正確診斷和識別，這也是機器學習發展的重中之重。2015的壹份報告顯示，800多種癌癥的治療方案正在臨床試驗中。使用機器學習可以使癌癥識別更加準確。
2.個體化用藥:使用機器學習和預測分析為個人定制特定的治療潛力目前正在研究中。如果成功，這種策略可以優化診斷和治療計劃。
目前研究的重點是監督學習，醫生可以利用基因信息和癥狀縮小診斷範圍，或對患者的風險進行知情猜測。這可以促進更好的預防措施。
3.藥物開發:機器學習在早期藥物發現(如新藥開發)和研發技術(下壹代測序)中扮演著許多角色。這個領域的第壹項就是精準醫療，讓復雜疾病的識別和可能的治療更加有效。麻省理工學院臨床機器學習小組是利用機器學習推動精準醫療的主要參與者之壹，專註於算法開發。
4.臨床試驗:臨床試驗研究是壹個漫長而艱巨的過程。機器學習可以通過各種方式幫助縮短這壹過程。壹種策略是通過對大量數據進行高級預測分析，更快地確定目標人群的臨床試驗候選對象。
麥肯錫的分析師描述了其他機器學習應用程序，這些應用程序可以通過簡化任務來提高臨床試驗的效率，例如計算理想的樣本大小，促進患者招募，以及使用醫療記錄來最大限度地減少數據錯誤。
5.放射治療和放射學:哈佛醫學院助理教授Ziad Obermeyer博士在2016的采訪中說:“20年後，放射科醫生將不會以現在的形式存在。它們看起來更像電子機器人:每分鐘監督閱讀數千份研究報告的算法。
目前，倫敦大學學院醫院的deep mind Health正在開發壹種機器學習算法，通過區分健康組織和癌癥組織來提高放療計劃的準確性。
6.電子健康記錄:支持向量機(用於對患者的電子郵件查詢進行分類的技術)和光學字符識別(用於數字化手寫筆記的技術)是用於文檔分類的機器學習系統的基本組件。
這些技術的應用案例包括MathWorks的MATLAB(壹個帶有手寫識別應用的機器學習工具)和Google的cloud vision API。
麻省理工學院臨床機器學習組的壹個重點是開發基於機器學習的智能電子健康記錄技術，其理念是開發“壹種安全、可解釋、能從少量帶標簽的訓練數據中學習和理解自然語言、能在醫療環境和機構中很好推廣的強大的機器學習算法”。