人工智能(artificial intelligence,AI)能夠模擬并超越人類的學習和經(jīng)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(huán)境,進行測量,最大限度地實現(xiàn)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(jù)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(shù)據(jù)中學習完成任務(wù),但同時卻不提供計算機明確的程序設(shè)定。根據(jù)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(jiān)督學習、半監(jiān)督學習和非監(jiān)督學習等。通過樣本訓練找到合適權(quán)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(jīng)網(wǎng)絡(luò)(convolution neural network,CNN),CNN由層狀神經(jīng)元連接構(gòu)成,模擬人腦通過不同的權(quán)重反映神經(jīng)元之間的相互依賴關(guān)系。每個神經(jīng)元接受多個輸入信號,輸入信號的總和激活神經(jīng)元;被激活的神經(jīng)元再輸出信號,決定下一層神經(jīng)元的狀態(tài),直至最后一層神經(jīng)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(jīng)元數(shù)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(shù)據(jù)中手工提取特征來減少神經(jīng)元的數(shù)量?,F(xiàn)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(jīng)網(wǎng)絡(luò),采用多層神經(jīng)元級聯(lián)學習,通過組合多個非線性處理層對原始數(shù)據(jù)進行逐層抽象,從數(shù)據(jù)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(lǐng)域中已經(jīng)達到甚至超過人類水平。其優(yōu)點在于,深度學習用非監(jiān)督式或半監(jiān)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(xiàn)多種超聲心動圖軟件包借助AI技術(shù),協(xié)助圖像分析,用于評估心臟結(jié)構(gòu)、功能。
編輯:Ethan TAG:人工智能人工智能醫(yī)療器械