科技工作者之家
科技工作者之家APP是专注科技人才,知识分享与人才交流的服务平台。
科技工作者之家 2019-04-18
来源:MedSci梅斯
导语:利用生成可视化原理神经网络评价充血性心力衰竭胸片征象是可行的,能够检出偏倚。来源:梅斯医学本研究旨在检验以生成可视化原理(GVRs)作为胸部征象神经网络学习的工具来评价充血性心力衰竭(CHF)的价值。
本研究共纳入了46712例患者,共行103489次胸片检查,并分为标记数据组(有B型钠尿肽结果)和未标记数据组(无B型钠尿肽结果)。利用生成模型对非标记数据进行训练,神经网络模型对编码显示的已标记数据进行训练来评估BNP。利用该模型观察无病变、高BNP健康人胸片征象。生成100GVRs。利用拟合模型进行比较。由两名CHF诊断专家采用盲法进行评估ROC曲线下面积、κ因子、混合效应logistic回归进行统计学分析。
结果为,以BNP100 ng/L作为最佳截断值预测CHF,校正训练模型ROC曲线下面积为0.82。GVRs评估显示校正训练模型对BNP升高常规胸片诊断CHF要较过度拟合模型要好,包括心脏扩大(153 [76.5%] / 200 vs 64 [32%] / 200(47 [23.5%] / 200 vs 16 [8%] / 200; P = .003), respectively; P < .001)、胸腔积液。
本研究表明,利用生成可视化原理神经网络评价充血性心力衰竭胸片征象是可行的,能够检出偏倚。
原始出处:
Seah JCY, Tang JSN, Kitchen A,et al.Chest Radiographs in Congestive Heart Failure: Visualizing Neural Network Learning.Radiology.DOI:10.1148/radiol.2018180887
来源:MedSci_cn MedSci梅斯
原文链接:http://mp.weixin.qq.com/s?__biz=MzI0Njc5ODM4MQ==&mid=2247501275&idx=5&sn=0738e04b839531fcaf6e2ac1ec3948f2&chksm=e9bb4499decccd8f6cfe18cf7ff8ed2782a11d681790ed8e810e0bf6674ebcb95488a3958c86&scene=27#wechat_redirect
版权声明:除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。
电话:(010)86409582
邮箱:kejie@scimall.org.cn
图灵奖颁给熬过寒冬的人
四个任务就要四个模型?现在单个神经网络模型就够了!
自动化所提出神经元群体间侧向交互的卷积脉冲神经网络模型
基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究
人工智能助力药物研发:可解释性深度神经网络分子表征模型
PNAS:用神经网络模型理解时间的计算
卷积学习与图像识别的技术发展
【速览】ECCV 2020 | 用于模型保护的神经网络架构搜索(Anti-Bandit)
DeepMind最新发现!神经网络的性能竟然优于神经符号模型
DeepMind最新发现!神经网络的性能竟然优于神经符号模型