在美國醫院死亡的病人中，有三分之一患有敗血癥。敗血癥是一種致命的疾病，宿主發生感染后引發炎癥，從而引起多器官衰竭，最終造成死亡。敗血癥伴隨著高死亡率，因此早期診斷非常重要。

為了實現早期診斷，麻省理工學院的研究人員正在探索一種基于深度學習的方法，這種方法有朝一日幾乎可以實時地自動檢測人類患者的病情。

毛細血管是心血管系統的最小元件，是氧氣交換和維持系統穩態的重要部位，微循環是毛細血管中的血液流動。但敗血癥常常會導致這些系統發生病變，微環境功能障礙、毛細血管中的血流變化、毛細血管收縮等，都是敗血癥的早期病理特征。臨床上用于評價微循環功能障礙的相對快速且無侵襲性的方法是暗場影像方法，已經被用于敗血癥的診斷和預后。目前科學家們已經將深度學習用于這些影像進行識別和區分，以便快速的篩查出病癥的細微信息。

先前的研究已經成功地在豬和其他動物的視頻中檢測到微循環障礙。該團隊是首次成功地利用深度學習監測危重病人的微循環異常。深度學習模型該團隊訓練了一個卷積神經網絡，可以迅速地從病人黑乎乎的微循環影像視頻中區分非敗血癥和敗血癥圖像。

在經過病人同意后，該小組從位于馬薩諸塞州波士頓的Beth Israel Deaconess醫療中心重癥監護室的病人那里獲得了訓練數據，該醫療中心是哈佛大學的教學醫院。訓練集來自于被診斷為感染性休克的患者和非感染性休克的患者。

以ResNet 18為基礎，該團隊開發了一個10層網絡架構。所有訓練數據都被裁剪并調整為224 x 224 x 3像素大小，以創建集中均勻的數據集。在利用這一分模型進行分類器訓練后，模型分類是否有病癥的準確率最終達到了89%。

隨后，研究人員使用T-SNE可視化卷積特征向量。在架構被訓練之后，驗證集中的幀被饋送到架構。最后一個卷積層的128維輸出(卷積特征向量)被用于t - SNE嵌入和可視化。

為了研究提取幀的特征空間，研究人員用重建損失訓練了一個無監督卷積自動編碼器。自動編碼器由編碼器和解碼器基于卷積層組成。編碼器和解碼器各由三個卷積層組成，未使用跳接。自動編碼器是使用Adam優化器和均方誤差作為損失度量來訓練的。訓練和測試數據集保持不變，但沒有使用上一步中的標簽數據。在每次遍歷之后，從驗證數據集中隨機取樣一些選定的圖像，用于監控輸入和輸出幀之間的相似性。一旦自動編碼器訓練完成，特征向量( 1152維的Bottleneck Layer)被提取出來，K均值算法用于聚類和可視化。其中為了避免恒等映射的產生，Bottleneck Layer在實現高精度重建的同時神經元數量要盡可能要少。

隨后對卷積特征進行t - SNE可視化，可以看到兩種數據具有視覺上的明顯聚類分群。因此，卷積神經網絡確實將敗血性和非敗血性患者的圖像分成了不同的類別。

研究人員表示，有獨立于時間信息的可學習的特征，有助于區分非敗血癥患者和敗血癥患者的圖像。 “我們假設我們的神經網絡會學習某些特征，這些特征獨立于時間信息，例如敗血癥患者和非敗血癥患者圖像之間血管數量、長度和密度的變化，這樣就可以利用這些數據來構建有效的分類器，幫助醫生更早更快的發現患者的異常癥狀并及時處理。”