【芬兰阿尔托大学博士论文】机器学习医疗健康应用，98页pdf

机器学习最近被提出用于各种医疗应用。特别是基于深度神经网络的方法已经被发现在各种分类任务中取得了最先进的性能。然而，许多此类研究使用简化的分类系统，例如，在糖尿病视网膜病变的分类中，使用可参考/不可参考系统。此外，使用临床分类系统的研究没有考虑到分类器的不确定性，这在医学领域是最重要的。此外，对于一些具有挑战性的任务，如下颌管的自动分割，尚未进行自动分割算法的广泛分析，包括与多个放射科医生分割的观察者间变异性的比较。机器学习算法还应该能够根据当地医院的数据进行训练，这可能会产生与可用训练数据量有关的问题。 本文考虑使用芬兰医院数据对医疗保健中的各种任务进行机器学习。深度卷积神经网络(CNNs)用于糖尿病视网膜病变和黄斑水肿的临床严重程度分级。此外，系统研究了近似贝叶斯深度学习方法对糖尿病视网膜病变临床数据的不确定性分类。在不确定分类的推荐和拒绝选择分类之间建立联系，并用于开发一种新的不确定性度量。本文还将介绍一种CNN方法，用于在圆锥束计算机断层扫描体积中分割下颌管。然后，将该方法与多个放射科医师对根管分段的观察者间变异性进行比较。最后，本文将研究用于极低出生体重新生儿死亡率和发病率预测的多种机器学习方法。 结果表明，即使是相对较小的一组芬兰医院数据，也可以利用临床分类系统训练糖尿病视网膜病变和黄斑水肿分类的深度学习分类器。近似贝叶斯神经网络和推导出的新型不确定度测度可用于准确估计临床糖尿病视网膜病变分类的不确定度。研究表明，深度学习方法为下颌管分割任务设置了一种新的最先进的方法，并且发现它在定位管时的变动性低于四个放射科医生的观察者间变动性。结果表明，随机森林分类器在预测新生儿死亡率和发病率方面优于其他方法。