期刊大全 杂志订阅 SCI期刊 投稿指导 期刊服务 文秘服务 出版社 登录/注册 购物车(0)

首页 > 精品范文 > 人工智能技术论文

人工智能技术论文精品(七篇)

时间:2022-10-07 03:03:27

序论:写作是一种深度的自我表达。它要求我们深入探索自己的思想和情感,挖掘那些隐藏在内心深处的真相,好投稿为您带来了七篇人工智能技术论文范文,愿它们成为您写作过程中的灵感催化剂,助力您的创作。

人工智能技术论文

篇(1)

人工智能技术是人类科学技术不断发展进步的必然结果,也是工业发展过程中,促进工业自动化科学化发展的重要推动力量。在人工智能技术的发展中,科技的发展和工业技术的进步会促进人工智能技术的发展;反之,人工智能技术的进步,可以完成那些人类自身无法办到、技术条件效果不好的生产技术操作。当前的人工智能主要是计算机技术的发展结果,随着计算机技术的飞速发展,通过对计算机信息特点和操作性能的了解和设计,使计算机操作系统具有更多更先进的人工化反应,并在实际的信息技术处理过程中,通过其系统内部的人工化、智能化识别和处理系统,对电气自动化控制和其他工业技术领域在运行中的问题进行自主解决。如今,人工智能技术已经取得了较大的进步,其研究发展项目也越来越多,越来越先进,实用性越来越强。人工智能技术已经广泛运用与工业自动化、过程控制和电子信息处理等先进的技术领域。人工智能技术通过模糊理论算法、遗传算法和模糊神经算法等方式,可以在电气自动化控制中,采取更灵活多变的控制方式,对电气自动化设备运行中的不稳定因素和动态变化进行自主的调整,从而保障其运行的准确和高效,减少出错率。人工智能技术的运用,可以大大减少在电气自动化控制等领域的人力成本,并且能够解决一些工作人员无法有效监控和解决的问题,做到及时有效。

2人工智能技术在电气自动化控制中的应用

2.1人工智能控制实现了数据的采集及处理功能

在电气设备的运行过程中,数据的采集和处理是了解电气设备自动化控制情况,发现运行过程中的问题和提出解决办法的重要依据。在传统的自动化控制中,由于技术水平和实际运行中的动态变化,数据的采集和传输无法做到准确和稳定,保存数据容易出现丢失的情况。人工智能技术的使用,可以保障电气自动化运行过程中对动态信息的及时收集和稳定传输,对相关数据的保存工作也更安全,这就提高了电气自动化的控制水平,充分保障了电气运行中的安全性和稳定性。

2.2人工智能控制实现了系统运行监视机报警功能

电气自动化控制是用电气的可编程控制器,控制继电器,带动执行机构,完成预期设计动作的过程。在此过程中,系统内部各部分之间的运行都要严格按照设计模型和函数计算的基础上进行,如果系统中的一点出现问题,就会造成整个自动控制系统的故障。在以往的自动化控制系统运行中,对系统内部各部分之间的运行数据和运行状态进行实时监测,对运行中的特殊情况进行及时的报警处理,帮助自动化系统及时处理可能出现的故障,提醒电气管理人员加强对电气系统的管理。

2.3人工智能控制实现了操作控制功能

电气自动化控制的主要特征之一就是通过计算机的一键操作,就可以实现对电气系统的整体控制,保障电气自动化运行符合现实的需要。传统的自动化系统的操作,需要靠人工对系统各个环节进行人工操作,从而促进自动化系统内部的协调和配合,这种方式既降低了自动化运行的效率,也增加了自动化系统的故障发生频率。人工智能技术对电气自动化系统的控制,是通过各种先进的算法,按照电气自动化的需求,对自动化系统进行自动化和智能化设计,从而实现对电气自动化控制系统的同时操作,大大提高了自动化控制的效率,减少了单独指令操作中容易出现的不协调情况的发生。

3人工智能技术在电气自动化控制中的控制方式

3.1模糊控制

模糊控制以模糊推理和模糊语言变量等为理论基础,并以专家经验作为模糊控制的规则。模糊控制就是在被控制的对象的模糊模型的基础之上,运用模糊控制器,实现对电气控制系统的控制。在实际控制设计过程中,通过对计算机控制系统的使用,使电气自动化系统形成具有反馈通道的闭环结构的数字控制系统,从而达到对电气自动化系统的科学控制。

3.2专家控制

专家控制是指在进行电气自动化控制过程中,利用相关的系统控制理论和控制技术的结合,通过对以往控制经验的模拟和学习,实现电气自动化控制中智能控制技术的实施。这种控制方式具有很强的灵活性,在实际运行中,面对控制要求和系统运行情况,专家控制可以自觉选取控制率,并通过自我调整,强化对工作环境的适应。

3.3网络神经控制

网络神经控制的原理就是基于对人脑神经元的活动模拟,以逼近原理为依据的网络建模。神经控制是有学习能力的,属于学习控制,对电气自动化控制中出现的新问题可以及时提出有效的解决办法,并通过对相关技术问题的分析解决,提高自身的人工智能水平。

4结语

篇(2)

关键词:人工智能技术;石油工程;应用

一、关于一体化智能系统的构建分析

现阶段,人工智能技术已逐渐在石油工程领域中取得了广泛性应用,其中涉及到高层管理决策、采油工程、油井处理及钻井油藏等相关内容,可有效解决石油工程开展期间存在不足之处,具体可将石油工程面临问题分为以下几种类型:第一,数据型问题。主要包括地震数据检测、钻孔曲线测量及油藏特征分析等方面内容,需得出准确性数据信息便于为其他工作开展提供切实可行参考依据[1];第二,优化型问题。具体是指通过地面设备的合理优化来大大提高石油产量;第三,公式型问题。主要包括鉴定识别、测井数据介绍及提高采收率等内容;第四,知识融合型问题。需要选出较为合理恰当实践应用手段。总体来说,尽管智能化系统已逐步应用到石油工程中去,但却因专业人士缺乏明显创新想象力而无法达到最佳效果,并且智能系统还具备一定局限性特点,对石油工程实施效率提升有着不利影响。在这种情况下,为有效克服上述难题,就需石油工程工作人员能积极采用人工智能技术手段,彻底解决以往智能系统应用存在不足,借助科学合理分析方法对数据信息展开深入化分析探讨,从而促使石油行业能够顺利发展。

二、石油工程领域中人工智能技术的应用分析

(一)油田地面设施系统模拟应用。在此以某区域油田资源为例,该油田共有700多口生产井,所有生产液体全部运送到三相分离设备中,并从分离设备中分离出适量高压气进入到管网结构中,并且周围环境温度还对设备工作效率有着直接影响,可以说是后期石油产量的主要影响因素之一。因此为有效解决这一问题,就需相关工作人员能积极构建智能模型结构,准确测量出石油工程地面系统实际运行情况,对分离设备产油量起到一定帮助作用。同时石油工程参与人员还应根据项目开况构建神经模型结构,着手于数据统计分析情况,主要包括鉴定识别和数字矩阵补孔两点内容,随后可综合采用模糊聚类和变量分析方法对石油工程中涉及到的所有数据变量展开分析探讨,充分考虑到各个变量可能对最终结果产生影响,防止数据信息出现较大变化情况。除此之外,模糊聚类还包含两大优势,分别是数据代表性和利用数据对研发模型进行检验等,往往该种方法主要适用于列串数据量低于30%情况下。

(二)地层油藏特性模拟应用。从某种角度上来说,地层油藏特性模拟属于非均质地层结构,其中油藏数据信息与测井资料二者并无明显联系,根据对智能系统常规测井曲线和共振图像曲线的最新调查研究可进一步明确地层特征,充分体现人工智能技术具备的储藏优势[2]。同时地层油藏特性模拟试验开展的主要目的便是借助口井磁共振测井资料信息构建一个流体饱和度和渗透率都较强的智能模型结构,将该模型具体应用到石油工程中去可真实反映出油藏特征实际分布情况,但尤其需要注意一点就是磁共振图像技术不能应用于下套井中[3]。除此之外,因生产层构成岩石质量和特征存在着较大差距,所以常常数据质量就表示岩石具体变化情况和最高数值,也就是说,若想对岩石特性有一个深入掌握,首先就要充分了解该区域内岩石变化情况,从而借助口井数据信息构建先对完善网络模型,大大提高石油工程测量准确性,进一步凸显人工智能技术存在优势,实现人工智能技术在石油领域中应用的最佳成效。

篇(3)

关键词:人工智能;理论传授;实验训练;科研训练

人工智能(Artificial Intelligence,AI)是计算机科学与技术专业的一门重要专业课程,是一门研究运用计算机模拟和延伸人脑功能的综合性学科。它研究如何用计算机模仿人脑所从事的推理、证明、识别、理解、设计、学习、思考、规划以及问题求解等思维活动,并以此解决需要人类专家才能处理的复杂问题,例如咨询、诊断、预测、规划等决策性问题[1]。人工智能是一门涉及数学、计算机、控制论、信息学、心理学、哲学等学科的交叉和综合学科。目前,人工智能很多研究领域,如自然语言处理、模式识别、机器学习、数据挖掘、智能检索、机器人技术、智能计算等都走在了信息技术的前沿,有许多研究成果已经进入并影响了人们的生活。

2003年12月5日,国内第一个“智能科学与技术”本科专业在北京大学诞生[2],它标志着我国智能科学与技术本科教育的开始,对我国智能科学技术人才培养和智能科学与技术学科建设起到极大的带动作用。目前,人工智能课程的教学存在几个问题:首先,注重讲授理论知识,实验环节滞后,这不利于培养学生的实践能力,更谈不上实践创新。其次,人工智能是交叉学科,内容比较繁杂,各种教材的内容不一样,授课没有统一的体系,学生学习时抓不住重点,不能理解人工智能的根本方法和思想。一般说来,计算机专业的其他课程,如网络技术、数据库技术、算法分析与设计等,都是求解结构化问题的基本技术,而人工智能技术则是解决非结构化、半结构化问题的有效技术。最后,人工智能科学与技术飞速发展,但目前人工智能只被视为一门专业课,课程讲授和人工智能没有作为一个研究方向结合起来,也没有把传授课本知识和引导启发创新结合起来。

适应知识经济发展的高等教育,要把培养创造精神和创新能力摆在突出的位置。创新是基础研究的生命,而高等学校的教学只有与科研紧密结合,才能在培养学生的创新精神方面有所作为。为此,针对人工智能的课程特点,我们积极开展研究型教学、研究型学习,提高大学生的学习能力、实践能力和创新能力的研究与实践。在教材上,我们选用了清华大学出版社出版、马少平等编写的《人工智能》。我们的教学研究与实践的主要内容包括三个方面:启发式传授人工智能解决问题的非结构化的思想;成体系的实验训练;以及与毕业论文,学校大学生科研项目资助计划,国家大学生创新性实验计划相对接的科研训练。这三个主要方面,层层递进、环环相扣,是体系完整的创新型人工智能教学实践。下面,我们就这三个方面内容展开探讨。

1启发式传授人工智能解决问题的非结构化思想

现实世界的问题可以按照结构化程度划分成三个层次[1]:1)结构化问题,能用形式化(或称公式化)方法描述和求解的一类问题;2)非结构化问题,难以用确定的形式来描述,主要根据经验来求解;3)半结构化问题,介于上述两者之间。一般说来,计算机专业的其他课程如网络技术、数据库技术、算法分析与设计等,都是求解结构化问题的基本技术。而人工智能技术则是解决非结构化、半结构化问题的有效技术。人工智能的教学可以让学生在体验、认识人工智能知识与技术的过程中获得对非结构化、半结构化问题的解决过程的了解,从而达到培养学生多角度思维的目的。

我们使用的教材主要内容包括搜索和高级搜素、谓词逻辑和归结原理、知识表示、不确定性推理方法、机器学习等。这些主要内容也可以相应地归结为若干个典型算法,如启发式A*搜索算法、 剪枝算法、元启发式算法(模拟退火,遗传算法)、谓词逻辑归结算法、贝叶斯网络、决策树、神经网络(BP算法、自组织网络和Hopfield神经网络算法)。元启发式算法是一种启发式的随机算法,是用来解决非结构化问题的典型算法,其思想和传统的决定性算法如动态规划、分支限界完全不一样。学生在刚一接触到这些元启发式算法一时难以接受和理解其机理,对算法的有效性往往半信半疑。根据非结构化、半结构化问题的特点,讲解和演示算法在解决此类问题的具体步骤和详细过程,从而让学生掌握人工智能算法的基本思想。在讲解不同的元启发式算法的时候,学生会问,是模拟退火算法强,还是遗传算法强;在讲到机器学习算法的时候,学生会问到底哪个分类算法最好,这时候我们可以把搜索(优化)领域和机器学习领域的“没有免费午餐”定理进行适当的讲解和解释,从而把具体算法实现层面之上的一些人工智能的哲学思想进行传授。

在人工智能的具体教学中,采用问题教学法和参与式教学法。在问题教学法中,围绕人工智能的知识模块,在引导学生发现各种各样问题的前提下,传授知识。教学活动中,尝试使人工智能知识围绕实际问题而展现,使问题不仅成为激发学生求知欲的前提,也成为学生期盼、理解和吸收知识的前提,以此激发学生的创造动机和创造性思维。在参与式教学中,打破人工智能算法的枯燥、沉闷的传统教学法,尝试开放式教学内容;提问式讲课;无标准答案的课程设计;查找文献,分组动手实现人工智能算法等参与式教学方法,培养和发扬学生的参与意识,通过参与式教学提高学生学习的主动性、积极性和效率,培养学生的动手能力和创新能力。

2成体系的实验训练

独立开展人工智能实验课程,开发一批新型、富有创意的实验案例库,搭建一个创新实验和虚拟学习社区平台。人工智能实验课程的特点是应用各种人工智能方法,根据问题的约束、结构、信息进行表示建模和计算机上实现,是与人工智能原理同步的实验课程。学生必须掌握的人工智能的基本原理和计算机操作技能,它对于学生的知识、能力和综合素质的培养与提高起着至关重要的作用,在整个教学过程中占有非常重要的地位,是计算机软件、计算机应用、计算机网络、软件工程等专业的一门重要的必修专业课程。通过实验,学生得到严格的训练,能规范地掌握人工智能的基本理论和主要方法、基本问题求解技术,熟悉各种计算环境的基本使用。

在培养学生掌握实验的基本操作、基本技能和基本知识的同时,努力培养学生的创新意识与创新能力。为实现这一目标,在课程内容安排上采用适量基本原理与方法的实验内容为基本内容,增加一系列综合性实验和开放性创新实验问题,在实验内容方面更注重研究性实验中的创新问题。实验内容方面分为三个层次:基本原理的基础性实验、综合实验和研究性实验。在后两个层次的实验中,部分引入人工智能课程小组团队的最新科研成果,目的在于通过完成这些研究性实验,培养学生独立解决实际问题的能力,以提升学生的科研素质与创新意识。我们将这些设计实验称为新型实验案例库,它被放在人工智能课程小组网站上,以此搭建一个创新实验和虚拟学习社区平台。通过实验课程的学习和训练,学生应达到下列要求。

1) 掌握人工智能方法的优点及其在实际中的应用。

2) 学会对人工智能问题进行分析建模和应用各种计算工具实现问题求解,熟悉对实验现象的观察和记录,实验数据的获取与设计,最佳实验条件的判断和选择,实验结果的分析和讨论等一套严谨的实验方法。

3) 巩固并加深对人工智能原理课程的基本原理和概念的理解,培养学生勤奋学习,求真求实的科学品德,培养学生的动手能力、观察能力、查阅文献能力、思维能力、想象能力、表达能力。

4) 通过完成综合研究性实验,培养学生独立解决实际问题的能力,提高学生的科研素质与创新意识。

在培养学生掌握实验的基本操作、基本技能和基本知识的同时,进一步培养学生分析问题和解决问题的能力,培养学生的创新意识、创新精神和创新能力,为学生今后从事科研、教学或企事业单位的分析检验以及新技术的研发工作打下扎实的基础。

在实验组织方面,根据各实验的目的和要求,学生分为5人1组,指定一个组长,每组选择1套实验题目。基础实验题目要求达到27学时、综合性实验题目选择1题和研究性实验题目选择1题,基础实验题目要求在规定时间内,小组独立完成实验测定、数据处理,并撰写实验报告。实验过程中, 要求学生勤于动手, 敏锐观察, 细心操作, 开动脑筋, 分析钻研问题, 准确记录原始数据, 经教师检查,实验及其原始数据记录才有效。同时,团队作业,需要多人分工合作、相互帮助,这样可以提高人际交往和沟通能力,学会与他人合作,培养团队创新能力。

3课程学习与毕业论文,科研训练相结合

人工智能技术在一定程度上代表着信息技术的前沿和未来,通过学习和体验人工智能的知识和技术,学生能够在一定程度上了解信息技术发展的前沿知识,这有助学生开阔视野、培养兴趣,为今后继续深造或走向社会奠定坚实的基础[3-4]。

人工智能的理论和方法广泛应用于数据挖掘、机器学习、模式识别、图像处理中,这些内容既是高年级的后续课程,又是现在热门的研究方向。学习和深刻理解人工智能的理论、方法和应用,对后续课程学习以及今后的研究具有重要的意义。

我院规定大学三年级的学生开始联系毕业论文指导导师,同时确定毕业论文的研究方向,提前进行科研实践,以培养实践能力和研究素质。人工智能课程正好是大三高年级开设的专业课,因此,我们把课程实验及设计与同学的兴趣相结合,引导学生,并提炼和形成学生的毕业选题和课外的科研方向,它是提高本科生研究创新能力的有效手段。

基于新的教学实践,很多学生的选题都与上述归纳的人工智能若干算法相关,如算法本身的研究和改进,或是算法在各领域,如数据挖掘、图像处理等的应用。在我们的科研能力训练计划中,一批项目和课题,如混合神经网络的研究与应用、差分演化算法研究与应用、基于协同训练的推荐系统等,分别受到国家和学校本科生科研项目立项资助。一批三四年级的本科生以第一作者身份在国内核心期刊、国际会议和期刊上发表学术论文,这激发了学生的科研兴趣,使学生体会到了创新的乐趣。

总之,课程学习与毕业论文、学校大学生科研项目资助计划、国家大学生创新性实验计划相对接的科研训练,极大地提升了学生的创新能力和科研基本素质。

4结语

针对人工智能的课程特点,我们积极开展研究型教学、研究型学习,提高大学生的学习能力、实践能力和创新能力的研究与实践。我们的教学研究与实践主要内容包括三个方面:启发式传授人工智能解决问题的非结构化的思想;成体系的实验训练;以及与毕业论文、学校大学生科研项目资助计划、国家大学生创新性实验计划相对接的科研训练。这三个主要方面,层层递进、环环相扣,是体系完整的创新型人工智能教学实践,新的改革和实践在教学中取得了令人满意效果。

参考文献:

[1] 张剑平. 关于人工智能教育的思考[J]. 电化教育研究,2003(1):24-28.

[2] 谢昆青. 第一个智能科学技术专业[J]. 计算机教育,2009(11):16-20.

[3] 罗辉,梁艳春. 大学生毕业论文与科研能力培养及就业[J]. 吉林教育,2003(10):18.

[4] 金聪,刘金安. 人工智能教育在能力培养中的作用及改革设想[J]. 计算机时代,2006(9):66-69.

Reform and Practice of Innovative Teaching in Artificial Intelligence

WANG Jia-hai, YIN Jian, LING Ying-biao

(Department of Computer Science, Sun Yat-sen University, Guangzhou 510006, China)

篇(4)

关键词:人工智能;电气;自动化

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法 技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支 它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器.该领域的研究包括机器人.语言识别、图像识别 自然语言处理和专家系统等。电气自动化是研究与电气工程有关的系统运行、自动控制,电力电子技术、信息处理、试验分析 研制开发以及电子与计算机应用等领域的一门学科。实现机械的自动化,让机械部份脱离人类的直接控制和操作自动实现某些过程是电气自动化和人工智能研究的交汇点。积极运用人工智能的新成果无疑有利于电气自动化学科特别是自动控制领域的发展.也有利于提高电气设各运行的智能化水平.对改造电气设备系统,增强控制系统稳定性.加快生产效率都有重大意义。

1、人工智能应用理论分析

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟,延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质.并生产出一种新的能以人类智能相似的方式作出反应的智能机器 该领域的研究包括机器人、语言识别、图像识别 自然语言处理和专家系统等。自从1956年“人工智能 一词在Dartmouth学会上提出以后,人工智能研究飞速发展,成为以计算机为主.涉及信息论.控制论, 自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学的一门学科。人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂的工作。

当今社会,计算机技术已经渗透到生产生活的方方面面.计算机编程技术的日新月异催生自动化生产,运输 传播的快速发展。人脑是最精密的机器,编程也不过是简单的模仿人脑的收集、分析、交换、处理、回馈.所以模仿模拟人脑的机能将是实现自动化的主要途径。电气自动化控制是增强生产.流通、交换、分配等关键一环.实现自动化,就等于减少了人力资本投入,并提高了运作的效率。

2、人工智能控制器的优势

不同的人工智能控制通常用完全不同的方法去讨论。但Al控制器例如:神经、模糊、模糊神经以及遗传算法都可看成一类非线性函数近似器。这样的分类就能得到较好的总体理解.也有利于控制策略的统一开发。这些Al函数近似器比常规的函数估计器具有更多的优势.这些优势如下:

(1)它们的设计不需要控制对象的模型(在许多场合,很难得到实际控制对象的精确动态方程,实际控制对象的模型在控制器设计时往往有很多不确实性因素,例如:参数变化,非线性时,往往不知道)。

(2)通过适当调整(根据响应时间 下降时间、鲁棒性能等)它们能提高性能。例如模糊逻辑控制器的上升时间比最优PID控制器快1.5倍 ,下降时间快3.5倍, 过冲更小。

(3)它们比古典控制器的调节容易。

(4)在没有必须专家知识时.通过响应数据也能设计它们。

(5)运用语言和响应信息可能设计它们。

总而言之,当采用自适应模糊神经控制器、规则库和隶属函数在模糊化和反模糊化过程中能够自动地实时确定。有很多方法来实现这个过程,但主要的目标是使用系统技术实现稳定的解,并且找到最简单的拓朴结构配置.自学习迅速,收敛快速。

3、人工智能的应用现状

随着人工智能技术的发展,许多高等院校及科研机构就人工智能在电气设备的应用方面展开了研究工作,如将人工智能用于电气产品优化设计,故障预测及诊断、控制与保护等领域。

3.1 优化设计

电气设备的设计是一项复杂的工作 它不仅要应用电路、电磁场、电机电器等学科的知识,还要大量运用设计中的经验性知识。传统的产品设计是采用简单的实验手段和根据经验用手工的方式进行的.因此很难获得最优方案。随着计算机技术的发展,电气产品的设计从手工逐渐转向计算机辅助设计(CAD),大大缩短了产品开发周期。人工智能的引进.使传统的CAD技术如虎添翼.产品设计的效率及质量得到全面提高。用于优化设计的人工智能技术主要有遗传算法和专家系统。遗传算法是一种比较先进的优化算法,非常适合于产品优化设计。因此电气产品人工智能优化设计大部分采用此种方法或其改进方法。

3.2 故障诊断

电气设备的故障与其征兆之间的关系错综复杂,具有不确定性及非线性.用人工智能方法恰好能发挥其优势。已用于电气设备故障诊断的人工智能技术有:模糊逻辑、专家系统、神经网络。

变压器由于在电力系统中的特殊地位而备受关注,有关方面的研究论文较多。目前对变压器进行故障诊断最常用的方法是对变压器油中分解的气体进行分析.从而判断变压器的故障程度。人工智能故障诊断技术在发电机及电动机方面的研究工作也较为活跃。

3.3 智能控制

人工智能控制技术在自动控制领域的研究与应用已广泛展开.但在电气设备控制领域所见报道不多。可用于控制的人工智能方法主要有3种:模糊控制、神经网络控制、专家系统控制。由于模糊控制是其中最为简单、最具实际意义的方法.因而它的应用实例最多。

篇(5)

人工智能在医疗领域的广泛应用价值

目前,人工智能在医疗领域的研究成果频出,人工智能应用医疗领域已是大势所趋。各个科技巨头都相继布局人工智能医疗行业。对人工智能在医疗的应用主要基于多方面的客观现实:比如优质医疗资源供给不足,成本高,医生培养周期长,误诊率高,疾病谱变化快,技术日新月异;此外,随着人口老龄化加剧和慢性疾病发病率的增长,人们对健康重视程度普遍提高,医疗服务需求也在持续增加。

人工智能结合医学应用有非常多的益处,可以让患者、医师和医疗体系均受益。比如对于患者来说,可以更快速地健康z查,获得更为精准的诊断结果和更好的个性化治疗方案建议;对于医师来讲,则可以消减诊断时间,降低误诊的概率并对可能的治疗方案的副作用提前知晓;对于医疗体系来说,人工智能则可以提高各种准确率,同时系统性降低医疗成本。

据悉,人工智能在智能诊疗、智能影像识别、智能药物研发和智能健康管理等方面都有广泛的应用价值。

比如在智能诊疗方面,就是让计算机“学习”专家医生的医疗知识,模拟医生的思维和诊断推理,从而给出可靠诊断和治疗方案。智能诊疗场景是人工智能在医疗领域最重要、也最核心的应用场景。谷歌宣布已尝试将其面向消费者的机器学习能力应用到医疗保健领域中。今年谷歌的人工智能算法在乳腺癌诊断上也表现出了很高准确度;苹果公司最近收购了Lattice,该公司在开发医疗诊断应用的算法方面具有很强能力。

在智能影像识别方面,人工智能的应用主要分为两部分:一是图像识别,应用于感知环节,其主要目的是将影像进行分析,获取一些有意义的信息;二是深度学习,应用于学习和分析环节,通过大量的影像数据和诊断数据,不断对神经元网络进行深度学习训练,促使其掌握诊断能力。作为医生,从一个大的图像如CT、核磁共振图像判断一个非常小的阴影,是肿瘤是炎症还是其他原因,需要很多经验。如果通过大数据,通过智能医疗,就能够迅速得出比较准确的判断。

在智能药物研发方面,则是将人工智能中的深度学习技术应用于药物研究,通过大数据分析等技术手段快速、准确地挖掘和筛选出合适的化合物或生物,达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。人工智能通过计算机模拟,可以对药物活性、安全性和副作用进行预测。目前借助深度学习,人工智能已在心血管药、抗肿瘤药和常见传染病治疗药等多领域取得了新突破,在抗击埃博拉病毒中智能药物研发也发挥了重要的作用。

在智能健康管理方面,则可以将人工智能技术应用到健康管理的很多场景中。目前主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。比如通过获取信息并运用人工智能技术进行分析,识别疾病发生的风险及提供降低风险的措施。计算机还能收集病人的饮食习惯、锻炼周期、服药习惯等个人生活习惯信息,运用人工智能技术进行数据分析并评估病人整体状态,协助规划日常生活。在精神健康领域,计算机可运用人工智能技术从语言、表情、声音等数据进行情感识别。在健康干预层面,计算机则可以运用AI对用户体征数据进行分析,定制健康管理计划。

从IBM Watson的发展看医学人工智能的未来

目前国内外已经有很多高科技企业将认知计算和深度学习等先进AI技术用于医疗领域,并出现了很多产品,其中以IBM的“沃森医生”(IBM Watson)最有代表性。IBM Watson作为该领域中的翘楚,随着人工智能技术的逐渐成熟,在2016年开始放开手脚,以肿瘤诊断为重心,开始在慢病管理、精准医疗、体外检测等九大医疗领域中实现突破,逐步实现人工智能作为一种新型工具在医疗领域的独特价值。

沃森是2007年由IBM公司开发的,IBM Watson具备了自然语言处理、信息检索、知识表示、自动推理、机器学习等能力,能够快速搜索分析非结构化的数据,获取想要的结果。2015年,日本东京大学医学院研究所最初的诊断结果,确诊一位60岁的日本女性患了急髓白血病,但在经历各种疗法后,效果都不明显。无奈之下,研究所只好求助IBM Watson,而IBM Watson则通过对比2000万份癌症研究论文,分析了数千个基因突变,最终确诊这位60岁的日本女性患有一种罕见的白血病,并提供了适当的治疗方案。整个过程IBM Watson只用了短短10分钟。

自2012年罗睿兰接手IBM开始,IBM公司发展方向与业务架构就一直在进行根本性调整。传统硬件与系统软件业务地位不断退后,而云计算、网络安全、数据分析与人工智能成为了公司现金流的核心投放领域。现在的IBM正在转型为一家认知计算和云平台的公司。其中在医学人工智能的优势也越来越明显。

IBM Watson首先进入的领域是复杂的癌症诊断和治疗领域,这也是目前全世界医学界聚焦的重点。Watson的第一步商业化运作就是通过和纪念斯隆・凯特琳癌症中心进行合作,共同训练IBM Watson肿瘤解决方案(Watson for Oncology)。癌症专家在Watson上输入了纪念斯隆・凯特琳癌症中心的大量病历研究信息进行训练。在此期间,该系统的登入时间共计1.5万小时,一支由医生和研究人员组成的团队一起上传了数千份病人的病历,近500份医学期刊和教科书,1500万页的医学文献,把Watson训练成了一位杰出的“肿瘤医学专家”。随后该系统被Watson Health部署到了许多顶尖的医疗机构,如克利夫兰诊所和MD安德森癌症中心,提供基于证据的医疗决策系统。

相继攻克肺癌、乳腺癌、结肠癌、直肠癌后,2015年7月IBM Watson for Oncology成为IBM Watson health的首批商用项目之一,正式将上述四个癌种的肿瘤解决方案进入商用。2016年8月IBM宣布已经完成了对胃癌辅助治疗的训练,并正式推出使用。此外沃森还在2016年11月训练完上线了宫颈癌的服务。

目前IBM Watson肿瘤解决方案已经进入中国。2016年12月,浙江省中医院联合思创医惠、杭州认知三方共同宣布成立沃森联合会诊中心,三方将合作开展IBM Watson for Oncology服务内容的长期合作,这是自IBM Watson for Oncology引入中国以来,首家正式宣布对外提供服务的Watson联合会诊中心,意味着中国医疗行业将开启一个新型人工智能辅助诊疗时代。目前Watson可以为肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌6种癌症提供咨询服务,2017年将会扩展到8-12个癌种。在医生完成癌症类型、病人年龄、性别、体重、疾病特征和治疗情况等信息输入后,沃森能够在几秒钟内反馈多条治疗建议。

此外,IBM Watson还与辉瑞达成了一项新协议,会将前者的超级计算能力用于癌症药物研发。辉瑞将用上Watson for Drug Discovery的机器学习、自然语言处理及其它认知推理能力,用于免疫肿瘤学(Immuno-oncology)中的新药物识别,联合疗法和患者选择策略。由于免疫肿瘤学的未来在于针对独特肿瘤特征的组合,这会改变癌症治疗方式。而在药物研发中利用Watson的认知能力,可以更快地为患者带来可能的新免疫肿瘤治疗。

毫无疑问,人工智能将会成为未来IBM的成长引擎。沃森目前已经不仅仅满足于涉及糖尿病等慢病、大健康、医疗影像、体外检测、精准医疗、机器人、疾病研究治疗这几个领域,未来,沃森的触角还会伸到医疗的其他行业,为整个医疗行业服务。

中国版小小“沃森”不断面世

与IBM Watson十年的发展轨迹不同,中国在医学人工智能领域的发展属于追赶者。由于中国没有统一的医疗数据格式以及数据孤岛的隔离,中国在医学人工智能I域投放的资源相对要少很多。不过这并不妨碍国人对其发展的热情。在智能影像识别和诊断方面,中国已经出现了若干版本的小小“沃森”,他们的功能虽然没有IBM Watson那么强大,但也在各个领域显示出独特的应用价值。

浙江德尚韵兴图像科技有限公司是由浙江大学知名专家和珠海和佳医疗设备股份有限公司共同投资成立一家高科技公司。浙江德尚韵兴利用深度学习处理超声影像,同时加入旋转不变性等现代数学的概念,形成了“DE-超声机器人”。该机器人算法借助计算机视觉技术,可以对甲状腺B超快速扫描分析,圈出结节区域,并给出良性与恶性的判断,大大节省了医生的诊断时间。一般来说,人类医生的准确率为60%-70%,而当下算法的准确率已经达到85%。

据悉,人体甲状腺结节已成常见病,如果不加重视,甲状腺结节可能会发生恶变,进而发展成癌症,危及生命。但由于个体化差异,目前三甲医院甲状腺结节的诊断准确率平均也只有60%,如果不做活检,不同医生对同一张片子可能会做出不同判断。而超声机器人的出现,不仅能辅助医生做出精准判断,还能缩短病人就医时间,提升医疗效率。目前“DE-超声机器人”已经在浙江大学第一附属医院、中国电子科技集团公司第五十五所职工医院和杭州下城区社区医院临床应用,一年病例达到8万多,准确率达86%以上。

2017年2月,中山大学中山眼科中心刘奕志教授领衔中山大学联合西安电子科技大学的研究团队,利用深度学习算法,建立了“CC-Cruiser先天性白内障人工智能平台”。该人工智能程序模拟人脑,对大量的先天性白内障图片进行分析和深度学习,不断反馈提高诊断的准确性。将该程序嵌入云平台后,通过云平台上传图片,即可获得先天性白内障的诊断、风险评估和治疗方案。

据悉,先天性白内障是一种严重威胁儿童视力的疑难罕见病。中山眼科中心有全球最大的先天性白内障队列(队列人数近2000名),基于该队列开展了一系列严谨的研究,积累了大量高质量的先天性白内障临床数据。中山大学眼科中心于2017年4月设立“人工智能应用门诊”,由人工智能云平台辅助临床医师进行诊疗。在人工智能门诊就诊的患者,除接受常规诊疗外,其检查数据即时同步到CC-Cruiser云平台,同时享受由人工智能机器人提供的“专家级”诊疗。目前CC-Cruiser已在3家协作医院完成临床试点应用,并取得理想效果。此外,中山眼科中心已经连接了、新疆、云南、青海等边远省区上百家基层医院,每天有大量眼科检查数据上传云平台请求专家协助诊断。在医学人工智能应用场景下,病例以及图像数据将首先通过人工智能程序进行初审,再由专家复核,效率将提升70%以上,极大提高了专家协诊效率。

2017年5月,丁香园、中南大学湘雅二医院和大拿科技共同宣布就皮肤病人工智能辅助诊断达成独家战略合作,并了国内首个“皮肤病人工智能辅助诊断系统”。资料显示,系统性红斑狼疮是一种慢性自身免疫性疾病,属于风湿性疾病中的弥漫性结缔组织病,可引起全身多个脏器受累,包括皮肤、关节、肾脏、血液等。如何精准诊断系统性红斑狼疮,一直是困扰各国科学家的世界医学难题。

目前三方合作研发出的是红斑狼疮人工智能辅助诊断模型,该模型对红斑狼疮各种亚型及其鉴别诊断疾病能进行有效区分,识别准确率超过85%。据悉,该系统一方面是面向皮肤科医生,医生通过APP,把图像传到系统以后,系统提示最有可能的皮肤病类型,然后建立皮肤病电子百科全书,通过百科全书再去学习,辅助临床诊断;另一方面是面向患者,系统提供图片鉴别和导诊意见。据悉,该系统第一期主要实现以红斑狼疮为代表的皮肤病人工智能辅助诊断,下一步将“渗透”到其他医疗机构,并将开放患者端服务。

医学人工智能真正落地

需要全产业链配合

专家指出,要真正实现医疗产业的人工智能化,仅靠单方面的力量难以实现,这需要依托全产业链包括医疗主管部门、医疗机构的参与和信息化服务商等各个环节的共同努力。

比如像前文所述的甲状腺结节、红斑狼疮、先天性白内障的诊断,都要依靠形态学的图像数据,这些在皮肤病和病理科特别常见,所以人工智能的优势在此可以得到充分体现。训练一个好的皮肤科医生可能要十年,把人工智能引进后,可以大大缩短时间。但是医学人工智能研发成本高、数据获取难、尚未深入诊疗核心等成为阻碍其真正落地的因素。

人工智能技术形成产品,最重要是要有大量高质量的数据。深度学习靠的是“吃透”大量样本。但目前大部分医疗机构并不愿公开数据。比如前文介绍的德尚韵兴,为了收集数据,尝试通过多个渠道,有社区检查,有付费志愿者,也有试点医院。最后该公司收集了两三万张超声图像,不嗟厥淙胂低持胁疟Vち苏锒献既仿试85%以上。该公司负责人也评价到,如果样本量能提高一倍,诊断准确率还有较大的提升空间。

在获取高质量的医疗数据方面,国内医院在过去信息化程度不高,数据虽然多,但相对杂乱,使用难度大。如何找到合适的切入点,并快速获取数据会是一个很高的门槛。同时,医院信息孤岛现象长期存在,各个医疗机构的数据尚未实现互联互通。这一局面则逐步从政策层面迎来破冰。去年6月,国务院公布了《关于促进和规范健康医疗大数据应用发展的指导意见》,明确指出健康医疗大数据是国家重要的基础性战略资源,需要规范和推动健康医疗大数据融合共享、开放应用。但该政策的真正落地依然需要时间。

篇(6)

1936年人工智能之父提出人工智能这个概念,为人工智能乃至现代信息科技奠定了基础。

1958年,10位美国年轻的学者在一起研讨,正式提出人工智能这个概念。

人工智能经过了60年曲折的发展,有过令人兴奋激动的时刻,也有令人非常沮丧的时刻,现在到了一个新的,这是没有异议的。

特别值得一提的是,专用人工智能领域取得了突破性进展,今年,阿尔法狗是标志性之一,包括竞赛性能的不断提高,特别是在测试中已经超越人。

新版的人型机器非常的震撼人心,在地面上走,尽管歪歪扭扭,但走得还很稳;还有自动驾驶汽车,在雪地里,也可以走得很好;语音识别,这是科达讯飞一个典型的语音识别的例子,效果非常好;人脸识别,尽管还有一些挑战,但是这几年还是不错的。

专用人工智能确实取得了突破性的进展,但人工智能的研究与应用依然任重道远,要在通用人工智能方面取得巨大突破还需要尽洪荒之力,曾经有四句话描写了人工智能目前的水平,有智能没智慧,有智商没情商,会计算不会算计,有专才无通才。

另外,人工智能产业化应用也有了很好的发展,2015年全球人工智能市场规模为1270亿美元,今年预计1650亿美元,到2018年预计超过2000亿美元,发展非常之快。目前,人工智能已经上升到国家战略高度。过去一年人工智能领域的十件大事

过去的一年里,人工智能领域有很多新的变化。

第一项,阿尔法狗。

第二项,各国政府高度重视人工智能发展,包括今年5月份美国白宫举行的4场研讨会。

第三项,IBM类脑超级计算机平台,是基于前几年的芯片。

第四项,软银320亿美元收购ARM,这是很大的收购。

第五项,谷歌、facebook等开源人工智能基础平台反映了一个趋势和动向。

第六项,创建公益性的人工智能机构OpenAI。

第七项,在学术方面,Science发表Bayesian Program 论文。

第八项,微软深层残差网络夺冠2015年ImagnNet。

第九项,谷歌量子计算机取得重要突破,为人工智能计算搭建了一个平台。

第十项,剑桥大学成立了人工智能伦理研究所。

怎样通过这个标志性事件看目前人工智能发展的状态,我将其概括成十段话。

人工智能十大趋势动态

第一,人工智能热潮全球化,从东方到西方,从发达国家到发展中国家,从大国到小国,都掀起了热潮。

第二,产业竞争白热化。

第三,投资并购密集化,过去一年的收购、投资,数不胜数。

第四,人工智能应用普适化,开始向各个领域渗透。

第五,人工智能的服务专业化,一个是研究通用化的人工智能,一个是专业化的人工智能。

第六,基础平台开源化,包括IBM、谷歌开源的平台,是过去一年特别明显的一个新的特征。

第七,关键技术硬件化,包括IBM的类脑计算平台。

第八,技术方法集成化,单一的人工智能计算理论和方法不可能包打天下,集成创新势在必行,阿尔法狗里集成了很多。

第九,学科创新协同化,多学科跨界融合交叉协同创新人工智能创新途径,其中包括量子技术跟人工智能的结合。

第十,社会影响大众化。

人工智能未来发展五大思考

第一,要保持警醒。热潮下面尤其需要冷思考,阿尔法狗在围棋上的表现,确实提高了人们对人工智能的期望,但是对人工智能希望太高,如果没有实现就会非常失望。过去60年中我们有很多这样的教训,在热潮下尤其需要冷静的思考,有就一定会有低谷,这是发展的客观规律,而任何一个时段不可能一直蓬勃,所以一定要保持冷思考。引用最新的新兴技术成熟度曲线。智能机器人、认知等热门技术正处于期望膨胀期,接下来可能是幻灭期,所以需要我们冷静的思考。

第二,切忌跟风。我认为跟风难有大作为,这几年风口热好像说得很多,找风口不如找关口,发展的瓶颈在哪里,突破瓶颈就可能开创一个新天地,抢占先机,大家不要再跟风。

第三,不忘初心。对于人工智能来说是不忘初心继续探索,回归人工智能的本原,是要解决什么问题,别走偏了。所以从研究的内容到研究的目的,在回归本原的过程中尤其要记着,信息科技与脑类科技的交汇,人脑智能机理的挖掘孕育着信息科技的重大变革。

第四,苦练内功。重视前沿基础理论研究,现在是家喻户晓,但是大家不要忘记不是那么火爆的时候在干什么,一直坚持,才有深度学习的今天,所以苦练内功很重要,不能被当下的热点一叶障目。深度学习不等于AI,深度学习只是人工智能领域机器学习方向的一种方法,尽管现在效果很好,确实需要思考如何克服这个瓶颈,人工智能发展的下一个关口在什么地方。深度学习的成功不是理论方法的突破,而是在大数据和大规模计算资源驱动下的基于基础理论的技术突破,其本质是通过映射对复杂函数进行逼近。

深度学习依旧存在明显的局限性,尤其在任务的切换和对环境变化自身完善、对小样本的举一反三等方面,人工智能与人类还是相差甚远。

第五,以史为鉴。丘吉尔说你能看到多远的过去,你就能看到多远的未来,你过去看的有多深,你对未来才能看得有多准,我认为是有道理的,所以这个时候就需要我们做一个思考。从浅层智能到深层智能;从专用人工智能到通用人工智能;从机器智能到混合智能;从数据驱动到数据和知识协同驱动;从线下智能到云上智能;从网下到网上。

人工智能在中国的发展

这些具体的趋势实际上都反映在整个社会化大趋势上,智能化是新一轮科技与产业革命的最显著特征。

我们国家发展有很多机遇,天时地利人和,当然也有挑战,我们的战略思维、冒险精神还不够,所以要思考这些问题,人工智能如何更好地服务社会。

如何抓住这个机会,我觉得首先应该有一个规划,因为只有通过顶层规划协调才能实现一盘棋,最终实现人工智能强国。

篇(7)

【关键词】人工智能 医学领域

1 引言

人工智能(AI)是上世纪50年展起来的新兴学科,主要内容包括:知识表示、自然语言理解、机器学习和知识获取、知识处理系统、计算机视觉、自动推理和搜索方法、智能机器人、自动程序设计等方面。在过去的几十年里人工智能涌现出了大量的方法,大致可分为两大类:第一类是基于Newell和Simon的物理符号系统假说的符号处理方法。这种方法大多采用从知识阶段向下到符号和实施阶段的自上而下的设计方法,第二类是采用自下而上设计的“字符号”方法。

2 人工智能的发展

全球对人工智能的研发经历了已经有70年的发展,从上个世纪的50年代开始一直到今天,历经了两次大起大落,但伴随着深度学习的重燃、庞大的大数据支撑以及计算能力的不断提升和成本的不断下降这些因素的出现,尤其是在摩尔定律、大数据、互联网和云计算、新方法这些人工智能进步的催化剂作用下,将迎来人工智能新的春天。

3 人工智能在医学领域上的应用

3.1 在神经网络中人工智能的应用

在医学诊断中人工智能的应用会出现一些难题,例如知识获取比较难、推理速度慢、自主学习以及自适应变化能力弱。研究人脑连接发现了以人工神经为特点可以解决在获取知识中所出现的瓶颈和知识种类繁琐问题,能够提高对知识的推理能力,包括自主学习,自组织等方面的能力,促进了神经网络在医学专家系统中的快速发展。

人工智能领域ANN,有不同于其他人工智能的方法,在传统的结构上,它只是AI分支中的一个,只能通过逻辑符号来模拟人脑的思维方式,进一步来实现人工智能,与之相比,不同的ANN是学习和训练为一体来达到智能的。ANN具有学习的能力及特殊方法,用户不用编写复杂的程序来解决所遇到的问题,只用提供有效的数据就可以完成。迄今为止,医学领域中对大部分的病理原因无法解释,无法确定病理原因,加上各种疾病的表现种类复杂多变。在医学的日常实践中,疾病相应的治疗只能以经验为基础来判断。所以,ANN有着记忆,学习和归纳总结为一体的人工智能服务,在医学领域有很好的应用发展趋势。

3.2 在中医学中人工神经网络的应用

在中医学中,所提出的“辨证论治”中的“证”具有模棚性、不确定性的特点,主观性比较强,因此中医的诊断方法和治疗手段与医师的经验水平有很大联系。数年来在实验研究,临床观察,文章整理,经验总结上,都有着对“证”的研究思想的深入调查。一部分“辨证”的过程可以用人工神经网络来替换使用。恰当的中医症状可以作为基本输入和适当人工神经网络模型,人工神经网络能够根据以往的学习“经验”来进行综合分析,从而提出中医诊断方法。

由神经元结构模型、网络连接模型、网络学习算法等几个要素组成了人工神经网络。具有某些智能系统的功能。 按照网络结构来划分,人工神经网络有很多不同的种类,例如感知器、BP网络、Hopfield网络等,目前应用最为广泛的神经网络就是其中的BP网络。这种前沿网络非 BP网络所属,网络的结构与权值能够表达复杂的非线性 I/0映射关系。凭借 BP网络优良的自主学习功能,既可以通过误差的反向传播方法,对照已知样本反复进行训练,也可以调整网络的权值,直到网络的 I/0关系在某一块训练指标下最接近样本为止。

3.3 人工智能在临床医疗诊断中的应用

计算机编写的程序主要根据专家系统的设计原理和方法来模拟医生的医学诊断,以及通常治疗手段的思维过程来进行。医疗专家系统是临床医疗诊断中人工智能的很好体现,不仅能够处理较为复杂的医学治疗问题,还能当做医生诊断疾病的重要工具,更重要的是传承了专家们的宝贵医学治疗经验。

3.4 人工智能技术在医学影像诊断中的应用

目前,在医学影像中存在着的问题,比如:误诊率高、缺口大。这些问题需要通过人工智能的方法来解决。在医学影像技术领域人工智能的应用包括主要的两个方面,分别是:第一个方面为图像识别,第二个方面为深度学习,其中人工智能应用最核心的部分实深度学习。这两个部分都是基于医学影像大数据所进行的数据上的挖掘和应用。这两个方面所进行的数据挖掘及其应用都是依据医学影像大数据来完成的。

Geoffrey Hinton教授是神经网络领域的大师,2006年,他与其博士生在《Science》和相关的期刊上发表了论文,第一次提出了“深度信念网络”的概念。2012年,由斯坦福大学Fei-Fei Li教授举办的ImageNet ILSVRC大规模图像识别评测任务是由Hinton教授的研究团队参加的。这个任务包括了120万张高分辨率图片,1000个类比。Hinton教授团队使用了全新的黑科技多层卷积神经网络结构,将图像识别错误率突破性地从26.2%降低到了15.3%。 这个革命性的技术,让神经网络深度学习以迅速的速度进入了医疗和工业的领域范围,随后这一技术被陆续出现的医疗影像公司使用。例如:国际知名的医学影像公司Enlitic和国内刚刚获得有峰瑞资本600万天使轮融资的DeepCare。都是不断积累大量影像数据和诊断数据,继续对神经元网络进行深度的学习训练,从而有效的提高了医生诊断的准确率。

人工智能不仅能使患者的健康检查快速进行,包括X光、B超、核磁共振等。另外还能大量减少医生的读片时间,提升了医生的工作效率,降低误诊率。

4 总结

人工智能软件工作效率远远超过了人类大脑,不仅能够更快速的找到数据的模式和相似性,还能有效帮助医生和科学家提取重要的信息。随着人工智能的发展及其在医学领域的逐渐普及和应用,两者的互相融合在未来必定成为医学发展的重要方向。

参考文献

[1]冯伍,张俊兰.人工智能在医学上的应用[J].电子设计工程,2010(01).

[2]杨琴,陈家荣.人工智能在医学领域中的应用[J].科技风,2012(12),100-101.

[3]王宇飞,孙欣.人工智能的研究与应用[J].信息与电脑,2016(05).

[4]铅笔道.人工智能与影像诊断相结合的医生界阿尔法狗,2016(03).