文摘

近年来,随着人类平均寿命的增加,出生率下降和健康管理问题;传统的医疗成像系统,其不均匀医疗影像资源,医疗成像成本高,诊断通常依靠医生的临床经验和设备水平的局限性,影响了人民对健康的需求,所以需要一个更准确,方便,和负担得起的医疗成像系统,能让所有人享受公平、医疗影像服务质量。论述了建设和评估一个智能医疗诊断模型的基于集成神经网络,这不仅提供了一个系统的诊断分析的各种症状输入调查者还具有较高的精度和效率较传统医学诊断模型。建造这个模型提供了一个理论依据将深层神经网络应用于医疗社区与大数据算法。

1。介绍

目前,人工神经网络(ANN)是人工智能中的一个研究活动的社区,这是一个人工智能的数学模型与模拟神经系统突触连接构造的一个活的有机体,这无数的神经元组成的大脑就像一个算法,能够进行大规模操作处理,存储信息,和有良好的自组织学习能力等特征(1]。神经网络的出现导致了试图免费电脑机械执行的程序,这样他们可以用于生活的广泛领域。

深层神经网络(款),作为神经网络的增强版,是一个与许多隐藏层神经网络,也被称为深前馈网络(dfn),因为被称为神经网络感知器,款也被称为多层感知器(MLP),也可以称为一个完全连接深网络由于完全连接的神经元之间的连接(2]。应该注意,款不确定神经网络的名称,但是神经网络的一般术语类,它有一个广泛的概念,包括许多类别,如卷积神经网络(cnn)和递归神经网络(RNNs),通常用于应用程序(3)等等,都属于这一类。

深层神经网络与神经网络通过添加一个隐藏层(4),它也有不止一个输出层神经元,它已经扩展激活函数神经网络实现从浅深层神经网络,神经网络解决问题的小容量等根本问题,最重要的是克服线性不可区分的异质性,所以模型更好的训练和优化,加强表达能力(5]。完全连接的结构,款所有神经元的上下两层,无论数量,是相互联系的,可以想象在复杂的神经网络模型参数的数量可以如此之大,它可以压倒一切,甚至导致灾难性的问题(6]。例如,当输入图像和像素太大,训练重量为一层的重量很大,这种情况不仅会导致过度拟合,也无法找到全局最优解,走进当地的一个最优的困境(7]。

随着计算机的发展和生物深层神经网络的进步,从理论上丰富扩大深层神经网络和图像处理的相关概念添加到神经网络,即回旋的内核,充当中介之间的图像和神经网络,通过卷积内核共享内容,而不是直接连接在完全连接款。(8]。我们将它作为一个卷积神经网络(9]。同样的想法可以应用在计算机语言等社区识别和自然语言处理。

因此,深的研究和应用越来越广泛的神经网络在医学数据智能医疗成像设备和基础设施,可以大致分为以下几类:疾病预测、疾病诊断、疾病治疗评估监测、新药开发、健康管理和医疗成像(10]。

在传统的医疗成像环境,往往是面对在医疗资源不平衡,困难在获得医疗保健,医生和病人之间的张力,和高工作负载的医务人员(11]。特别是在医疗诊断,现代医学将治疗和控制疾病通过早期发现和早期治疗和一个低成本和有效的早期干预的概念(12),但在传统医学,医学诊断往往是经验的医生和医疗条件的限制,导致低水平的准确性。

然而,基于集成神经网络和充分利用医疗大数据和权威专家和医学文献[13),一个人工智能医疗诊断模型的建设可以弥补不足可能带来的经验和设备当人类医生和实现真正互动的信息化智能医疗平台(14),允许诊断的及时性和准确性大大增强和改进。基于集成的智能医疗诊断模型本文深层神经网络构造可以系统地评估和分析患者的症状,并提供一个理论依据大数据算法来防止其他疾病的发生和进一步改进和探索智能医疗社区。

2。相关的工作

深入学习并不是一个新研究社区近年来,早在1940年代,已经有相关的概念和理论研究的出现15),其发展已经大致经历了三个阶段:萌芽时期、发展时期和繁荣时期(16];萌芽时期发生在1940年代到1960年代;我们第一次发现深度学习在控制论的原型。第一个人工神经元线性模拟人类神经,McCulloch-Pitts (mp)神经元,提出了由钱德拉塞卡和苏雷什17),后来Alarifi et al。18]提出的第一个人工神经网络模型,可以学习感知器模型,但由于其有限的能力和线性结构,它既可以部分异构问题,也不能找到一个好的学习算法训练多层感知器改变现状,导致暂停研究。深度学习的发展又停滞了。

联结主义的出现后,深度学习吸收这个想法;神经网络终于又开始发展在1980年代(19),围绕这次模拟生物体的神经系统和分布式表示,后者也是现在流行的深度学习的核心理念。这个阶段的MLP流行在1988年Rumellhart [20.]和其他推导出误差反向传播(BP)算法,但随着一段时间的应用研究,研究人员发现,BP算法并不是一个好的解决浅网络性能,简要并未达到预期的培训效果,第二个繁荣拒绝。

发展的第三次浪潮,这一直持续到2006年,真正开始reboom深度学习。文艺复兴的出现标志着深层的信念网络(DBNs),神经网络是一种无监督概率生产模型提出的辛顿(21)和其他研究人员实现其学习通过一层约束玻耳兹曼机(22]。深神经网络可以通过添加一个依赖于目标的输出层构成的网络训练深信心。深层神经网络是容易训练和优化,因为DBNs,允许一个深层神经网络进一步利用结构性优势。

我们适用于本文的卷积神经网络是第二波的发展,也就是说,从1980年代到1990年代,和它的起源也受到研究视觉皮层在现实生活中(23,24];虽然已经取得了一些进展,卷积神经网络的模型仍然存在许多局限性,只有上面提到的反向传播算法应用于后,CNN开始逐渐进入到各种应用程序的社区。

模型基于深层神经网络算法也在变得越来越好各种智能社区医疗成像,提高准确性。例如,在疾病预测,翁博士的研究小组从诺丁汉大学的流行病学25)使用从378256例患者临床数据来自英国家庭训练一组深层神经网络模型对评估心血管疾病风险并与其他类型的机器学习算法的同时,发现深层神经网络算法执行最好的AUC值77%。在医学诊断中,肖et al。26从深圳大学基于深层神经网络计算机辅助诊断癌症的提议,图像分类技术表现在医疗诊断癌症的研究和应用方面显示了很大的潜力在未来提高临床诊断。

总之,深层神经网络集成的应用越来越深随着科学技术的发展,有很大的发展潜力和大规模扩张的智能医疗社区。在这篇文章中,一个短暂的发展历史和深介绍了神经网络的基本原理。此外,本研究调查模型应用于智能医疗诊断基于这种算法的优点和评估和分析。

2.1。基于集成成像设施建设和基础设施深度神经网络算法

根据实际需要,本文将使用深层神经网络模型来建模数据。原理图如图1。

在图中我们可以看到,包括数据的采集和预处理的基本步骤;培训通过设计网络结构配置,即。,找到优化器;把数据到模型训练,每一轮包括三个部分的计算,损失函数,并向后传播的循环调用培训;最后,拯救这个训练模型,称之为时所需的预测是必要的。最后,训练模型保存,需要时得到期望的结果。

2.2。深层神经网络

基本信息处理结构神经网络的神经元,原型是一个生物神经元,它的传播是向前传播,见以下方程:

深层神经网络感知器模型的扩展,添加了隐层,和输出层神经元可以有多个,和激活函数扩展到进一步提高神经网络的表达能力。

款是一个前馈网络,它由三个部分组成:一个输入层、输出层,和几个隐藏层。图2款操作的示意图。

输入信号后,通过各层的信号传播来获得最终的输出结果。在神经网络,它主要包含信号的正向传播与方程(1),误差反向传播公式,将用于模型的训练。反向传播示意图如图3。

在这个过程中,首先需要将网络初始化和设置参数为每个神经元 。

一个随机的初始值之间分配,然后输入训练数据,并执行信号的正向传播获得向前的输出o。每一个训练集x,相应的输出层单元k,有一个目标输出t错误的计算见以下方程:

误差反向传递到隐藏层h,见以下方程:

权重调整使用传播错误,见以下方程:

整个过程的神经网络训练的过程实际上是减少损失。

为了减少损失,我们需要解出最优线性关系系数矩阵和偏差向量b。我们使用梯度下降法解算器获得和b如下:

最后,款输出是由一个激活函数,这是常用的以同样的方式如下卷积神经网络解释说。

2.3。卷积神经网络

款很容易陷入过度拟合和差网络泛化由于过度的参数的数量和网络层的数量的限制,所以需要其他操作引入到网络的层数和深化网络在同一时间。

卷积神经网络的优点是不同于其他深层神经网络中,他们有一个表征学习能力强,可以进行平移不变的分类根据其层次结构的输入信息。实验的想法是本地连接,体重共享,将采样,他们包含多个隐藏层,而卷积计算等操作,集中介绍了隐藏层减少图像的维数,减少网络的参数,提高神经网络的训练效率。隐藏层组成的卷积和联营单位被称为卷积和汇聚层,分别。卷积神经网络中经常使用计算机视觉、自然语言和语言处理。图4显示了卷积神经网络的体系结构。

卷积层(Conv):卷积是一个领域的数学计算方法,包括连续卷积和离散卷积,见以下方程:

卷积神经网络中,卷积操作的帮助下实现卷积的内核,见以下方程:

上述卷积和池操作实现卷积神经网络的线性处理,但由于数据,如图像可能是非线性和不容易区分,介绍了非线性变化通过网络的激活函数的操作来提高网络的泛化能力。有三个激活函数经常用于深层神经网络,这是以下方程:

其中,ReLU函数接近大脑的刺激响应接收信号来源在生物学和更理想的信号卷积神经网络。对卷积神经网络的误差反向传播,需要定义误差函数。为了减少训练的过度拟合现象,本文中使用的误差函数方差的成本函数,见以下方程:

λ是一个体重调整因素调整平衡的前后两项J(W,b加号。当后者是更重要的是,的大小λ增加。这个误差函数的残差计算见以下方程:

2.4。医学诊断模型建设基于深层神经网络集成算法

常见的医学诊断包括图像的处理、自然语言,演讲,和医疗诊断模型建立基于深层神经网络集成算法,如图5。

我们给的例子的结果处理计算机图像和自然文本在深神经系统中,分别。

在日常体检,我们经常开展各种类型的影响图像,因此在训练的过程中智能诊断系统,需要输入各种类型和部分医学图像的训练和优化,以及常见的医学图像如图6。

CT诊断图像为例,如图7;我们选择的CT图像腰椎由CNN和比较它之前和之后的处理算法。算法处理后,我们可以更明显的发现病人的腰椎弯曲并确定疾病的原因。

从人类的自然语言输入作为一个例子,如图8。这个二维矩阵可用于随后的训练模型。

在以下部分中,我们将模拟和评估这个模型使用自然语言作为一个例子。

2.4.1。数据预处理

在深层神经网络模型训练之前,我们需要对数据进行预处理,主要从下列来源:(1)医院数据库;(2)基于网络的医学数据;(3)权威的医学文献。

我们用真正的病人情况下模型训练数据,然后从权威文献综合医疗记录添加到通过正规化训练数据和规则排序来补充上述条件数据。这里,我们首先使用中文分词工具Jieba分裂的症状病人病例名词准确地分离和提取。

为了弥补这个word-sorting工具无法准确减少症状和症状本身的属性判断,我们建立和补充词汇,如添加“负面”症状的描述。改善后,我们过滤和删除的症状描述词分离和保存的样品与症状的数量大于或等于2根据实际情况,使诊断更加严格。最后,我们保留13571年。因为有多种疾病诊断名称诊断词集的每个数据样本,进行疾病诊断时,我们需要注意疾病的词汇的名称,以避免错误的诊断。

然而,医疗数据完成后,我们需要将数据转换成一种可以识别和处理深层神经网络,所以在第二步中,诊断数据需要转换,。

数据预处理的最后一步是聚合数据,和保留13571个样本转化为724 -维词频统计数据类型和疾病诊断到1006 -维一个炎热的数据类型。

2.4.2。模型的预测

在这个模型中施工,我们建立两个神经网络模型,这是完全连接神经网络和卷积神经网络,和传统的决策树模型,如辍学满足多元添加剂回归树。卷积神经网络模型的输入数据可以反馈到网络。卷积神经网络模型的输入数据被送入网络,可以自动进行特征提取,然后将它连接到完全连接神经网络进行分类预测。

完全连接神经网络模型的输入层,724个神经元,对疾病症状,有724和1006个神经元的输出层对应于1006年疾病,分别。在这个模型的隐层中,我们应用ReLU激活功能,更新参数的最佳效果,帮助我们有效防止问题的梯度消失的过程中梯度下降来更新参数。

在模型的输出层,我们使用将softmax激活函数对疾病进行分类和预测各种疾病的发生概率。

为评价函数,我们选择top_k_accuracy,这被认为是正确的,当真正的疾病的结果是在前K(k这个实验= 10)位置的概率预测疾病的结果。

辍学层用于随机辍学的神经元,以防止过度拟合。的辍学值0.5是选择这个模型。最后,在神经网络模型迭代执行,一般来说迭代越多,相应的精度越高,但过多的迭代也会导致过度拟合现象,所以我们控制迭代的数量时代数量(这个实验选择时代= 15)。

2.4.3。模型评价

上述三种类型的神经网络模型进行评估比较稳定,精度和错误原因分析的三个模型。图9显示的熵损失值的趋势预测的结果三个功能模型训练后反映误差大小。

从图9的趋势,我们可以看到,不同模型的熵损失值是不同的,我们应该选择小而光滑的模型叉损失值训练,通过观察和比较,我们发现,传统的系统树是最慢的下降,下降虽然快但款网络波动很大,很不稳定,CNN的不仅是最快的下降,接近于0,网络状态非常稳定。

图10显示了三种模型的精度。不难发现,辍学满足多元添加剂回归树精度最低,而在深层神经网络模型,模型的盘绕柏树神经网络更准确和更现实的完全连接神经网络。

深层神经网络模型在这个实验中都发现overfitted在某种程度上在评价过程中,原因分析如下。

本文研究了一些医学数据的分布;由于有效的集合,数据样本的数量并不是均匀分布的,和许多罕见的疾病或疾病的原因尚未发现太小,导致机器无法充分学习、最终疾病诊断不准确,与特定疾病分布如图11和12。

摘要神经网络模型包含许多种类的疾病,很难调整参数,模型设计太复杂,但样本数据相对过小,导致过度拟合现象。

2.4.4。模型分析结果

上述模型的评估后,我们发现,与传统的决策树相比,深层神经网络模型具有较高的稳定性和准确性,准确率96%,更适合医学诊断,尤其是滚柏树神经网络系统,在语言和文本图像具有较强的优势,可以减少网络的参数,提高神经网络的训练效率。然而,这个实验太复杂的模型,特征尺寸太大,和的数据量是不够的,这在一定程度上导致的主要特征提取效果柏树神经网络在数据量不是最优,并在随后的实验需要进一步改善。

3所示。结论

本研究提出了一套基于集成的智能医疗诊断模型深层神经网络算法。通过结合医学大数据,权威专家文学,和神经网络算法,它弥补了许多问题在传统的医疗系统,充分发挥其优势,提高了稳定性和医疗诊断的准确性。通过实验验证,表明本文构建的智能医疗诊断模型的基础上,卷起的神经网络相比具有更高的准确性和效率与传统的决策树。

对于疾病的诊断,它可以达到甚至超过真正的医生的诊断结果甚至更有效率和方便,节省医疗的很多麻烦。然而,建立一个智能医疗大数据平台,可以由整个社会共享,模型设计必须确保足够的疾病类型和样本数据量,这样机器就可以充分学习和减少错误的程度。基于集成的智能医疗诊断模型深层神经网络建立本文可以系统地评估和分析病人的症状现在和大数据提供一个理论依据算法来防止其他疾病和进一步改进和探索智能医疗社区。总而言之,这个实验让我们看到未来的希望更深入的使用整体深层神经网络算法和医疗社区联合促进智能医疗成像和基础设施来帮助更多的人享受高质量医疗影像服务。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

莉娜马和杨涛的贡献同样工作。

确认

这项工作在本文中被河南中医药大学支持。