帝国理工：如何用 AI 解决 80% 专科医生担忧的心律装置移植手术难题

在一些临床应用中，使用更快的、可靠的(至少和心脏病专家一样)工具会大有用处。医生用它从一个简单的胸片快速评估心脏设备的性质。因为只有特定的制造商才能与病人的设备通信，知道带哪个程序员来可以节省宝贵的临床时间，这样可以在紧急情况下快速访问设备，提供紧急治疗。

机器学习：特征图

在图3中，大多数人包括心脏病专家，都很难区分起搏器的两种模型。然而，神经网络不仅能准确地区分它们，特征图还能突出区分它们最明显的特征。此外，一旦这个显著的特性被指出来(图4)，就很容易区分。

网络架构极大地影响性能

表2显示了不同神经网络架构的性能水平，VGGNet在这项任务上的表现很差。ResNet设计了“残差连接”，这种方法使原始图像可用于网络的所有后续层，而不仅仅是第一层。GoogLeNet Inception使用“1×1卷积”在层之间压缩信息，大大降低网络的复杂性。性能最好的设计是Xception，它广泛使用了这两种创新“残差连接”和“1×1卷积”。

局限性

该神经网络可以识别英国地区常用的设备，无法适应所有的设备。当然，该网络能够不断地扩展，训练神经网络只需要新设备的25个样本。

有时候，神经网络也会得出错误的结论。尽管网络选择的正确率在96.4%。但(巧合的是)在99.6%的情况下，正确的型号是前3个预测中的1个。

所有的神经网络都有“过度拟合”的风险。我们试图以两种方式将过度拟合的风险降至最低。首先，网络的性能被定义为在未经过训练的“测试集”上的准确性。其次，网络中包括各种“正规化”方法，例如丢失和权重衰减。

让神经网络，从“工作台走到病床边”的部署可能很困难，因为在护理时并不总是需要很大的处理能力。通过提供任何人都可以使用的在线Web门户，我们可以缓解这种情况。

结论

本研究证明卷积神经网络能够从X光片上准确识别心律装置的制造商和型号。此外，它的性能显著超过使用流程图的心脏病专家。

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!