PatchFCN神经网络系统实现超高颅内出血检测准确性

导读：近年来，深度学习及其应用不断发展。最近，来自苏黎世联邦理工学院的研究人员就首次将这项技术用于暗物质研究中。

据外媒报道，近年来，深度学习及其应用不断发展。最近，来自苏黎世联邦理工学院的研究人员就首次将这项技术用于暗物质研究中。现在，一个跟加州大学伯克利分校、加州大学旧金山分校(UCSF)医学院合作的团队训练出了一个名为PatchFCN的卷积神经网络，它能以惊人的准确性检测出脑出血。

研究团队在题为《Expert-level detection of acute intracranial hemorrhage on head computed tomography using deep learning》的在文章中称：“我们使用了一个单级、端到端、全卷积的神经网络来达到跟高度训练的放射科医师相当的准确性水平，包括放射科医师错过的异常识别和定位。”

据了解，该团队达到了的准确率达到了99%，这是迄今为止检测出脑出血的最高准确率记录。在某些情况下，神经网络的性能甚至还超过了经验丰富的放射科医生：“我们的算法证明了迄今为止该临床应用中的最高准确性，其识别急性颅内出血为阳性的受试者工作特征(ROC)曲线下面积(AUC)达到了0.991±0.006，并且还超过了4名放射科医师中的其中2名。”

PatchFCN通过英伟达V100 Tensor Core GPU和亚马逊AWS在来自UCSF附属医院的4000多张CT扫描数据集上接受训练。训练和分析则都以一种新颖的方式进行，在这个过程中，团队将CT扫描分成不同部分，每个部分随后可由模型展开分析。然后，研究小组通过分段大小进行实验以获得最佳结果从而提高模型的准确性。

此外，根据研究人员的说法，他们训练的模型可以在几秒钟内就能分析好一张图片。经过分析，该模型除了对脑出血的存在做出判断外还能提供对每个脑出血的详细追踪和测量。

对于医院来说，这可能是一项重要的资产。该研究团队相信，PatchFCN将不仅能提高生产量而且还能减轻放射科医生的压力从而提高他们的效率和生产力。

研究论文请戳这里