色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

MIT:神經(jīng)網(wǎng)絡(luò)通過細(xì)微特征預(yù)測是否會(huì)出現(xiàn)乳腺癌,遠(yuǎn)超傳統(tǒng)預(yù)測方法

電子工程師 ? 來源:YXQ ? 2019-05-13 15:46 ? 次閱讀

隨著近年來乳腺癌的發(fā)病率逐漸上升,在現(xiàn)代醫(yī)學(xué)的眾多研究領(lǐng)域中,如何盡早發(fā)現(xiàn)和治療乳腺癌,早已成為了一個(gè)十分重要的核心課題。

近日,麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室(CSAIL)和馬薩諸塞州綜合醫(yī)院(MGH)合作,共同打造了一個(gè)新的深度學(xué)習(xí)模型,可以通過分析乳房 X 光圖像,找出人眼不易察覺的特征和規(guī)律,從而預(yù)測女性是否可能在未來五年內(nèi)罹患乳腺癌注意:是預(yù)測而非診斷

訓(xùn)練結(jié)果顯示,該模型的預(yù)測準(zhǔn)確率約為31%,遠(yuǎn)超傳統(tǒng)預(yù)測方法的18%。研究團(tuán)隊(duì)認(rèn)為,以深度學(xué)習(xí)驅(qū)動(dòng)的預(yù)測系統(tǒng)有望推動(dòng)新的乳腺癌篩查計(jì)劃,可以將基于年齡的傳統(tǒng)篩查建議,變成基于風(fēng)險(xiǎn)因素的更加科學(xué)的個(gè)性化篩查建議。

該研究成果以論文的形式發(fā)表于期刊Radiology上。

不完善的傳統(tǒng)篩查建議

乳腺 X 線攝影技術(shù),是目前醫(yī)療領(lǐng)域最常用的乳腺癌臨床檢查方法,經(jīng)過一個(gè)世紀(jì)的發(fā)展,已被證明可以降低乳腺癌的死亡率。但由于 X 光的強(qiáng)輻射性和乳腺本身的敏感性,業(yè)內(nèi)對篩查頻率和何時(shí)開始仍有爭議。

美國癌癥協(xié)會(huì)建議,所有女性都應(yīng)該從 45 歲開始進(jìn)行年度篩查。不過因?yàn)槊總€(gè)人的體質(zhì)和生長環(huán)境不同,罹患乳腺癌的風(fēng)險(xiǎn)也不一樣,以年齡劃分篩查頻率過于泛化,很容易錯(cuò)過乳腺癌的早期狀態(tài),錯(cuò)失最佳的治療時(shí)機(jī)(早期乳腺癌的5年生存率高達(dá) 98-100%)。

圖 | 乳腺X線攝影技術(shù)

在麻省理工學(xué)院的研究人員看來,相比采用一刀切的方式,如果能夠預(yù)測出女性罹患乳腺癌的風(fēng)險(xiǎn)系數(shù),就可以制定更完善的個(gè)性化篩查方案,比如讓高危人群在 30 多歲時(shí)就每年檢查一次,低危人群則每三年檢查一次,那么或許可以將更多的乳腺癌扼殺在搖籃中,抑制它的發(fā)病率增長趨勢。

這種預(yù)測類型的任務(wù),非常適合使用深度學(xué)習(xí)技術(shù)。實(shí)際上,已經(jīng)有很多關(guān)于乳腺癌的研究團(tuán)隊(duì),正在嘗試使用人工智能和深度學(xué)習(xí),幫助他們診斷乳腺癌(詳情請見:神經(jīng)網(wǎng)絡(luò)的巧妙組合,乳腺癌診斷準(zhǔn)確率竟媲美專業(yè)醫(yī)生)。

與眾不同的是,MIT團(tuán)隊(duì)想要打造的是預(yù)測模型,并非診斷模型。換句話說,當(dāng) X 光照片還沒有出現(xiàn)乳腺癌的癥狀時(shí),診斷模型只能給出沒有患病的結(jié)論,但預(yù)測模型應(yīng)該給出未來一段時(shí)間內(nèi)的患病概率,其難度可想而知。

設(shè)計(jì)預(yù)測模型

研究人員首先聯(lián)合了美國馬薩諸塞州綜合醫(yī)院,獲得了超過 6 萬名患者的 9 萬余張乳房 X 光圖像,以及她們是否在 5 年內(nèi)被診斷出乳腺癌的信息,其中有 2.1 萬人沒有跟蹤檢查信息或者出現(xiàn)了其它癌癥,因此被排除在外。由于很多女性進(jìn)行了多次 X 光掃描和跟蹤篩查,所以每一次掃描的圖像都會(huì)被分離出來,成為一個(gè)獨(dú)立的掃描案例。

之后,他們總結(jié)出了一系列與乳腺癌和個(gè)體有關(guān)的風(fēng)險(xiǎn)因素,包括族裔、年齡、體重和身高等基本信息,還有初次月經(jīng)年齡、乳房密度、是否生產(chǎn)、初次懷孕年齡、是否患有卵巢癌、家族乳腺癌史等高度差異化的信息,甚至精確到家族中患有乳腺癌的是父母,姐妹,還是兄弟。

圖 | 神經(jīng)網(wǎng)絡(luò)通過細(xì)微特征預(yù)測是否會(huì)出現(xiàn)乳腺癌(來源:MIT)

獲得這些精準(zhǔn)信息,可以讓預(yù)測模型考慮的因素更加全面。每一個(gè)風(fēng)險(xiǎn)因素都會(huì)經(jīng)過獨(dú)熱編碼(one-hot encoding)——一種在機(jī)器學(xué)習(xí)中常見的變量轉(zhuǎn)換機(jī)制,可以將某一變量的狀態(tài)用 0 和 1 組成的二進(jìn)制向量表示出來——將所有編碼整合起來,就組成了一個(gè)大的風(fēng)險(xiǎn)因素向量,作為邏輯回歸模型(Logistic Regression,預(yù)測模型的一部分)的輸入值。

在此基礎(chǔ)上,研究人員又開發(fā)了一套以卷積神經(jīng)網(wǎng)絡(luò)(CNN)為核心的圖片識別模型,使用的是開源的預(yù)訓(xùn)練模型 ResNet-18。他們并沒有根據(jù)圖片分辨率變化調(diào)整模型,而是直接以1664 x 2048 像素的乳房 X 光圖片作為輸入值。

最后,他們整合了邏輯回歸和圖像識別兩個(gè)模型,制作了一個(gè)混合模型(Hybrid Model)。結(jié)合風(fēng)險(xiǎn)因素和圖像信息,該模型開始學(xué)習(xí)預(yù)測五年內(nèi)是否會(huì)出現(xiàn)乳腺癌。

訓(xùn)練和測試結(jié)果顯示,混合模型的 3-5 年患癌預(yù)測準(zhǔn)確率約為 31.2%。乍看之下這一數(shù)字似乎不夠亮眼,但要知道,目前業(yè)界主流的Tyrer-Cuzick(TC)乳腺癌風(fēng)險(xiǎn)預(yù)測模型,在相同測試中的準(zhǔn)確率只有 18.2%,不及麻省理工學(xué)院深度學(xué)習(xí)模型的六成。

圖 | 四套模型的準(zhǔn)確率(AUC)對比:TC傳統(tǒng)模型,邏輯回歸模型,圖像識別模型和混合模型(來源:MIT/Radiology)

更重要的是,深度學(xué)習(xí)模型對不同族裔女性的預(yù)測準(zhǔn)確率相同,而包括Tyrer-Cuzick 模型在內(nèi)的很多現(xiàn)有模型大多依照白人女性數(shù)據(jù)建立,對非白人族裔的預(yù)測效果較差,可能有超過10%的差距。在深度學(xué)習(xí)的幫助下,這一誤差或?qū)⒉粡?fù)存在。

混合模型還發(fā)現(xiàn)了一些與現(xiàn)有認(rèn)知矛盾的現(xiàn)象,比如業(yè)界主流聲音認(rèn)為,乳房密度與乳腺癌風(fēng)險(xiǎn)相關(guān),致密型乳房患癌風(fēng)險(xiǎn)較高(原因未知)。

但該模型預(yù)測結(jié)果顯示,存在有致密型乳房的低風(fēng)險(xiǎn)人群,也有低密度乳房的高風(fēng)險(xiǎn)人群,兩者患病率相差較大,因此僅憑乳房密度判斷患癌風(fēng)險(xiǎn)有失偏頗,可能會(huì)影響醫(yī)療決策。

圖 | 致密型乳房 + 低風(fēng)險(xiǎn)人群患癌率1.4%(左下)VS 低密度乳房 + 高風(fēng)險(xiǎn)人群發(fā)病率4.0%(右上)(來源:論文)

仔細(xì)分析和比對結(jié)果后,研究人員認(rèn)為這一模型擁有巨大潛力。經(jīng)過改進(jìn)的版本有望替代現(xiàn)有的傳統(tǒng)乳腺癌風(fēng)險(xiǎn)預(yù)測模型,甚至是推動(dòng)乳腺癌篩查策略的進(jìn)步,制定更科學(xué)的醫(yī)療建議。

下一步,他們將著重突破現(xiàn)有研究的局限性,比如收集更全面的患者信息,并且與更多醫(yī)療機(jī)構(gòu)合作,拓展 X 光圖像的來源,獲得不同設(shè)備拍攝的 X 光圖像,從而更好地改進(jìn)預(yù)測模型的準(zhǔn)確率。他們希望有朝一日,可以將其大規(guī)模拓展,用來預(yù)測心腦血管或胰腺癌等其它疑難疾病。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報(bào)投訴
  • MIT
    MIT
    +關(guān)注

    關(guān)注

    3

    文章

    253

    瀏覽量

    23389
  • 深度學(xué)習(xí)
    +關(guān)注

    關(guān)注

    73

    文章

    5500

    瀏覽量

    121117

原文標(biāo)題:MIT用深度學(xué)習(xí)預(yù)測乳腺癌患病概率,五年內(nèi)準(zhǔn)確率幾乎翻倍!

文章出處:【微信號:deeptechchina,微信公眾號:deeptechchina】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    卷積神經(jīng)網(wǎng)絡(luò)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較

    在深度學(xué)習(xí)領(lǐng)域,神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù),如圖像識別、自然語言處理和游戲智能等。其中,卷積神經(jīng)網(wǎng)絡(luò)(CNNs)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常見的模型。 1. 結(jié)構(gòu)差異 1.1
    的頭像 發(fā)表于 11-15 14:53 ?383次閱讀

    RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別

    傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(前饋神經(jīng)網(wǎng)絡(luò)) 2.1 結(jié)構(gòu) 傳統(tǒng)神經(jīng)網(wǎng)絡(luò),通常指的是前饋神經(jīng)網(wǎng)絡(luò)(Feedfo
    的頭像 發(fā)表于 11-15 09:42 ?307次閱讀

    LSTM神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測中的應(yīng)用

    LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),它能夠?qū)W習(xí)長期依賴關(guān)系。與傳統(tǒng)的RNN相比,LSTM通過引入門控機(jī)制(輸入門、遺忘門、輸出門)來解決梯度消失和梯度爆炸的問題,使其能夠處理更長的序列數(shù)據(jù)。 LSTM的工作原理 LST
    的頭像 發(fā)表于 11-13 09:54 ?568次閱讀

    BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建模步驟

    BP(Backpropagation)神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),其核心思想是通過反向傳播算法來調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置,從而實(shí)現(xiàn)對輸入數(shù)據(jù)的預(yù)測
    的頭像 發(fā)表于 07-11 16:57 ?1486次閱讀

    神經(jīng)網(wǎng)絡(luò)辨識模型具有什么特點(diǎn)

    神經(jīng)網(wǎng)絡(luò)辨識模型是一種基于人工神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識方法,它具有以下特點(diǎn): 非線性映射能力 :神經(jīng)網(wǎng)絡(luò)能夠處理非線性問題,可以很好地?cái)M合復(fù)雜的非線性系統(tǒng)。 泛化能力 :
    的頭像 發(fā)表于 07-11 11:12 ?453次閱讀

    python做bp神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)是一種多層前饋神經(jīng)網(wǎng)絡(luò)通過反向傳播算法進(jìn)行訓(xùn)練。它在許多領(lǐng)域,如模式識別、數(shù)據(jù)挖掘、預(yù)測分析等,都有廣泛的
    的頭像 發(fā)表于 07-11 10:54 ?1243次閱讀

    bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型建模步驟

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)是一種多層前饋神經(jīng)網(wǎng)絡(luò),其核心思想是通過反向傳播算法來調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置,從而實(shí)現(xiàn)對輸入數(shù)據(jù)的
    的頭像 發(fā)表于 07-11 10:52 ?505次閱讀

    神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建方法

    神經(jīng)網(wǎng)絡(luò)模型作為一種強(qiáng)大的預(yù)測工具,廣泛應(yīng)用于各種領(lǐng)域,如金融、醫(yī)療、交通等。本文將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建方法,包括模型設(shè)計(jì)、數(shù)據(jù)集
    的頭像 發(fā)表于 07-05 17:41 ?641次閱讀

    深度神經(jīng)網(wǎng)絡(luò)與基本神經(jīng)網(wǎng)絡(luò)的區(qū)別

    在探討深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNNs)與基本神經(jīng)網(wǎng)絡(luò)(通常指傳統(tǒng)神經(jīng)網(wǎng)絡(luò)或前向神經(jīng)網(wǎng)絡(luò))的區(qū)別時(shí),我們需
    的頭像 發(fā)表于 07-04 13:20 ?842次閱讀

    神經(jīng)網(wǎng)絡(luò)預(yù)測誤差大小怎么看

    神經(jīng)網(wǎng)絡(luò)預(yù)測誤差大小是衡量神經(jīng)網(wǎng)絡(luò)性能的重要指標(biāo)之一。本文將介紹如何評估神經(jīng)網(wǎng)絡(luò)預(yù)測誤差大小,包括誤差的定義、評估
    的頭像 發(fā)表于 07-03 10:41 ?1000次閱讀

    如何使用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和預(yù)測

    神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù),可以用于建模和預(yù)測變量之間的關(guān)系。 神經(jīng)網(wǎng)絡(luò)的基本概念 神經(jīng)網(wǎng)絡(luò)是一種受人腦啟發(fā)的計(jì)算模型,由大量的節(jié)點(diǎn)(神經(jīng)
    的頭像 發(fā)表于 07-03 10:23 ?739次閱讀

    bp神經(jīng)網(wǎng)絡(luò)模型怎么算預(yù)測

    BP神經(jīng)網(wǎng)絡(luò)的基本原理、結(jié)構(gòu)、學(xué)習(xí)算法以及預(yù)測值的計(jì)算方法。 BP神經(jīng)網(wǎng)絡(luò)的基本原理 BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播的多層前饋
    的頭像 發(fā)表于 07-03 09:59 ?755次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)分類方法有哪些

    ,包括基本原理、常見架構(gòu)、優(yōu)化策略、應(yīng)用場景等。 1. 卷積神經(jīng)網(wǎng)絡(luò)的基本原理 卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò),其核心思想是通過卷積層提取輸入數(shù)據(jù)的局部
    的頭像 發(fā)表于 07-03 09:40 ?456次閱讀

    神經(jīng)網(wǎng)絡(luò)預(yù)測分析中的作用

    在數(shù)據(jù)驅(qū)動(dòng)的時(shí)代,預(yù)測分析已經(jīng)成為各行各業(yè)中不可或缺的一部分。從金融市場的預(yù)測到醫(yī)療健康的診斷,再到日常生活中的推薦系統(tǒng),預(yù)測分析都在發(fā)揮著至關(guān)重要的作用。而神經(jīng)網(wǎng)絡(luò),作為一種強(qiáng)大的機(jī)
    的頭像 發(fā)表于 07-01 11:53 ?706次閱讀

    助聽器降噪神經(jīng)網(wǎng)絡(luò)模型

    抑制任務(wù)是語音增強(qiáng)領(lǐng)域的一個(gè)重要學(xué)科, 隨著深度神經(jīng)網(wǎng)絡(luò)的興起,提出了幾種基于深度模型的音頻處理新方法[1,2,3,4]。然而,這些通常是為離線處理而開發(fā)的,不需要考慮實(shí)時(shí)性。當(dāng)使用神經(jīng)網(wǎng)絡(luò)
    發(fā)表于 05-11 17:15
    主站蜘蛛池模板: 超大号黑吊magnet| 亚洲精品免费视频| 亚洲毛片网| 87.6在线收听| 俄罗斯美女破处| 精品视频久久久久| 欧美日韩视频一区二区三区| 翁止熄痒禁伦短文合集免费视频| 一二三四电影完整版免费观看| 久青草国产观看在线视频| 交video| 欧美精品亚洲精品日韩专区一| 碰超成人在线公开免费视频| 妹妹的第一次有点紧| 快播看av| 日韩欧美一级| 3D动漫网站HOXXXxes| 国产一卡2卡3卡4卡孕妇网站| 青青涩射射| 与嫂子同居的日子在线观看| fryee性欧美18 19| 国产AV国产精品国产三级在线L| 国产高清在线观看| 风情韵味人妻HD| 国产成人无码精品久久久按摩| 高清mv视频免费观看| 苍井空a 集在线观看网站| 国产成人a视频在线观看| 国产成人精品视频免费大全| 囯产精品久久久久免费蜜桃| 久9青青cao精品视频在线| 欧美色图14p| 性夜影院午夜看片| 97视频视频人人碰视频| jk白丝袜美女被男人桶| 俄罗斯兽交XXXXX在线| 国产亚洲日韩欧美视频| 老阿姨才是最有味的一区二区| 日韩精品在线看| 亚洲AV永久无码精品老司机蜜桃| 校园高h肉耽文|