日本国产日逼视频,亚洲日韩中文字幕在线观看,日韩一级在线免费观看,chengrenavyingyin,青青草国产精品久久久久婷婷,国产精品久久久久久久牛牛,手机看片青青草,五月丁香影音先锋

   
    
     
      
       來源：專知
      
     
    
   
   
    
     
      
       
        本文為論文介紹，建議閱讀5分鐘
        這篇論文重新審視了深度學(xué)習(xí)的基本組成部分，并評估了它們在醫(yī)學(xué)圖像分析中的應(yīng)用。

這篇論文重新審視了深度學(xué)習(xí)的基本組成部分，并評估了它們在醫(yī)學(xué)圖像分析中的應(yīng)用。論文指出了深度學(xué)習(xí)在這一領(lǐng)域的三個主要挑戰(zhàn)：專家知識的整合、未標(biāo)記數(shù)據(jù)的利用以及預(yù)測不確定性的估計(jì)。論文結(jié)構(gòu)分為幾部分，分別解決這些挑戰(zhàn)。

第一部分

在第一部分中，論文介紹了一種通過旋轉(zhuǎn)反射等變性（roto-reflective equivariance）來整合專家知識的新型深度學(xué)習(xí)模型，以提高醫(yī)學(xué)成像任務(wù)的準(zhǔn)確性和魯棒性，特別是在組織病理學(xué)切片中檢測轉(zhuǎn)移組織的任務(wù)中。所提出的模型優(yōu)于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，并表現(xiàn)出對輸入擾動的魯棒性。接下來，論文探討了如何通過提出PCam數(shù)據(jù)集（源于Camelyon16挑戰(zhàn)賽）來激勵深度學(xué)習(xí)社區(qū)關(guān)注現(xiàn)實(shí)的醫(yī)學(xué)問題。PCam結(jié)構(gòu)類似于常見的深度學(xué)習(xí)基準(zhǔn)，并證明在該數(shù)據(jù)集上的改進(jìn)可以轉(zhuǎn)化為在更大Camelyon16基準(zhǔn)上的改進(jìn)。

第二部分

第二部分探討了通過對比預(yù)測編碼（Contrastive Predictive Coding，CPC）進(jìn)行自監(jiān)督表示學(xué)習(xí)的好處，并提出了對比擾動預(yù)測編碼（Contrastive Perturbative Predictive Coding，C2PC），通過引入特定的醫(yī)學(xué)圖像增強(qiáng)來增強(qiáng)CPC的性能。

第三部分

論文的第三部分解決了預(yù)測不確定性的估計(jì)挑戰(zhàn)，這對于高風(fēng)險(xiǎn)醫(yī)療決策至關(guān)重要。它引入了一種新的變分推理方法，該方法利用了多項(xiàng)分布在量化潛在變量上的特性。與現(xiàn)有方法相比，所提出的方法在不確定性估計(jì)和風(fēng)險(xiǎn)評估方面表現(xiàn)出競爭力。

結(jié)論

論文總結(jié)了通過解決這些挑戰(zhàn)，深度學(xué)習(xí)可以更好地適用于醫(yī)學(xué)成像任務(wù)。它證明了專家知識可以有效地整合到深度學(xué)習(xí)模型中，利用未標(biāo)記數(shù)據(jù)通過自監(jiān)督學(xué)習(xí)可以提高模型性能，且通過更靈活的變分推理方法可以改進(jìn)預(yù)測不確定性。

總之，論文展示了深度學(xué)習(xí)在醫(yī)學(xué)圖像分析中的潛力，并提供了應(yīng)對關(guān)鍵挑戰(zhàn)的有效方法，為將來在醫(yī)療領(lǐng)域的應(yīng)用奠定了堅(jiān)實(shí)的基礎(chǔ)。

重新評估深度學(xué)習(xí)在醫(yī)學(xué)圖像分析中的應(yīng)用

準(zhǔn)確診斷疾病和確定最有效的治療方法是一個歷史性挑戰(zhàn)。在古代，困難的病例常常被歸因于超自然現(xiàn)象，惡魔和神的干預(yù)是古代社會對疾病的普遍解釋，并據(jù)此選擇治療方法。隨著科學(xué)方法的興起和醫(yī)學(xué)的進(jìn)步，醫(yī)生現(xiàn)在能夠利用不斷增長的科學(xué)知識、高證據(jù)標(biāo)準(zhǔn)的干預(yù)措施和各種現(xiàn)代診斷工具，做出更加明智的治療決策。

1.1.1 醫(yī)學(xué)診斷的復(fù)雜性

診斷疾病和預(yù)測治療結(jié)果并不是火箭科學(xué)；它遠(yuǎn)比火箭科學(xué)復(fù)雜。挑戰(zhàn)在于醫(yī)學(xué)決策中的每一個方面都充滿不確定性。雖然我們有關(guān)于重力和火箭發(fā)動機(jī)的確定性模型，但人體仍未完全被理解。直到今天，仍然有新的器官被發(fā)現(xiàn)，對治療產(chǎn)生影響。關(guān)于檢測和治療結(jié)果的科學(xué)證據(jù)稀少且偏向特定人群。干預(yù)研究存在生存偏差，隨機(jī)對照試驗(yàn)傾向于有利于適合雙盲研究的治療方法。人類的異質(zhì)性和許多診斷工具相關(guān)的人類痛苦和經(jīng)濟(jì)成本進(jìn)一步加劇了這種復(fù)雜性。此外，這一領(lǐng)域在不斷演變，以前被視為現(xiàn)代治療頂峰的干預(yù)措施現(xiàn)在受到質(zhì)疑。在這種不確定性的迷霧中進(jìn)行決策，可能需要超越人類手動能力的智能水平。

1.1.2 醫(yī)學(xué)影像

現(xiàn)代醫(yī)學(xué)影像的出現(xiàn)進(jìn)一步加劇了這一問題。通過X射線、超聲、計(jì)算機(jī)斷層掃描（CT）和磁共振成像（MRI）等技術(shù)，以及病理圖像數(shù)字化的進(jìn)步，臨床醫(yī)生可以獲得患者的海量信息。結(jié)果，醫(yī)生在診斷疾病和預(yù)測治療結(jié)果時，被大量需要考慮的數(shù)據(jù)所淹沒。處理這些方法生成的不熟悉圖像的復(fù)雜性導(dǎo)致了專門職業(yè)的出現(xiàn)，如放射科醫(yī)生和病理科醫(yī)生。這些專家必須專注于密集的數(shù)據(jù)流，以發(fā)現(xiàn)異常和評估風(fēng)險(xiǎn)。為了標(biāo)準(zhǔn)化見解，人類專家依賴于諸如Gleason評分等主觀量表，這對治療的侵入性有重大影響，但其評價(jià)者間的變異性驚人。此外，引入更多人類參與決策過程會帶來溝通和交接方面的挑戰(zhàn)。一旦診斷完成，專家的建議與實(shí)際治療結(jié)果之間幾乎沒有反饋循環(huán)。

1.1.3 計(jì)算機(jī)輔助診斷

計(jì)算機(jī)輔助診斷（CAD）的前景在于，計(jì)算機(jī)具有無限的精力、無限的注意力，而且不會在工作時喝醉。軟件可以復(fù)制并不斷改進(jìn)，錯誤行為可以重演、研究和糾正。反饋循環(huán)可以跨越數(shù)月，將治療結(jié)果作為早期識別模型的指導(dǎo)信號。這是一條改進(jìn)醫(yī)學(xué)決策的有前途的道路。

盡管醫(yī)學(xué)診斷過程包含許多方面，全面涵蓋整個過程是一個挑戰(zhàn)。在本論文中，我們專注于計(jì)算機(jī)輔助診斷在醫(yī)學(xué)圖像解釋中的挑戰(zhàn)。這是開發(fā)一個綜合系統(tǒng)的關(guān)鍵步驟，該系統(tǒng)能夠消化來自醫(yī)學(xué)診斷過程各個方面的信息，并沿途提供建議。

1.1.4 深度學(xué)習(xí)

將醫(yī)學(xué)圖像分析領(lǐng)域的專業(yè)知識提煉為算法一直很困難。盡管許多博士學(xué)位持有人接受了這一挑戰(zhàn)，但根據(jù)直覺和經(jīng)過數(shù)百年研究和實(shí)踐精心打磨的理論推導(dǎo)規(guī)則幾乎是不可能的。幸運(yùn)的是，機(jī)器學(xué)習(xí)為基于規(guī)則的模型設(shè)計(jì)提供了一個替代方案。該領(lǐng)域提供了經(jīng)過驗(yàn)證的方法，這些方法采用專家注釋的示例，并得出旨在捕捉這些注釋背后的基本原則的模型。然而，醫(yī)學(xué)影像數(shù)據(jù)特別龐大且密集，傳統(tǒng)的機(jī)器學(xué)習(xí)方法依賴于手工制作的特征提取，將數(shù)據(jù)轉(zhuǎn)化為方法能夠處理的數(shù)字。這種手工制作特征的過程幾乎與設(shè)計(jì)規(guī)則同樣困難。

1.1.5 深度學(xué)習(xí)帶來的變革

深度學(xué)習(xí)的出現(xiàn)給醫(yī)學(xué)圖像分析領(lǐng)域帶來了巨大的變化。通過結(jié)合大型隨機(jī)初始化的特征提取器和隨機(jī)梯度下降來遍歷搜索空間，機(jī)器學(xué)習(xí)模型現(xiàn)在可以直接在原始密集圖像上進(jìn)行訓(xùn)練。這一方法在2012年的ImageNet挑戰(zhàn)賽中被廣泛推廣，當(dāng)時深度學(xué)習(xí)在分類準(zhǔn)確性上優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法。從那時起，大多數(shù)醫(yī)學(xué)圖像分析研究社區(qū)都看到了深度學(xué)習(xí)作為主導(dǎo)范式的轉(zhuǎn)變。

深度學(xué)習(xí)的前景

深度學(xué)習(xí)在醫(yī)學(xué)圖像分析中的有效性為未來帶來了令人鼓舞的愿景。深度學(xué)習(xí)模型可以訓(xùn)練來自世界各地的數(shù)據(jù)，而不是由專家使用來自學(xué)術(shù)醫(yī)院的小數(shù)據(jù)集設(shè)計(jì)的手工模型，這些數(shù)據(jù)集僅捕捉到世界各地人口的一小部分。此外，深度學(xué)習(xí)模型可以在初步診斷數(shù)月后從錯誤中學(xué)習(xí)，這種反饋循環(huán)在人類專家中很少發(fā)生。雖然通常被認(rèn)為是黑箱，但一組專家類似于飛機(jī)失事調(diào)查員，可以精確再現(xiàn)模型出錯時的狀態(tài)，并可以使用各種工具提供內(nèi)省和指導(dǎo)，以便在未來減輕類似錯誤。此外，深度學(xué)習(xí)模型的免費(fèi)復(fù)制意味著專業(yè)知識可以在全球范圍內(nèi)應(yīng)用。這為缺乏高質(zhì)量醫(yī)學(xué)見解的社區(qū)帶來了獲取高質(zhì)量醫(yī)學(xué)見解的機(jī)會。

深度學(xué)習(xí)在初級醫(yī)療中的應(yīng)用

深度學(xué)習(xí)模型可以通過消除對專門知識的需求來改變初級醫(yī)療的提供方式。這使得初級醫(yī)生能夠直接將醫(yī)學(xué)掃描轉(zhuǎn)化為可操作的見解，從而減少溝通負(fù)擔(dān)并減少因交接而導(dǎo)致的錯誤。最后，當(dāng)一種新疾病威脅世界時，這些模型可以迅速更新以納入新的診斷，為全球健康危機(jī)提供靈活的應(yīng)對措施。

重新評估醫(yī)學(xué)圖像分析中的深度學(xué)習(xí)

盡管深度學(xué)習(xí)非常有效，但它是以經(jīng)驗(yàn)方式開發(fā)的——一些人將這一過程等同于煉金術(shù)——并且仍然缺乏基本的第一性原理的支持。雖然這確實(shí)帶來了巨大的成功和進(jìn)步，但推動年復(fù)一年改進(jìn)的主要基準(zhǔn)與醫(yī)學(xué)圖像分析中的問題有顯著差異。這些基準(zhǔn)通常是自然圖像中的單個對象檢測，側(cè)重于分類準(zhǔn)確性，忽略了醫(yī)學(xué)圖像分析的細(xì)微差別。這并不是說深度學(xué)習(xí)在這一領(lǐng)域沒有表現(xiàn)出它的價(jià)值。它在有影響力的醫(yī)學(xué)圖像基準(zhǔn)上取得了巨大的成功。例如，Gulshan等人在2016年展示了一種深度學(xué)習(xí)模型，能夠在視網(wǎng)膜眼底照片中檢測糖尿病性視網(wǎng)膜病變，其性能可與一組認(rèn)證的眼科醫(yī)生相媲美。Esteva等人在2017年展示了（接近）人類專家水平的皮膚癌分類性能。Wang等人在2016年展示了在從前哨淋巴結(jié)活檢的全切片圖像中識別轉(zhuǎn)移性乳腺癌方面的強(qiáng)大性能。

然而，對于如此敏感的醫(yī)學(xué)決策任務(wù)，深度學(xué)習(xí)模型的失敗模式不可忽視。數(shù)據(jù)偏差、類別不平衡、決策的可解釋性和可解釋性缺乏、輸入模式的魯棒性和標(biāo)簽分歧敏感性等問題在醫(yī)學(xué)領(lǐng)域需要特別關(guān)注。因此，有必要在醫(yī)學(xué)圖像分析的視角下重新評估深度學(xué)習(xí)的現(xiàn)狀，以發(fā)現(xiàn)進(jìn)一步改進(jìn)的空間并解決現(xiàn)有的不足。

關(guān)于我們

數(shù)據(jù)派THU作為數(shù)據(jù)科學(xué)類公眾號，背靠清華大學(xué)大數(shù)據(jù)研究中心，分享前沿?cái)?shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)創(chuàng)新研究動態(tài)、持續(xù)傳播數(shù)據(jù)科學(xué)知識，努力建設(shè)數(shù)據(jù)人才聚集平臺、打造中國大數(shù)據(jù)最強(qiáng)集團(tuán)軍。

新浪微博：@數(shù)據(jù)派THU

微信視頻號：數(shù)據(jù)派THU

今日頭條：數(shù)據(jù)派THU

【阿姆斯特丹博士論文】深度學(xué)習(xí)在醫(yī)療數(shù)據(jù)中的應(yīng)用