基于降噪自动编码器特征学习的音乐自动标注算法

目前,音乐自动标注模型大多采用手动设计模式,因而存在最佳特征难以选择的问题。提出了一种基于非监督学习的特征学习算法,该算法能自动学习特征的潜在结构而不需要依赖先验知识。首先,预处理阶段主要提取音乐的音级轮廓频率谱并进行PCA白化降维处理;然后,采用深度学习中的降噪自动编码器算法对降维后的特征进行无监督的学习,并采用最大值池化和取均值来聚合得到新的特征向量;最后,将特征向量和标签送入多层感知机中进行有监督的学习。基于Magnatagatune和GTZAN数据库的实验结果表明,本文算法在一定程度上提高了音乐自动标注的准确率。     

基于自监督学习与语义分割相结合的内窥镜白内障图像分割

目的:基于自监督学习与语义分割方法在白内障数据集上训练深度学习模型,分割白内障手术的显微镜图像,以提升算法的准确性和鲁棒性.方法:提出CA-PSP模型实现白内障数据集语义分割,采用自监督模型BYOL预训练模型参数;为了增强网络特征表达能力,在骨干网络加入一个轻量级的网络注意力机制,即坐标注意力模块(coordinate...     

人工智能应用于心血管疾病诊疗的现状与展望

我国心血管病仍面临严峻负担。随着人工智能技术的发展,深度学习、有监督学习及无监督学习等机器学习算法已被应用于心血管病智能诊断、影像判读、精准分型和远程管理等方面,具有广泛应用前景及革新潜力。数字化、智能化的心血管病管理模式将有望提高疾病的管理水平和效率,实现心血管全周期照护。本文系统梳理了人工智能在心血管领域的研究及应用进展,并展望其未来的发展方向。     

医学生深度学习特点及影响因素研究综述

为了提高医学教育水平、提升医学人才培养质量,医学生深度学习已成热点研究问题。文章从深度学习的内涵和基本特征,概述深度学习概念的演变过程和发生阶段,介绍深度学习常用的测量工具。在此基础上,深入剖析医学生深度学习状况、变化规律,重点探讨医学生深度学习的影响因素,提示今后相关研究和发展方向。研究表明,医学生深度学习目前处于中等偏上水平,但变化规律不明确、影响因素众多,有个体因素、行为因素、教师因素及环境因素等,因素间相互影响,其中学生个体因素为影响深度学习的主要因素。     

基于先验信息感知学习的能谱CT及物质定量智能成像算法

目的 提出一种基于先验信息感知学习的能谱CT半监督物质定量智能成像算法（SLMD-Net）,以提升能谱CT及物质定量成像精度和质量,并降低数据驱动网络对标签数据的依赖性。方法 算法框架包括监督子模块和自监督子模块。在监督子模块中,基于少量标签数据和均方误差损失函数学习构建从低信噪比数据到高信噪比数据的映射关系;在自监督子模块中,针对大量无标签低信噪比基物质图像数据,采用基于图像恢复模型构建损失函数,并纳入基物质图像数据的先验信息,以全变分（TV）模型刻画图像的先验信息。两个子模块合并构成SLMD-Net并通过临床仿真数据评估可行性和有效性。结果 与模型驱动的物质定量成像方法（FBP-DI、PWLS-PCG、E3DTV）,数据驱动的物质定量成像方法,如基于监督学习的物质定量成像方法（SUMD-Net和BFCNN）,基于无监督学习的物质定量成像方法UNTV-Net以及基于半监督的循环一致性生成对抗网络（SemiCycleGAN）相比,SLMD-Net在视觉和定量评估上均有明显优势,如在水物质定量成像结果和骨物质定量成像结果中,SLMDNet获得最高的PSNR指标（31.82和29.06）、...     

思政融入基于项目的混合学习对学生深度学习的影响——以人体病理基础课程为例

目的 探讨将思政融入基于项目的混合学习对高职护理专业学生深度学习的影响。方法 选择高职护理专业二年级300名学生为研究对象，比较课改前后深度学习能力变化情况，并分析相关影响因素。结果 课改前后学生深度学习评价量表得分比较差异有统计学意义（P<0.05）。平台的学习能帮助理解知识；教学内容有价值，适合学生学习基础、兴趣和需要；渗入的思政内容能促进学习是影响学生深度学习的因素。平台的学习能帮助理解知识及渗入的思政内容能促进学习可解释深度学习能力总分变异的33.29%，且均具有正向预测作用。结论 将思政融入基于项目的混合学习能提升学生深度学习能力。     

护理本科生在线微课程中的学习投入特征对其深度学习的影响

目的 研究护理本科生在线微课程中的学习投入特征对其深度学习的影响,为护理在线教学建设提供帮助。方法 采用方便抽样法将内蒙古医科大学已开展在线微课程教学的80名护理本科生纳入研究,采用学习投入特征量表、网络深度学习量表等研究工具进行调查,分析在线微课程学习期间护生的学习投入、网络深度学习等指标的相关性。结果 本次研究中,本科护生在线微课程学习期间学习投入量表总分为(46.70±6.98)分,网络深度学习量表总分为(49.20±5.39)分,Pearson相关分析显示,本科护生在线微课程学习期间学习投入对其网络深度学习有正向预测作用(r=0.267,P<0.01)。结论 护理本科生在线微课程中的学习投入特征对其深度学习的影响具有显著价值,在当前网络时代背景在线学习开展的趋势下,医学院校护理管理者和教育者应重视对本科护生的学习投入引导,从而有益于其网络深度学习能力及绩效的改善。     

深度学习技术在疾病诊断中的应用

深度学习技术的迅猛发展为辅助医师进行高精度的疾病诊断提供了新的方法和思路。本文综述了医学疾病诊断领域常用的深度学习模型,即卷积神经网络、深度信念网络、受限玻尔兹曼机和循环神经网络模型的原理及特点;然后从肺癌、乳腺癌、糖尿病视网膜病变等几种典型的疾病出发,介绍了深度学习技术在疾病诊断领域的应用;最后基于目前深度学习技术在疾病诊断中的局限性提出了未来发展方向。     

虚拟现实技术助力SPOC实现医学深度学习

当前医学教育面临浅层学习危机,深度学习是提升医学教育质量的关键。SPOC为深层学习提供资源、环境等多方位支持,但在以实践为主的医学教育中存在应用缺陷。虚拟现实技术是解决SPOC平台实现医学深度学习困境的有效途径。基于虚拟现实技术,构建SPOC平台下医学深度学习模式,促进医学深度学习的实现。     

广州市某医学院校本科生学习投入与深度学习的关系

目的:调查医学院校本科生学习投入、深度学习现状及二者间的关系,为提高医学院校人才培养质量提供参考.方法:采用分层抽样的方法,对广州市某医学院校本科生进行问卷调查.结果:共得到1861份有效问卷.医学院校本科生学习投入总分(119.35±18.28)与深度学习得分(28.56±5.49)均处于中等水平.不同家长受教育程度...     

基于机器学习的癫痫脑电数据分析方法研究

详细阐述基于机器学习的癫痫脑电数据处理和分析方法,包括监督学习、无监督学习、半监督学习、强化学习和其他类型的机器学习方法,评价这些方法应用于癫痫脑电数据检测的效果。     

基于深度强化学习的四足机器人运动控制发展现状与展望

受类脑计算启发的深度强化学习在人工智能、机器人等诸多领域中都取得了巨大的成功，该方法通过结合深度学习与强化学习获得了优异的场景感知能力与任务决策能力。本文首先介绍了两类应用较为广泛的深度强化学习方法及其基本原理，并通过回顾深度强化学习在四足机器人运动控制上的应用现状讨论了该方法的研究进展，最后通过总结现有方法及腿足机器人控制特点，对深度强化学习在四足机器人上的应用前景进行了展望。     

Deep significance clustering: a novel approach for identifying risk-stratified and predictive patient subgroups

ObjectiveDeep significance clustering (DICE) is a self-supervised learning framework. DICE identifies clinically similar and risk-stratified subgroups that neither unsupervised clustering algorithms nor supervised risk prediction algorithms alone are guaranteed to generate.Materials and MethodsEnabled by an optimization process that enforces statistical significance between the outcome and subgroup membership, DICE jointly trains 3 components, representation learning, clustering, and outcome prediction while providing interpretability to the deep representations. DICE also allows unseen patients to be predicted into trained subgroups for population-level risk stratification. We evaluated DICE using electronic health record datasets derived from 2 urban hospitals. Outcomes and patient cohorts used include discharge disposition to home among heart failure (HF) patients and acute kidney injury among COVID-19 (Cov-AKI) patients, respectively.ResultsCompared to baseline approaches including principal component analysis, DICE demonstrated superior performance in the cluster purity metrics: Silhouette score (0.48 for HF, 0.51 for Cov-AKI), Calinski-Harabasz index (212 for HF, 254 for Cov-AKI), and Davies-Bouldin index (0.86 for HF, 0.66 for Cov-AKI), and prediction metric: area under the Receiver operating characteristic (ROC) curve (0.83 for HF, 0.78 for Cov-AKI). Clinical evaluation of DICE-generated subgroups revealed more meaningful distributions of member characteristics across subgroups, and higher risk ratios between subgroups. Furthermore, DICE-generated subgroup membership alone was moderately predictive of outcomes.DiscussionDICE addresses a gap in current machine learning approaches where predicted risk may not lead directly to actionable clinical steps.ConclusionDICE demonstrated the potential to apply in heterogeneous populations, where having the same quantitative risk does not equate with having a similar clinical profile.     

癫痫发作预测模型：斯托克韦尔变换的生成对抗与长短时记忆网络半监督方法

目的 提出一种半监督癫痫发作预测模型（ST-WGAN-GP-Bi-LSTM预测模型）,从脑电（EEG）信号的时频分析、无监督特征模型稳定性以及后端分类器设计三个方面提升发作预测性能。方法 对癫痫EEG信号进行斯托克韦尔变换（ST变换）得到时频输入,通过自适应调节分辨率和保留绝对相位,定位癫痫EEG信号的时频成分;当生成数据分布和真实EEG数据分布无重叠时,为了避免JS散度均为常数而导致特征学习失效的问题,采用Wasserstein生成对抗网络作为特征学习模型,以EM距离结合梯度惩罚策略（WGAN-GP）引导的代价函数,约束模型的无监督训练过程,进而生成高阶特征提取器;构建基于双向长短时记忆网络（Bi-LSTM）的时序预测模型,在获取高阶EEG时频特征间时序相关性基础上提升癫痫分类（预测）性能。利用公开数据集CHB-MIT头皮脑电数据集对本文提出的ST-WGAN-GP-Bi-LSTM预测模型进行评估。结果 本文的ST-WGAN-GP-BiLSTM预测模型在AUC、灵敏度和特异性指标上分别达到90.40%,83.62%和86.69%。与现有半监督方法相比,将原有的性能指标分别提升17.77...     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

深度学习在心脏磁共振左心室分割中的应用研究进展

心血管疾病是我国居民的首位死因,发病率呈上升趋势,随着心脏磁共振(CMR)扫描技术的迅速发展,将产生大量的影像数据,深度学习作为人工智能的一个分支发展迅猛,将深度学习的图像分割技术与心脏磁共振影像结合,将帮助提高影像科医生的诊断效率。文章对深度学习及其在磁共振左心室分割中的应用研究进行综述。     

深度学习在生物医学数据中的应用

介绍深度学习方法常用模型结构,包括卷积神经网络和循环神经网络模型,总结目前生物医学数据分析中深度学习的最新应用情况,分析其在数据处理、模型构建和训练方法等方面共有问题的解决方法,指出深度学习方法应用于生物医学数据分析中仍需解决的问题。     

Multimodal,multitask, multiattention (M3) deep learning detection of reticular pseudodrusen: Toward automated and accessible classification of age-related macular degeneration

ObjectiveReticular pseudodrusen (RPD), a key feature of age-related macular degeneration (AMD), are poorly detected by human experts on standard color fundus photography (CFP) and typically require advanced imaging modalities such as fundus autofluorescence (FAF). The objective was to develop and evaluate the performance of a novel multimodal, multitask, multiattention (M3) deep learning framework on RPD detection.Materials and MethodsA deep learning framework (M3) was developed to detect RPD presence accurately using CFP alone, FAF alone, or both, employing >8000 CFP-FAF image pairs obtained prospectively (Age-Related Eye Disease Study 2). The M3 framework includes multimodal (detection from single or multiple image modalities), multitask (training different tasks simultaneously to improve generalizability), and multiattention (improving ensembled feature representation) operation. Performance on RPD detection was compared with state-of-the-art deep learning models and 13 ophthalmologists; performance on detection of 2 other AMD features (geographic atrophy and pigmentary abnormalities) was also evaluated.ResultsFor RPD detection, M3 achieved an area under the receiver-operating characteristic curve (AUROC) of 0.832, 0.931, and 0.933 for CFP alone, FAF alone, and both, respectively. M3 performance on CFP was very substantially superior to human retinal specialists (median F1 score = 0.644 vs 0.350). External validation (the Rotterdam Study) demonstrated high accuracy on CFP alone (AUROC, 0.965). The M3 framework also accurately detected geographic atrophy and pigmentary abnormalities (AUROC, 0.909 and 0.912, respectively), demonstrating its generalizability.ConclusionsThis study demonstrates the successful development, robust evaluation, and external validation of a novel deep learning framework that enables accessible, accurate, and automated AMD diagnosis and prognosis.