利用转移学习和蒙特卡洛学因不确定性而放弃,以NIRS为基础检测全身性硬化症手输液模式

科学领域:

• 生物医学光学 生物医学光学
• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能

背景情况:

• 系统性硬化症 (SSc) 的早期诊断对于及时干预和改善患者预后至关重要.
• 微血管功能障碍是SSc的标志,需要可靠的检测方法.
• 当前的诊断方法可能缺乏微血管评估的非侵入性或客观性.

研究的目的:

• 调查将近红外光谱学 (NIRS) 与深度学习相结合的有效性,以对SSc患者进行分类.
• 用NIRS衍生的氧和图来分析手部 perfusion 模式,用于SSc检测.
• 通过不确定性估计来评估深度学习模型的可靠性和稳定性.

主要方法:

• 利用近红外光谱 (NIRS) 获取手部的氧和图.
• 使用一个概率卷积神经网络 (CNN) 与MobileNetV2和转移学习进行分类.
• 集成的蒙特卡洛放弃用于评估预测不确定性和检测分布外输入.

主要成果:

• 深度学习模型在分类SSc患者时实现了87.5%的测试准确率.
• 对跨数据集的信任级别的分析强调了不确定性估计对模型可靠性的重要性.
• 证明了NIRS与深度学习相结合的可行性,用于检测SSc中的微血管功能障碍.

结论:

• 基于深度学习的NIRS分析为SSc检测提供了一个可行的非侵入性,自动化工具.
• 该研究证实了客观评估SSc.微血管变化的潜力.
• 未来的研究应该专注于更大的数据集和多模式集成,以提高临床适用性.