Symtosis：优化深度学习模型评估肝脏超声组织特征和风险分层
背景与目的：
- 脂肪性肝病（FLD）是一种由肝细胞内脂肪沉积引起的疾病，是肝癌等晚期疾病的前身。
- 应用的机器学习（ML）技术使用超声波（US）进行FLD检测和风险分层在计算组织特征特征方面有局限性，从而限制了准确性。
方法：
- 在FLD检测和风险分层的Symtosis分类下，本研究提出了一个基于深度学习（DL）的范例，在传递时计算每个图像将近700万个权重
- 在交叉验证（训练和测试）范式中，通过22层神经网络。DL架构由级联操作层组成，例如：卷积、池、整流线性单元、辍学和一个称为inception模型的特殊模块提供了速度和效率。
- 所有数据分析都是在优化的组织区域执行，通过去除背景信息获得。我们对针对传统ML协议的DL系统：支持向量机（SVM）和极限学习机器（ELM）。
结果：
- 63例患者的肝脏超声资料（27例正常，36例异常）。
- 使用K10交叉验证方案（90%培训和10%测试），检测和风险分层准确率(SVM、ELM和DL)分别为：82%、92%和为100%。曲线下相应面积为：0.79、0.92 和1.0。
- 我们使用两类生物特征面部数据进一步验证我们的DL系统准确度为99%。
结论：
DL系统在肝脏检测和风险分层方面表现出优越的性能，相比于传统机器学习系统SVM和ELM。
