將深度學習用于這些影像進行識別和區(qū)分，以便快速的篩查出病癥的細微信息

在美國醫(yī)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(fā)生感染后引發(fā)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(xiàn)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(tǒng)的最小元件，是氧氣交換和維持系統(tǒng)穩(wěn)態(tài)的重要部位，微循環(huán)是毛細血管中的血液流動。但敗血癥常常會導致這些系統(tǒng)發(fā)生病變，微環(huán)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(huán)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(jīng)被用于敗血癥的診斷和預后。目前科學家們已經(jīng)將深度學習用于這些影像進行識別和區(qū)分，以便快速的篩查出病癥的細微信息。

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

在經(jīng)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(yī)療中心重癥監(jiān)護室的病人那里獲得了訓練數(shù)據(jù)，該醫(yī)療中心是哈佛大學的教學醫(yī)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(fā)了一個10層網(wǎng)絡架構。所有訓練數(shù)據(jù)都被裁剪并調(diào)整為224 x 224 x 3像素大小，以創(chuàng)建集中均勻的數(shù)據(jù)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(jiān)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(yōu)化器和均方誤差作為損失度量來訓練的。訓練和測試數(shù)據(jù)集保持不變，但沒有使用上一步中的標簽數(shù)據(jù)。在每次遍歷之后，從驗證數(shù)據(jù)集中隨機取樣一些選定的圖像，用于監(jiān)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(chǎn)生，Bottleneck Layer在實現(xiàn)高精度重建的同時神經(jīng)元數(shù)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(shù)據(jù)具有視覺上的明顯聚類分群。因此，卷積神經(jīng)網(wǎng)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(qū)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(jīng)網(wǎng)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(shù)量、長度和密度的變化，這樣就可以利用這些數(shù)據(jù)來構建有效的分類器，幫助醫(yī)生更早更快的發(fā)現(xiàn)患者的異常癥狀并及時處理?！?/p>