医疗器械行业人工智能（ai）的基本原理

人工智能（artificial intelligence，AI）能够模拟并超越人类的学习和经历，即在学习、解决某一问题的情景下，机器模仿人类的思维、认知，通过机器感知环境，进行测量，最大限度地实现某个特定目标，提高效率。AI在日常生活中已有运用，比如天气预报、分析金融市场、预测用户购买倾向、根据用户喜好推荐新闻、音乐等。机器学习是人工智能的一个组成部分，计算机从数据中学习完成任务，但同时却不提供计算机明确的程序设定。根据用于学习样本完全标记、部分标记或未标记，机器学习可分为监督学习、半监督学习和非监督学习等。通过样本训练找到合适权重的过程就是机器学习。

机器学习的典型例子就是卷积神经网络（convolution neural network，CNN），CNN由层状神经元连接构成，模拟人脑通过不同的权重反映神经元之间的相互依赖关系。每个神经元接受多个输入信号，输入信号的总和激活神经元；被激活的神经元再输出信号，决定下一层神经元的状态，直至最后一层神经元输出感兴趣的值，做出分类决策或阈值估算等。但是，机器学习受限于计算能力和样本大小。

随着神经元数量的增加，学习过程的复杂性和所需样本量增加。过去只能通过从原始数据中手工提取特征来减少神经元的数量。现在，深度学习可以通过自动学习样本解决这一问题。深度学习模拟人类神经网络，采用多层神经元级联学习，通过组合多个非线性处理层对原始数据进行逐层抽象，从数据中获得不同层面的抽象特征，以此进行分类预测。深度学习在语音识别、图像识别、药物活性预估等领域中已经达到甚至超过人类水平。其优点在于，深度学习用非监督式或半监督式的特征学习和分层特征提取高效算法，替代了手工获取特征。目前已出现多种超声心动图软件包借助AI技术，协助图像分析，用于评估心脏结构、功能。