基于深度学习的人工智能技术在早期胃癌诊断中的应用

目的 构建和验证一个用于早期胃癌自动识别的深度学习模型,旨在提高早期胃癌的识别和诊断水平。 方法 从长海医院消化内镜中心数据库选取2014年5月至2016年12月期间5 159张胃镜图像,其中包括早期胃癌1 000张,良性病变及正常图像4 159张。首先选取4 449张图像（其中早期胃癌图像768张,其他良性病变及正常图像3 681张）用于深度学习模型的训练。然后将剩余的710张图像用于模型的验证,同时再交给4名内镜医师进行诊断。最后统计相关结果。 结果 深度学习模型用于早期胃癌诊断的准确率89.4％（635／710）、敏感度88.8％（206／232）、特异度89.7％（429／478）,每张图像的诊断时间为（0.30±0.02）s,均优于相比较的4名内镜医师。 结论 本研究构建的深度学习模型用于早期胃癌的诊断具有较高的准确率、特异度和敏感度,可在胃镜检查中辅助内镜医师进行实时诊断。     

机器学习XGBoost算法在医学领域的应用研究进展

机器学习XGBoost算法于2014年提出,其基于boosting算法展开,在许多数据科学大赛上都显示出了极高的可用性和优异性能。目前基于XGBoost算法构建的分类或回归预测模型已经广泛地运用于医疗保健、金融、教育、制造等领域的数据分析中。在医药学领域中XGBoost已广泛应用于疾病诊断以及疾病发生风险、转归与预后、合理安全用药和药物研发的等方面,并且在这些领域中提供了具有极大可能性的解决方案,有助于提高决策的效率和质量,降低假阳性率。同时,XGBoost算法在处理数据缺失值时,能自动学习分裂方向;在处理大型数据集时,能够模拟非线性效应,具有较高的效率和准确性。