人工智能（artificial intelligence，AI）能夠模擬并超越人類的學(xué)習(xí)和經(jīng)歷，即在學(xué)習(xí)、解決某一問(wèn)題的情景下，機(jī)器模仿人類的思維、認(rèn)知，通過(guò)機(jī)器感知環(huán)境，進(jìn)行測(cè)量，最大限度地實(shí)現(xiàn)某個(gè)特定目標(biāo)，提高效率。AI在日常生活中已有運(yùn)用，比如天氣預(yù)報(bào)、分析金融市場(chǎng)、預(yù)測(cè)用戶購(gòu)買傾向、根據(jù)用戶喜好推薦新聞、音樂(lè)等。機(jī)器學(xué)習(xí)是人工智能的一個(gè)組成部分，計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)完成任務(wù)，但同時(shí)卻不提供計(jì)算機(jī)明確的程序設(shè)定。根據(jù)用于學(xué)習(xí)樣本完全標(biāo)記、部分標(biāo)記或未標(biāo)記，機(jī)器學(xué)習(xí)可分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)等。通過(guò)樣本訓(xùn)練找到合適權(quán)重的過(guò)程就是機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)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(guò)不同的權(quán)重反映神經(jīng)元之間的相互依賴關(guān)系。每個(gè)神經(jīng)元接受多個(gè)輸入信號(hào)，輸入信號(hào)的總和激活神經(jīng)元；被激活的神經(jīng)元再輸出信號(hào)，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(jī)器學(xué)習(xí)受限于計(jì)算能力和樣本大小。

隨著神經(jīng)元數(shù)量的增加，學(xué)習(xí)過(guò)程的復(fù)雜性和所需樣本量增加。過(guò)去只能通過(guò)從原始數(shù)據(jù)中手工提取特征來(lái)減少神經(jīng)元的數(shù)量?，F(xiàn)在，深度學(xué)習(xí)可以通過(guò)自動(dòng)學(xué)習(xí)樣本解決這一問(wèn)題。深度學(xué)習(xí)模擬人類神經(jīng)網(wǎng)絡(luò)，采用多層神經(jīng)元級(jí)聯(lián)學(xué)習(xí)，通過(guò)組合多個(gè)非線性處理層對(duì)原始數(shù)據(jù)進(jìn)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(jìn)行分類預(yù)測(cè)。深度學(xué)習(xí)在語(yǔ)音識(shí)別、圖像識(shí)別、藥物活性預(yù)估等領(lǐng)域中已經(jīng)達(dá)到甚至超過(guò)人類水平。其優(yōu)點(diǎn)在于，深度學(xué)習(xí)用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)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(dòng)圖軟件包借助AI技術(shù)，協(xié)助圖像分析，用于評(píng)估心臟結(jié)構(gòu)、功能。