深度学习再发力：可对微循环图像识别和分类，帮助诊断败血症

来源：Nvidia 编译：Kathy
在美国医院死亡的病人中，有三分之一患有败血症。败血症是一种致命的疾病，宿主发生感染后引发炎症，从而引起多器官衰竭，最终造成死亡。败血症伴随着高死亡率，因此早期诊断非常重要。
为了实现早期诊断，麻省理工学院的研究人员正在探索一种基于深度学习的方法，这种方法有朝一日几乎可以实时地自动检测人类患者的病情。
毛细血管是心血管系统的最小元件，是氧气交换和维持系统稳态的重要部位，微循环是毛细血管中的血液流动。但败血症常常会导致这些系统发生病变，微环境功能障碍、毛细血管中的血流变化、毛细血管收缩等，都是败血症的早期病理特征。临床上用于评价微循环功能障碍的相对快速且无侵袭性的方法是暗场影像方法，已经被用于败血症的诊断和预后。目前科学家们已经将深度学习用于这些影像进行识别和区分，以便快速的筛查出病症的细微信息。
先前的研究已经成功地在猪和其他动物的视频中检测到微循环障碍。该团队是首次成功地利用深度学习监测危重病人的微循环异常。深度学习模型该团队训练了一个卷积神经网络，可以迅速地从病人黑乎乎的微循环影像视频中区分非败血症和败血症图像。
在经过病人同意后，该小组从位于马萨诸塞州波士顿的Beth Israel Deaconess医疗中心重症监护室的病人那里获得了训练数据，该医疗中心是哈佛大学的教学医院。训练集来自于被诊断为感染性休克的患者和非感染性休克的患者。
以ResNet 18为基础，该团队开发了一个10层网络架构。所有训练数据都被裁剪并调整为224 x 224 x 3像素大小，以创建集中均匀的数据集。在利用这一分模型进行分类器训练后，模型分类是否有病症的准确率最终达到了89%。随后，研究人员使用T-SNE可视化卷积特征向量。在架构被训练之后，验证集中的帧被馈送到架构。最后一个卷积层的128维输出(卷积特征向量)被用于t – SNE嵌入和可视化。为了研究提取帧的特征空间，研究人员用重建损失训练了一个无监督卷积自动编码器。自动编码器由编码器和解码器基于卷积层组成。编码器和解码器各由三个卷积层组成，未使用跳接。自动编码器是使用Adam优化器和均方误差作为损失度量来训练的。训练和测试数据集保持不变，但没有使用上一步中的标签数据。在每次遍历之后，从验证数据集中随机取样一些选定的图像，用于监控输入和输出帧之间的相似性。一旦自动编码器训练完成，特征向量( 1152维的Bottleneck Layer)被提取出来，K均值算法用于聚类和可视化。其中为了避免恒等映射的产生，Bottleneck Layer在实现高精度重建的同时神经元数量要尽可能要少。随后对卷积特征进行t – SNE可视化，可以看到两种数据具有视觉上的明显聚类分群。因此，卷积神经网络确实将败血性和非败血性患者的图像分成了不同的类别。研究人员表示，有独立于时间信息的可学习的特征，有助于区分非败血症患者和败血症患者的图像。 “我们假设我们的神经网络会学习某些特征，这些特征独立于时间信息，例如败血症患者和非败血症患者图像之间血管数量、长度和密度的变化，这样就可以利用这些数据来构建有效的分类器，帮助医生更早更快的发现患者的异常症状并及时处理。”
想了解更多信息，请点击论文：
https://arxiv.org/pdf/1811.02659.pdf
以及实验室主页：
https://www.media.mit.edu/groups/camera-culture/people/
以及一些好玩的项目：
https://www.media.mit.edu/groups/camera-culture/projects/