論文解讀(一)深度學習用於肝纖維化分級評估

2021-02-12 醫學圖像處理與人工智慧

論文標題：Deep learning Radiomics of shear wave elastography signifcantly improved diagnostic performance for

assessing liver fbrosis in chronic hepatitis B: a prospective multicentre study

期刊：GUT

影響因子：17.016

發表日期：2018.05

一篇使用卷積神經網絡CNN來對肝纖維化分級進行評估的論文，使用的網絡是最基本的CNN分類網絡。文章做了大量的對比實驗，分析討論部分非常詳細，值得細讀。

名詞縮寫：

LSM,Liver stiffness measurement, 肝硬度測定值

2D-SWE,two-dimensional shearwave elastography,二維剪切波彈性成像

The deep learning Radiomics of elastography, DLRE, 作者提出的深度學習模型

cirrhosis（F4）,肝硬化

advanced fbrosis  (≥F3) ，重度肝纖維化

signifcance fbrosis (≥F2)，中度肝纖維化

APRI，aspartate transaminase-to-platelet ratio index ，天冬氨酸轉氨酶-血小板比值指數

FIB-4，fibrosis index based on four factors

 

 

實驗與方法

方法：deeplearning Radiomics of elastography (DLRE)

對比方法：

2D-SWE（即使用2D-SWE的LSM）

APRI

FIB-4 

數據：

評估DLRE的整體診斷精度：

使用2/3的樣本對神經網絡進行訓練，使用剩下1/3的樣本進行測試。

所有入組病人依據ALT, BMI, 和inflammation levels分為不同的小組，DLRE和其他三種方法的精度在三個不同的任務上進行：1.區分F2；2.區分F3,；3.區分F4

評估不同訓練樣本對診斷精度的影響

在DLRE中，從訓練集中每個病人獲取1, 3, 5張圖片來訓練三個不同的模型

在2D-SWE中，相應地獲取1, 3, 5個測量值來構建三個模型

對上述模型進行對比分析

評估DLRE的魯棒性

 


結果

 

四種不同方法的診斷精度對比

不同訓練樣本對診斷精度的影響

對2D-SWE來說，使用1, 3, 5個測量值，取得的結果無顯著區別，無論是訓練集還是驗證集

對DLRE來說，使用的圖片越多，AUC越高，但不一定有顯著差異

對比2D-SWE和DLRE，在測試集上，當使用的圖片/測量值為1時，兩個模型性能相近；當使用的圖片/測量值為3或者5時，DLRE性能優於2D-SWE（無顯著區別）

DLRE的魯棒性

 

 

討論

- The end -

長按下圖二維碼，關注本帳號

相關焦點

  • 肝纖維化診斷及治療共識
    本共識採用共識分級的評估、制訂和評價（GRADE）系統，對循證醫學證據質量和共識級別（表1，2）進行評估。在形成共識時，不僅考慮到證據質量，還要權衡幹預的利弊與負擔、患者偏好與價值觀的可變性，以及資源合理利用、推薦措施的公平性與可實施性等。
  • 用於深度強化學習的結構化控制網絡(ICML 論文講解)
    ：https://arxiv.org/abs/1802.08311 摘要：近年來，深度強化學習在解決序列決策的幾個重要基準問題方面取得了令人矚目的進展。 這項工作是我在Apple AI Research實習時完成的，是我實習工作的一部分，擊敗了眾多強化學習控制環境中最先進的技術，包括MuJoCo，Roboschool，Atari，OpenAI Gym，甚至自動駕駛。 我們計劃將這項工作擴展到包含機器人環境和高級操作。 以下是該論文的一些結果。
  • 深度學習資訊|用於人體動作識別的26層卷積神經網絡
    諸如卷積神經網絡（CNN）之類的深度學習算法已在各種任務上取得了顯著成果，包括那些涉及識別圖像中特定人物或物體的任務。基於視覺的人類動作識別（HAR）是計算機科學家經常嘗試使用深度學習解決的任務，它特別需要識別圖像或視頻中捕獲的人類動作。
  • 機器學習和深度學習引用量最高的20篇論文(2014-2017)
    機器學習，尤其是其子領域深度學習，在近些年來取得了許多驚人的進展。重要的研究論文可能帶來使全球數十億人受益的技術突破。這一領域的研究目前發展非常快，為了幫助你了解進展狀況，我們列出了自 2014 年以來最重要的 20 篇科學論文。
  • ...深度強化學習綜述:從AlphaGo背後的力量到學習資源分享(附論文)
    2 背景知識在這一節中，我們將會簡要介紹在深度學習（Sutton and Barto，2017）與深度學習（Goodfellow et al., 2016）方面的基礎知識與概念。2.1 深度學習2.2 強化學習2.3 測試平臺街機學習環境（Arcade Learning Environment，ALE，Bellemare et al., 2013）是一個由 2600 個 Atari 遊戲構成的用於研發及評估 AI 的框架。
  • CVPR2017精彩論文解讀:直接處理三維點雲的深度學習模型
    雷鋒網(公眾號：雷鋒網) AI 科技評論按：雖然CVPR 2017已經落下帷幕，但對精彩論文的解讀還在繼續下文是Momenta高級研究員陳亮對此次大會收錄的 PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation  一文進行的解讀。隨著雷射雷達，RGBD相機等3D傳感器在機器人，無人駕駛領域的廣泛應用。
  • 從語言學到深度學習NLP,一文概述自然語言處理
    本文從兩篇論文出發先簡要介紹了自然語言處理的基本分類和基本概念，再向讀者展示了深度學習中的 NLP。這兩篇論文都是很好的綜述性入門論文，希望詳細了解自然語言處理的讀者可以進一步閱讀這兩篇論文。在這一部分，該論文對以下 NLP 的應用進行了介紹：機器翻譯文本分類垃圾郵件過濾信息提取自動摘要對話系統醫療深度學習中的 NLP以上內容對 NLP 進行了基礎的介紹，但忽略了近年來深度學習在 NLP 領域的應用，因此我們補充了北京理工大學的一篇論文。
  • ARXIV:深度學習在金融領域中的應用 | 唧唧堂論文解析
    在不同的應用領域中，哪些深度學習模型更適用？5. 相較傳統如軟計算和機器學習方法，深度學習有哪些優勢？6.然而，一些DL研究人員設法使用學習模型，並得到了優良的結果。由於投資組合管理的智能諮詢正在興起，深度學習有可能在不遠的將來對金融業產生更大的影響。
  • 深度學習下的醫學圖像分析(四)
    對與深度學習相關的醫療保障工作而言，2017年的「Nvidia GTC大會」絕對是一個絕佳的信息來源。在大會上，有諸如Ian GoodFellow和Jeremy Howard的深度學習專家分享了他們對深度學習的見解；還有一些頂級醫學院（例如西奈山醫學院、紐約大學醫學院、麻省綜合醫院等）和Kaggle在大會上介紹他們的建模戰略。
  • 深度學習盛會ICLR2017最佳論文出爐,雷鋒網帶你10min過重點附論文...
    別看它歷史不長，影響力卻不小，ICLR如今已成為深度學習領域一個至關重要的學術盛事。今年4月，雷鋒網也會親臨ICLR2017大會，為大家從法國帶來最新鮮的一手資料，讓你足不出戶就能感受到全球頂尖ML大牛的雄韜武略。據雷鋒網消息，ICLR論文評選結果於今日新鮮出爐。經過列為評委的火眼金睛，在507份論文中共有15篇論文成功進入口頭展示階段，181篇進入海報展示階段。
  • 騰訊AI Lab聯合清華港中文,解讀圖深度學習歷史、進展應用
    騰訊 AI Lab 於 2017 年下半年開始布局圖深度學習的研究，積極探索圖深度學習的應用邊界。並且在各大機器學習數據挖掘頂級會議上發表多篇文章，涉及大圖計算，超深圖神經網絡，無監督圖學習，圖的對抗攻擊，圖的樣本學習等。在未來我們將探索圖深度學習在廣泛場景的應用，如社交推薦，藥物研發等。使其能夠真正造福人類。一 圖與圖神經網絡1 什麼是圖？
  • NIPS2018最佳論文解讀:Neural Ordinary Differential Equations
    原標題：NIPS2018最佳論文解讀：Neural Ordinary Differential Equations雷鋒網 AI 科技評論按，不久前，NeurIPS 2018 在加拿大蒙特婁召開，在這次著名會議上獲得最佳論文獎之一的論文是《Neural Ordinary Differential Equations》，論文地址：https://arxiv.org
  • 「深度學習」這十年:52篇大神級論文再現AI榮與光
    過去十年中有哪些有影響力的深度學習論文？從「深度學習三巨頭」到何愷明，從谷歌到MIT，52篇神級論文帶大家回顧深度學習這十年。戳右邊連結上新智元小程序了解更多！ 隨著2020年的到來，人類進入了一個嶄新的十年。回顧過去10年，深度學習領域取得的巨大進步。
  • 獨家| AAAI-17獲獎論文深度解讀(下):蒙特卡羅定位和推薦系統
    機器之心原創作者：Elva Wang、李俊毅、Hao Wang參與：微胖、吳攀、李亞洲前天機器之心的頭條文章深度解讀了 AAAI-17 大會評出的傑出論文和 Blue Sky Idea Awards 獲獎論文，今天機器之心分析師則為我們帶來了對 AAAI-17 兩篇經典論文獎獲獎論文的深度解讀。論文原文可點擊文末「閱讀原文」下載。
  • Nature子刊解讀!科學家們開發出能高效檢測人類脂肪肝和肝纖維化...
    這種迄今為止在小鼠機體中進行的檢測技術能夠幫助臨床醫生在患者進展為肝纖維化之前就準確捕捉其肝臟疾病。圖片來源：2016.igem.org當肝臟積累過多脂肪時就會誘發脂肪肝發生，這就會導致炎症及最終肝纖維化的出現，肝纖維化，即肝臟中疤痕組織的積累從而導致黃疸和肝硬化的發生，其最終會誘發患者出現肝臟衰竭；肝纖維化通常在患者出現多種症狀之前是不會被診斷出來的
  • 陸倫根:肝纖維化的分子基礎與臨床診治現狀
    活化的HSC聚集於受損部位，轉變為肌成纖維樣細胞表型，分泌大量ECM，啟動肝纖維化進程；活化的HSC還可分泌大量細胞因子，通過旁分泌途徑刺激上述細胞，使其進一步活化，發揮各自相應生理功能；同時還可自分泌一系列細胞因子形成正反饋，進一步促進HSC自身活化、增殖、遷移、分泌大量ECM，加快肝纖維化進程。活化的HSC還可收縮壓迫肝竇，進而改變肝臟微循環［2］。
  • 7 Papers & Radios | ACL 2020獲獎論文;貝葉斯深度學習綜述
    機器之心 & ArXiv Weekly Radiostation參與：杜偉、楚航、羅若天本周的重要論文包括 ACL 2020 公布的最佳論文、最佳主題論文、最佳 Demo 論文以及其他獎項論文，此外還有 MIT 和香港科技大學學者的貝葉斯深度學習綜述論文
  • 學界| 斯坦福Nature論文宣布新突破:深度學習皮膚癌診斷達專家水平
    將該算法納入檢測過程迎合了當下將視覺處理與深度學習相結合的計算趨勢——深度學習是一種對大腦神經網絡建模的人工智慧。深度學習在計算機科學中已有幾十年的歷史，但最近才被應用到視覺處理任務上，並取得了巨大的成功。包括深度學習在內的機器學習的本質就是訓練計算機來解決問題，而不是把答案編進程序。
  • 深度| 變革的開始,深度學習將如何改變醫療成像領域?
    可是，人類進行的圖像解譯因為其主觀性、不同解讀者的較大變化和產生的疲勞，往往是片面的。許多診斷任務需要初始搜索過程來檢測異常，並且量化測量值和時間的變化。計算機化的工具，尤其是圖像分析和機器學習，對改善診斷起到關鍵作用。他們通過幫助識別需要治療的部位來支持專家工作流程。在這些工具當中，深度學習被迅速的證實了其作為基礎的優越性，能夠提高準確性。
  • 入門| 獻給新手的深度學習綜述
    引言 「深度學習」（DL）一詞最初在 1986 被引入機器學習（ML），後來在 2000 年時被用於人工神經網絡（ANN）。深度學習方法由多個層組成，以學習具有多個抽象層次的數據特徵。DL 方法允許計算機通過相對簡單的概念來學習複雜的概念。