深度学习是 AI 和机器学习的一个分支，其使用多层人工神经网络精准完成物体检测、语音识别、语言翻译等任务。深度学习与传统机器学习技术的区别在于，前者可以自动从图像、视频或文本等数据中学习表征，无需引入手写代码规则或人类的领域知识。其高度灵活的架构可以直接从原始数据中学习，获得更多数据后，其预测准确度也将随之提升。AI 领域近期的许多突破创新都应归功于深度学习，例如 Google DeepMind 的 AlphaGo、自动驾驶汽车、智能语音助手等。（NVIDIA）

《主流的三大深度学习框架》一文简要介绍了TensorFlow、PyTorch 和 MXNet，不过，由于 TensorFlow 和Pytorch 占据了深度学习的半壁江山，本文再再综述一下。

人工智能（artificial intelligence, AI）自1956年诞生以来已经取得了长足的发展，作为计算机科学的前沿学科，被认为是21世纪三大尖端技术之一，受到了各国政府的重视。传统的AI，人输入的是规则，输出的是答案，而机器学习（machine learning, ML），人输入的是数据和从这些数据中预期得到的答案，系统输出的是规则，将这些规则应用于新的数据，并使计算机自动生成答案。机器学习需要3个要素：输入数据、预期输出、衡量方法，其中衡量方法指计算算法的输出和我们预期输出的差距。衡量结果是一种反馈信号，用来调整算法。从3个要素的角度来看，麻醉学是比较适合机器学习的，因为它具有很多可以作为输入的数据，如BIS、近似熵、多尺度熵等都可以用来评估麻醉深度，血压、心率和血容量等可以用来评估患者的身体情况，医师的诊断可以作为预期输出。

AI在麻醉上的应用是多种多样的，基本覆盖了临床麻醉的全过程。从术前对患者的风险预测并做出预案，给患者进行麻醉及镇静、镇痛、肌松，术中突发情况下的急救复苏，术后对患者的复苏催醒、远期随访，围手术期对患者身体情况进行的监测和相应处理等都有AI的应用，AI在麻醉学上的应用主要包括围手术期不良事件监测、自动评估麻醉深度、麻醉药物自动给药系统及自动超声图像处理等方面。对于麻醉医师来说，了解AI的最新发展，掌握如何高效、安全地利用AI是至关重要的。本文将对AI在麻醉上应用的相关研究进行综述。