醫療器械行業人工智能（ai）的基本原理

人工智能（artificial intelligence，AI）能夠模擬并超越人類的學習和經歷，即在學習、解決某一問題的情景下，機器模仿人類的思維、認知，通過機器感知環境，進行測量，最大限度地實現某個特定目標，提高效率。AI在日常生活中已有運用，比如天氣預報、分析金融市場、預測用戶購買傾向、根據用戶喜好推薦新聞、音樂等。機器學習是人工智能的一個組成部分，計算機從數據中學習完成任務，但同時卻不提供計算機明確的程序設定。根據用于學習樣本完全標記、部分標記或未標記，機器學習可分為監督學習、半監督學習和非監督學習等。通過樣本訓練找到合適權重的過程就是機器學習。

機器學習的典型例子就是卷積神經網絡（convolution neural network，CNN），CNN由層狀神經元連接構成，模擬人腦通過不同的權重反映神經元之間的相互依賴關系。每個神經元接受多個輸入信號，輸入信號的總和激活神經元；被激活的神經元再輸出信號，決定下一層神經元的狀態，直至最后一層神經元輸出感興趣的值，做出分類決策或閾值估算等。但是，機器學習受限于計算能力和樣本大小。

隨著神經元數量的增加，學習過程的復雜性和所需樣本量增加。過去只能通過從原始數據中手工提取特征來減少神經元的數量。現在，深度學習可以通過自動學習樣本解決這一問題。深度學習模擬人類神經網絡，采用多層神經元級聯學習，通過組合多個非線性處理層對原始數據進行逐層抽象，從數據中獲得不同層面的抽象特征，以此進行分類預測。深度學習在語音識別、圖像識別、藥物活性預估等領域中已經達到甚至超過人類水平。其優點在于，深度學習用非監督式或半監督式的特征學習和分層特征提取高效算法，替代了手工獲取特征。目前已出現多種超聲心動圖軟件包借助AI技術，協助圖像分析，用于評估心臟結構、功能。