基于人工智能的系统能够通过使用专家系统(基于决策树等规则)、机器学习(例如深度学习)，执行视觉感知、语音识别、决策和语言之间的翻译等任务。

一些基于人工智能的系统表现出一定程度的自主性(在没有用户持续指导/输入的情况下在复杂环境中执行任务的能力水平)和适应性(从经验中学习从而改变性能的能力程度)。

有几种不同类型的ML方法(见下图)，以及不同的ML训练算法。

例如，一些应用可能使用监督学习，其他应用可能使用无监督或半监督学习。还有一些人可能使用反复试验的过程，也称为强化学习。

不同类型的ML训练算法包括神经网络(例如，前馈神经网络、递归神经网络、卷积神经网络等))贝叶斯网络、决策树和支持向量机等等。

常用术语：

机器学习的医疗设备(MLMD): 部分或全部使用机器学习来实现其预期医疗目的的医疗设备。

偏差 bias：对某些物体、人或群体的处理与其他相比有系统的差异。

备注: 治疗是任何一种行为，包括感知、观察、表现、预测或决定。(ISO/IEC TR 24027:2021)

ISO/IEC TR 24027指出，根据人工智能(基于)系统的预期目的，同时具有“有用”和“无用”偏差的系统。

例如，对于旨在检测白血病的MLMD，有用的偏差将是相对于其他病理偏向于检测白血病；无用的偏差可能包括预期患者人群中不同年龄组的表现的非预期差异。因此，根据预期目的，在一个年龄组中检测白血病比在另一个年龄组中更有效的MLMD可能是具有“不想要的”偏差的例子。

偏差来源包括:

人类认知偏差(包括自动化偏差、社会偏差和确认偏差)、

数据偏差(包括统计偏差、数据处理偏差和数据汇总偏差)以及

工程决策引入的偏差(例如，在特征工程期间，通过算法选择和模型偏差)。ISO/IEC TR 24027中提供了有关偏差类型和来源的更多信息。

持续学习 Continuous Learning: 在MLMD生命周期的运行阶段，每次暴露于持续发生的数据，都会导致MLMD发生变化的训练。

可靠性 Reliability：一致的预期行为和结果的性质。

半监督式机器学习 Semi-Supervised Machine Learning：在训练期间利用无监督和有监督技术的机器学习算法。 

监督式机器学习 Supervised Machine Learning：在训练过程中使用标记好的数据的机器学习。

无监督式机器学习 Unsupervised Machine Learning：仅在训练期间使用未标记数据的机器学习。

测试数据集 Test Dataset: 在训练期间从未向ML训练算法显示的一组数据，用于在训练后评估ML模型的性能。

训练 Training：通过使用训练数据，基于ML训练算法，建立或改进ML模型参数的过程。

训练数据集 Training Dataset：用于训练ML模型的一组数据，它不是测试数据集的一部分。