卷積神經(jīng)網(wǎng)絡(luò)在ARDS風(fēng)險(xiǎn)預(yù)測(cè)研究中的應(yīng)用

卷積神經(jīng)網(wǎng)絡(luò)在ARDS風(fēng)險(xiǎn)預(yù)測(cè)

研究中的應(yīng)用

2研究背景結(jié)果與討論數(shù)據(jù)與方法方法簡(jiǎn)介目錄1986卷積神經(jīng)網(wǎng)絡(luò)發(fā)展BP算法孕育了卷積神經(jīng)網(wǎng)絡(luò)1998LeNet-5首個(gè)真正意義上的CNN20062012AlexnetImageNet競(jìng)賽一舉奪冠HintonVGG,InceptionV1-V4Resnet….Gulshan,V,etalJama316.22(2016):2402.Esteva,A,etal.Nature

542.7639(2017):115-118.Golden,J.etal.Jama

318.22(2017):2184.Ghafoorian,etal.MICCAI

2017.2017:516-524.Xu,J.,etal.

Neurocomputing

191(2016):214-223.Saha,etalIEEE.99(2018):1-1.

5多層感知機(jī)輸入層隱藏層輸出層X(jué)1X2X3X4∑ReLuW2W1W3W4反向傳播算法(Backpropagationalgorithm,BP)局限：

待估參數(shù)太多

對(duì)平移、旋轉(zhuǎn)敏感X1X2X3X4a1(1)a2(1)a3(1)a4(1)b1(2)b2(2)b3(2)c1(3)c2(3)

6卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介卷積層(Convolution)

+下采樣層(Subsampling)+全連接(Fullconnection)輸入輸出卷積層卷積層全連接下采樣層下采樣層LecunYetal.IEEE,1998,86(11):2278-2324.Lenet-5

7卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

卷積核特點(diǎn)：

局部鏈接

權(quán)值共享卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介1110001110001110011001100-2-0.510101010.5-0.511.50.5-0.522.50.50.5011.50.5022.50.51.5122.5輸入層權(quán)重系數(shù)卷積核輸出激活函數(shù)輸出下采樣層輸出

關(guān)鍵點(diǎn)：卷積核

激活函數(shù)

下采樣Zhou,B.,etal.(2016).CNN：

極高的分類效果信號(hào)可視化急性呼吸窘迫綜合征(acuterespiratorydistresssyndrome,ARDS)ICU中發(fā)病率約10%死亡率超過(guò)40%早期診斷是防治關(guān)鍵Zhang,R.,etal.

IntensiveCareMedicine43.3(2017):399-407.

IF(15.01)Wei,Y.,etal

AJRCCM195.10(2016):1353.

IF(15.24)Wei,Y.,etal

Chest

147.3(2015):607-617.IF(7.65)

11變量訓(xùn)練集測(cè)試集驗(yàn)證集合計(jì)樣本量52(1:1)52(1:1)52(1:1)156(1:1)年齡58.44±16.0262.65±16.0261.40±16.3760.83±16.87性別12:387:4315:3534:122肺炎32303294敗血癥394846133多次輸血71210急性呼吸窘迫綜合征(acuterespiratorydistresssyndrome,ARDS)數(shù)據(jù)來(lái)源：哈佛大學(xué)ARDS隊(duì)列(MEARDS)外周血microRNA（743）擴(kuò)增分?jǐn)?shù)>1.1Ct<30未檢出率<0.2200個(gè)microRNALIPSAUC:0.708(0.651-0.766)LIPS+AUC:0.723(0.667-0.778)miR-181a,miR-92amiR-424+0.015CNN訓(xùn)練集特征工程Featureengineering模型融合Modelensemble輸出訓(xùn)練集+測(cè)試集驗(yàn)證集分析框架CNN訓(xùn)練集+測(cè)試集訓(xùn)練集特征工程+-x/K個(gè)特征SVM(rbf):gamma:uniform(0,10)C:uniform(0,500)

M個(gè)模型模型融合輸出驗(yàn)證集52*5！=6240數(shù)據(jù)擴(kuò)增技術(shù)Krizhevsky,Alex.etal

ICNIPSCA

2012:1097-1105.HEK,etal.IEEE,F,2016[C].SIMONYANKe,tal.ComputerScience,2014,SZEGEDYC,etal.IEEE,2016[C].輸出尺寸

核尺寸步長(zhǎng)通道數(shù)輸入層400---卷積層20×203×3164卷積層20×203×31128下采樣層10×102×21128卷積層10×103×31256卷積層10×103×31256下采樣層5×52×21256全局平均2---CNN參數(shù)AUC:0.68(0.52,0.84)AUC:1.00(1.00,1.00)ClinicAllAUC:0.67(0.53,0.83)訓(xùn)練集驗(yàn)證集結(jié)果與討論AUC提高了14%仍存在過(guò)擬合AUC:0.81(0.64,0.97)病例對(duì)照CNN可視化熱圖結(jié)果與討論病例/對(duì)照強(qiáng)激活點(diǎn)在某些區(qū)域聚集可回溯熱圖獲得激活點(diǎn)對(duì)應(yīng)的miRNA總結(jié)CNN用全組學(xué)變量建模能顯著提高ARDS風(fēng)險(xiǎn)預(yù)測(cè)能力CNN的可視化回溯可以作為降維策略，模型即篩選出的變量進(jìn)一步研究驗(yàn)證CNN的高維數(shù)據(jù)處理能力使其適于推廣至其他組學(xué)研究可能的擴(kuò)展臨床協(xié)變量等宏觀信息以子網(wǎng)絡(luò)形式加入CNN對(duì)CNN損失函數(shù)進(jìn)行改寫(xiě)，將其推廣至生存數(shù)據(jù)分析Chaudhary,K.,etal.ClinicalCancerResearch24.6(2017):clincanres.0853.2017.3.嘗試CNN與淺層學(xué)習(xí)方法結(jié)合激活函數(shù)

1.Sigmod函數(shù)