<span id="pynnw"><sup id="pynnw"></sup></span>
      1. <acronym id="pynnw"><sup id="pynnw"></sup></acronym>
      2. <optgroup id="pynnw"></optgroup>

          <span id="pynnw"></span>
          1. <optgroup id="pynnw"><i id="pynnw"><source id="pynnw"></source></i></optgroup>

              當前位置: 首頁>新聞列表

              1. 公司概況
              2. 新聞資訊
              3. 資質榮譽
              4. 杭州智團
              5. 上海樺康

              人工智能和計算病理學

              編輯:admin 發表時間:2021-08-16 11:17:03 瀏覽:1113

              【摘要】數據處理和學習已成為推動醫學進步的先鋒,病理學和實驗室醫學也不例外。 通過臨床信息學與科研結合,包括基因組學,將蛋白質組學、生物信息學和生物統計學,應用于臨床實踐,為患者護理提供新的方法。計算病理學是一個新興的病理學亞專業,為全視野切片圖像、多組數據和臨床信息學提供更好的解決方案。然而,計算病理學正面臨幾個挑戰,包括集成不同來源原始數據的能力、硬件處理能力的限制,缺乏具體的培訓項目,以及道德和更廣泛社會可接受的實踐問題,這些都仍需改善。整個計算病理學產業的建立需要患者和醫生之間三個基本要素的重大變化:本地實驗室、掃描中心和數據處理檢索中心云樞紐/門戶。計算病理學,通過信息集成和先進的數字通信網絡,有望提高臨床工作流程的效率和診斷質量,并最終建立個性化診斷和治療方案。這篇綜述描述了臨床方向,并討論了統計學方法,以及計算病理學的臨床應用、潛在的障礙和未來的方向。


              引言

              人工智能(AI)是指編程計算機系統模擬人腦思考以及模仿他們的行為,比如學習和解決問題的能力。人們期望人工智能能夠執行一些需要人類智能的任務,比如視覺感知,決策和溝通?;贏I的計算病理學作為一門新興學科,最近在許多高質量的醫療領域為患者提供了更準確更適用的醫療服務。這一領域的主要優勢和局限性在于:(1)經驗豐富的病理學家缺乏和全球健康醫療資源的局限性;(2)可用健康數據的不斷增加擴張,包括患者診斷治療過程中產生的數字圖像、組學、臨床記錄、病人的人口統計信息; (3)為更好治療病人,管理和整合不同來源數據的復雜性增加;(4)為處理大數據,需要對基于機器學習的算法進行高效研究。人工智能技術如何處理在整個患者護理生命周期中產生的大量數據,以改善疾病的病理診斷、分類、預測。


              計算病理學的最大優勢在于減少診斷和分類錯誤。2016年CAMELYON大挑戰(CAMELYON16挑戰)是一個全球性的基于機器學習的程序,其用于評估蘇木精和伊紅染色(H&E)全片成像(WSI)上新的腫瘤自動檢測算法,這已經取得了腫瘤檢出率92.4%的優異成績。相比之下,病理學家的腫瘤檢出敏感性僅為73.2%。計算病理學有潛力去改變傳統的病理學核心功能,而不僅僅是增長例如數字病理學、分子病理學和病理信息學的這些分支。計算病理學的目的在于提高診斷的準確性,優化病人護理,并通過帶來全球合作來降低成本。隨著科技的飛速發展,個性化精準醫療應運而生,而病理學是實現這一目標的關鍵因素所在。


              數字病理學,機器學習和計算病理學


              明場和熒光切片掃描器的發展使全視野切片虛擬化和數字化成為可能。數字病理包括了在數字化組織病理學、免疫組化或細胞切片方面使用全視野切片掃描儀,以及使用計算方法對這些數字化切片圖像進行解釋、管理和分析。切片數據可以存儲在一個中央云空間中,允許遠程訪問信息以供病理學家人工審查或數據算法自動檢查。它使人工智能(計算科學中產生數據算法的一個分支),應用于病理成為可能?;谥悄艹潭?,人工智能目前主要可以分為兩類:弱AI和強AI。弱AI,又稱人工窄智能,指的是基于經過完善的統計模型(即已經過訓練執行了特定任務)對數據進行分類。相比之下,強人工智能,又稱通用人工智能(AGI),其通過從任何可用規范化數據來進行機器學習,從而創建智能并獨立運行的系統。


              一般來說,機器學習是指計算機系統對數據集中自動學習和改進、無需指令就能解決問題的人工智能過程。機器學習是使用了大量源數據、訓練集以建立統計算法來運行新數據的AGI的高級分支。目前,各種基于機器學習的方法已經在病理中開發和測試,以利用基本形態模式來輔助病理診斷,比如癌細胞,細胞核,細胞分裂,導管,血管等。深度學習(也稱深度結構學習),是基于人工神經網絡(ANNs)機器學習的子領域,根據輸入的訓練數據建立統計模型。深度神經網絡為深度學習提供了架構。類似生物學人類大腦的復雜神經網絡,ANNs可以自行判斷它的解釋或預測是否是正確的。ANNs由三個功能層的人造神經元組成,稱為“節點”,其中包括一個輸入層,多個隱藏層,和一個輸出層。ANNs的人造神經元是相互聯系的,他們的力量聯系被稱為“權重。其中神經網絡之間的聯系可用統計學方法進行評估,包括聚類算法、k -最近鄰、支持向量機(SVM)和邏輯回歸。這涉及到人工神經元,它們與輸出事件及其相關聯系有關,承載不同“權重”,需要通過訓練合格的大數據集來實現的特定任務優化算法(圖1)。卷積神經網絡是一種專門為視覺圖像設計的深度多層神經網絡。它使用卷積核和一組可學習的過濾器來建立池化層,以便于有效地減小圖像數據的尺寸,同時仍然保留其特性(圖2)。通過壓縮圖像,移除或減少尺寸,卷積核起到預處理的作用,然后計算機視覺和機器視覺模型再對數字圖像,或圖像的部分進行處理、分析和分類到已知類別。


              基于更快更可靠的切片掃描技術發展,WSI數據可以訓練和驗證卷積神經網絡模型。結合臨床信息、生物標志物和多組數據,計算病理學將成為新護理標準的一部分。計算病理學不僅有利于更有效的病理學工作流程,還提供了更全面的個性化視圖,幫助病理學家解決復雜疾病,改善病人診斷治療進展。


              圖一



              圖二



              圖三

              算法訓練過程

              病例選擇

              患者的選擇是算法訓練的第一步(圖3)。訓練集和驗證集必須包括所有與疾病主題相關的樣本類型或變體,包括分期、分級,組織學分類,并發癥等,以消除假陰性和假陽性情況。算法仍非常依靠機器驅動過程,其無法識別沒有包含在訓練集中的變體,因此需要經驗豐富的病理學家和計算團隊選擇樣本的標準和之后的學習集切片,隔離和移除混淆變量。例如,如果患者患有其他疾病的醫療狀況,就可能會干擾到結果。此外,不充分的切片準備,包括視野模糊,染色過度或不足,有氣泡,以及組織折疊,都會產生不準確的算法。并且算法訓練應收集全面的初始和隨訪臨床信息,以及實驗室結果。信息越相關,得到的算法就越精確。


              全視野數字切片圖像 (WSI)


              幾家切片掃描系統的全視野數字切片圖像已獲美國食品和藥物管理局(FDA)批準用于臨床。第一個FDA批準的超快掃描儀,飛利浦IntelliSite病理解決方案(PIPS),其分辨率為0.25 μm/像素,掃描15 x 15 mm的掃描區域所需時間為60s,裝載300張切片的掃描容量。徠卡生物系統公司的Aperio AT2 DX系統,明場和熒光載片有400片容量。適用分辨率的數字圖像的文件大小取決于玻片上的掃描區域。一般來說,病理圖像尺寸很大,范圍為每個圖像1-3 GB。因此,它需要一個高容量的、快速的數字工作計算機,其達到臨床認可算法所需的切片數量因組織類型和診斷而異。Campanella等人指出,至少需要10,000張切片才能達到良好的訓練效果。同時Campanella還觀察到徠卡Aperio掃描儀和PIPS之間預測存在差異性,并發現亮度,對比度和銳度會影響預測性能。


              圖像分析與自動化


              Senaras等人對數字切片分析闡述了新的深度學習框架,即DeepFocus,其能自動識別數字切片的模糊區域,進行快速重新掃描,為病理學家和圖像分析算法改善圖像質量。Janowczyk等人提出了一個開源工具,即HistoQC來評估顏色直方圖、亮度和對比每一張切片,并確定隊列水平的異常值(例如,與同組中其他切片相比,染色顏色更深或更淺)。這些方法在質控中起著至關重要的作用,以標準化計算病理學中圖像的質量。由于不同智能圖像識別算法鑒別器的改進,基于大容量深度神經網絡模型,病理學家可以從大量的手動標注(即手動對像素級的全視野圖像進行標注)中解脫出來,而專注于臨床工作流程的其他部分?;趐atch的全視野數字切片圖像 (224 × 224 ~ 256 × 256) 已被廣泛應用于許多機器學習領域,為診斷或預后任務訓練分級器。例如,Campanella 等人采用基于卷積神經網絡和遞歸神經網絡的“包”和“示例”的多示例學習方法(MIL),來對關于前列腺癌圖像的H&E切片進行分類。Kapil等人應用深度半監督體系結構和輔助分類生成式對抗網絡,其中包括一個生成網絡和一個識別網絡,實現了對非小細胞晚期肺癌穿刺活檢免疫組化切片PD-L1表達的自動分析。Barker等人揭示了彈性網絡線性回歸模型和加權了表決系統,來區分多形性膠質母細胞瘤與低級別膠質瘤,其準確率達93.1%。


              病理醫生為中心的醫療系統


              盡管大多數數字病理學和放射學的人工智能研究仍然集中在對腫瘤進行檢測和分級上,計算病理學并不局限于形態模式檢測。它也有助于人口統計信息、數字病理學、組學和實驗室結果分析和判斷。因此,人工智能有潛力幫助幾乎所有方面的臨床工作流程,從診斷到預后和個體化治療都有所助益。多種來源的臨床數據被納入轉化為數學模型來產生診斷推論以及預測,讓醫生、病人和實驗室人員能夠做出最好的醫療決定。例如,深度神經網絡已經被應用于生物標志物自動標注乳腺腫瘤圖像,例如HER2, ER和Ki67。Hamidinekoo等人創建了一種基于卷積神經網絡的新算法,即乳房X線照相術-組織學-顯型-連接模型,來連接和繪制乳房x光檢查異常及其組織病理學表征之間的特征和表型。Mobaderany等人開發了基因存活卷積神經網絡模型,以整合從組織學圖像和基因組獲得的信息,來預測事件發生時間的結果,對比目前臨床樣式對確診鼻膠質瘤患者的總生存率所做出的預測更為準確。


              因為電子健康記錄(EHR)系統收集了患者年齡、種族、性別、社會史、臨床史等醫學數據,因此采用合適的算法,將這些數據作為獨立因素應用于某一特定疾病是可行的。這些綜合數據使病理學家能有更深刻的見解,并能夠在疾病的不同階段或不同狀態的病人切換不同的算法進行治療。隨著移動設備和智能個人設備上的相關健康應用程序的普及,連續實時的健康信息可以直接被獲取,如溫度、心率、呼吸頻率,心電圖,體重指數,血液血糖和血氧含量,這些都可以記錄到個人健康數據。然后這些數據就可以被合并進電子病歷和實驗室信息系統(LIS),重建虛擬和數字化的患者數據,這在過去是無法實現的,也超越了人腦限度。這種新的數據驅動的醫療系統需要病理學作為現代醫學的基石,整合數據、算法和分析來提供高質量的、有效的護理。計算病理學和大數據挖掘的結合提供了一種可能性,即創造一種基于事實的、個性化醫療的革命方式。


              全球病理服務模型


              近年來三大方面取得了重大進展:網絡存儲到云存儲的儲存大量數據可能性,網絡從WIFI-6到5G的增長速度,高性能中心處理單元(CPU)和圖形處理單元(GPU)。這些技術進步不僅提高了人們的生活水平,在日常生活中對醫學也有很大影響,特別是數字和計算病理學。隨著網絡和信息技術的迅猛發展,這些技術的進步使得醫療和計算資源集中化—受益于優化算法所用的更大樣本數據量。此外,基于云的中央人工智能實驗室和數字計算病理學的數據庫也使全球網絡計算病理成為可能。在本地實驗室或集中的掃描中心,可以將組織學切片轉換為全片圖像和數字數據。這些數據可以轉到中心實驗室,利用電子病歷數據和多組數據進行進一步分析(圖4)。全世界不同地理區域的患者可以更快得到診斷、治療和隨訪。與此同時, 病理學家能夠獲得他們需要的信息,隨時照顧病人以及隨時與任何地方的專家進行合作診斷治療。深度學習平臺有潛力發現更復雜或更微妙的聯系,并幫助病理學家做出最好的臨床診斷,以滿足病人需求。

              圖四


              人工智能病理示例


              人工智能檢測越來越多地被應用于不同樣本類型的子領域。早期的人工智能輔助系統報告較高的準確性,為幾乎所有計算病理學的子專業奠定了基礎。


              前列腺癌


              Campanella等人驗證了基于網絡的高容量深度神經算法,用于圖像分類和分析,其分類了44732全視野數字切片圖像,橫跨三個不同類型的癌癥,包括前列腺癌,基底細胞癌和轉移到腋窩淋巴結點的乳腺癌。至于全視野數字切片圖像,他們發現五倍放大率下圖片精度更高。他們訓練了一個統計數據模型,其包含了每個組織類型基于MIL的分類器,實現了所有癌癥類型的ROC曲線下的面積(AUC)面積高于0.98。其臨床應用能使病理學家排除65-75%的切片而保留100%的敏感性。Wildeboer等人討論了基于不同成像源的深度學習技術:磁共振成像、超聲成像中的回聲反射性;以及前列腺癌的計算機輔助診斷工具:計算機斷層掃描中的放射密度。他們發現卷積神經網絡架構的算法表現同等于甚至優于SVM或機器學習中的隨機森林分類器。


              結直腸癌


              Korbar等人開發了多種深度學習算法,這是殘差網絡架構的改進版本,可以準確地對五種類型的結直腸息肉的全視野數字切片圖像進行分類,包括增生性、無根鋸齒型、傳統鋸齒型、管狀和管狀絨毛/絨毛型息肉。在2074張圖像中,90%的圖像用于模型訓練,其余10%的圖像被分配到驗證集。結直腸息肉分類的總體準確率為93%(置信區間(CI) 95%,89.0-95.9%)。Bychkov等人基于420名結直腸癌患者的組織芯片(TMA)樣本,將卷積神經網絡和遞歸神經網絡結構結合起來,預測結直腸癌預后。結果表明,基于深度神經網絡的結果預測表明AUC為0.69(風險比(HR),2.3; CI 95% , 1.79 -3.03)。作為比較,病理專家在兩個TMA樣本(HR, 1.67; CI 95%, 1.28 -2.19; AUC, 0.58)和全視野切片水平(HR, 1.65; 95% CI, 1.30 - -2.15; AUC, 0.57)上的表現都較差。這意味著比起經驗豐富的病理學家,深度神經網絡能夠從結直腸癌組織形態中提取更多的預后信息。


              乳腺癌


              CAMELYON16挑戰賽的冠軍團隊Wang等人,從乳腺前哨兵淋巴結的WSI正、負區域輸入256x256像素塊,訓練各種類化模型,包括GoogLeNet Patch、AlexNet、VGG16和FaceNet。塊分類準確率分別為98.4%、92.1%、97.9%和96.8%。在算法中,GoogLeNet的性能最好,總體上更快更穩定,對WSI的分類AUC為0.925。在深度學習系統的幫助下,病理醫生診斷的準確率顯著提高,AUC從0.966提高到0.995,人為錯誤率降低了約85%。此外,CAMELYON16和CAMELYON17挑戰的標注WSI數據集的資源開放,使得測試數字病理學的新機器學習和圖像分析策略成為可能。


              細胞學


              Martin等人應用卷積神經網絡將宮頸細胞學圖像分類為五個診斷類別,包括上皮內病變或惡性病變陰性、意義不明的非典型鱗狀細胞、低級別鱗狀上皮內病變、不能排除分級鱗狀上皮內病變的非典型鱗狀細胞和高級別鱗狀上皮內病變,其準確率分別為56%、36%、72%、17%和86%,這意味著卷積神經網絡能夠學習細胞學特征。在另一項細胞病理學研究中,作者使用形態測定算法和基于VGG-19的語義分割網絡,TPS尿液細胞病理學對尿液細胞學全片圖像進行的分類顯示,靈敏度為77%,假陽性率30%,AUC為0.8。


              新冠病毒


              在新冠肺炎疫情爆發期間,遠程醫療和計算機輔助醫療正在迅速進入許多國家的市場。高傳染性、系統性風險和社會孤立給傳統醫學帶來了意想不到的挑戰。 應用基于人工智能的計算機輔助醫學和電子病歷的臨床數據,包括人與人之間交互的個人臨床風險因素和各種各樣的社會數據,可以更優質和更安全的快速控制這一公共衛生突發事件。


              幾家人工智能公司一直在研發應對新冠病毒的產品。 例如,韓國JLK檢驗公司正在整合逆轉錄聚合酶鏈反應(RT-PCR)結果、影像學檢查和通用AI平臺提供新冠病毒診斷,美國馬薩諸塞州Persivia 公布了基于Soliton AI引擎的新型監測模塊,用于識別和警告疑似新冠病毒陽性患者。馬薩諸塞州Biofourmis 開發了一個名為Biovitals Sentinel的分析平臺表格,該平臺提供24/7遠程監測,以識別早期臨床惡化,并使早期干預成為可能。Schaar等人描述了機器學習提高COVID-19隨機臨床試驗效率的有效性:它能夠從指定的亞組別中加速招募受試者,并將受試者分配到治療或對照組,其可以顯著減少錯誤,所需患者也更少。


              挑戰


              盡管機器學習在計算病理學中取得優異成果,并對此頗有助益,但在深度機器學習臨床運用之前,以下問題仍需解決。


              標準化和規范化


              數字病理中全片圖像的成功適配,很大程度上取決于準備高質量病理切片的每一步,包括包埋、切割、染色、掃描。切割時組織切片的折疊,覆蓋切片時染色變化和氣泡的存在,掃描時亮度、強度的差異,平均顏色和邊界強度的不同設置都可能導致原始數據不可靠,而產生不準確的結果。協議和系統質控需要標準化,來減少來自于不同儀器的系統誤差和隨機誤差,因為大數據的一個小小誤差就可能導致誤分類和改變切片預測方向,而這可能導致大量的假陽性或陰性結果。不同的開發人員通過不同的模型分析數據用于生成算法。積累的數據越多,算法就越精確,特別是針對罕見疾病和特定的小群體。采用標準數據格式和數據分析的歸一化方法,將不同來源的連續數據集并成一個算法,因為不同的數據源可能會導致實踐中的分類準確性不同。醫學數字影像通訊 (DICOM) 制定了包括放射學在內的醫學影像標準 (www.dicomstandard.org)。它定義了醫學圖像的格式,使其與臨床所需的數據和質量匹配?!?/span>DICOM標準”現在結合了新方法來處理平鋪大圖像:使之轉換為不同的分辨率的多個框架圖像和多個圖像,然后通過這種方法來處理WSI。


              在計算病理學中的作用


              計算病理學不僅在醫學研究中很重要,而且在臨床實踐中也不可或缺。為了實現這一目標,需要不同領域的專家參與到計算病理項目中去,包括數據科學家,如用于算法設計和架構的統計學家和生物信息學家,物理環境建設和硬件維護的工程師。其中, 病理學家在向開發團隊介紹醫學問題和臨床應用以及在下游行業發展方面發揮著關鍵作用。在計算病理學中,病理學家不僅需要扎實的臨床知識和經驗,還需要統計分析和數據挖掘的能力,以彌合臨床醫學和人工智能之間的鴻溝,以便突然發生疾病或發現新的生物標志物時,病理學家可以快速反應,亦或是創建一個新的算法或優化現有的算法,以協助臨床醫生。此外,有著計算思維的病理學家能夠了解數據分析過程中的潛在問題,因而可以清楚地解決臨床問題。團隊成員之間良好的溝通有助于設計出更高效的算法,因為盡管會生成相同的結果,不同編碼方法的算法,特別是使用大數據時,會消耗不同的計算資源和時間。此外,人工智能病理學通過整合器官、組織學、細胞和細胞器層面的形態學和組學數據的分子細節,為實驗病理學提供了極好的工具。


              硬件局限


              計算病理學應用的準確性在很大程度上依賴于大量的數據、可靠的硬件軟件以及網絡環境的支持。大的圖像文件(每次掃描大約3 GB)需要大量的存儲空間,并具備本地和云備份能力。此外,機器深度學習解決方案,特別是應用于病理圖像分析時,嚴重依賴于圖形處理單元(GPU,計算機圖形卡上的一個芯片,用于快速操作圖形和處理圖像)。強大的GPU可以與CPU結合能夠使性能顯著提升,以提高計算能力并減少周轉時間。無論是數據傳輸還是基于云的圖像處理,內部網和互聯網的數據帶寬都成為一個瓶頸,限制了上傳和下載的速度。只有當網絡中的所有這些相關的元素都得到發展,并發展成為一個強大的的系統時,計算病理學才能向前推進,來幫助解決復雜多方面的醫學、臨床問題和研究任務。最后,FDA作為醫療器械的許可(510k)是確保臨床可靠性和病理界接受度的關鍵所在。


              道德


              在基于人工智能和機器學習的計算驅動決策過程的新時代,計算病理學涉及到臨床病史、組學數據、生活環境、社會習慣等大量信息的更加復雜的交互。很有可能,參與這些決策過程的專家將不再僅僅是病理學家。相反,決策小組將包括數據統計學家和生物信息學家等其他專家,而這可能會引發倫理問題。診所、實驗室和數據庫之間大規模、敏感的健康數據傳輸可以實現更高的精準醫療,但同時也增加了安全漏洞。而為保護患者隱私和個人數據的嚴格政策又阻礙了計算病理學訪問健康數據庫,因此這需要創建更全面的訓練數據集?!锻ㄓ脭祿Wo條例》于2018年5月在歐洲頒布,向處理歐盟公民數據用于科學研究的組織提出了新的要求。這一概念強調了相應的方法來規范計算病理學相關的安全和倫理問題,同時又不過度限制創新,這是困難的但又關鍵的一點。


              未來的前景


              醫療領域的技術創新發展迅速,如智能健康跟蹤器、醫療實踐中的診斷算法,已融入到我們的日常生活中。隨著數字病理學、分子病理學和信息病理學的快速發展,計算病理學越來越多地涉及肺、腎、胃腸、神經、婦科等多個分支學科。我們認為,人工智能的初始階段將從診斷特定癌癥和組織類型分類等具體任務開始,而這需要簡單明了的標準。例如,前列腺良性和惡性腫瘤的常見亞型和變異應包括在培訓和驗證中,以確保日常病理實踐的可行性。隨著時間的推移,收集的數據會更多,計算能力會更強大,人工智能的臨床應用將會更加廣泛,處于灰色地帶或被人工智能標紅的非特定病例將會減少。


              日益增長的醫學數據,包括基因組學、蛋白質組學、信息學和全片圖像,有望整合為一個數據豐富的病理學,并加速人工智能輔助計算病理學的發展和繁榮。盡管目前仍存在許多挑戰,但借助數字病理學技術和統計算法的部署,計算病理學將繼續改善臨床工作流程,改善病理醫生和患者護理團隊其他成員之間的協作。網絡環境基礎設施的改善、計算能力的增強和信息的廣泛整合,為計算機病理學和協同數據模式開辟了新的視野,使云計算的中心實驗室和數據庫盡可能以更低的成本為患者提供更好的護理。


              結論


              在深度學習輔助病理的新時代,數據庫、集成化、云實驗室正成為病理日常實踐的重要組成部分。 此外,病理學家、數據科學家和業界正開始將基因組學、蛋白質組學、生物信息學和計算機算法一起整合為大量復雜的臨床信息。通過這一過程,計算病理學可以為疾病的診斷、預后和治療提供有價值的見解。雖然還面臨著許多技術和倫理方面的挑戰,但計算病理學作為一個協同系統,將促進工作流程,使臨床團隊能夠在更廣闊的平臺上共享和分析圖像數據。

              目前,深度學習已用于解決越來越多的醫學領域的專業化任務。以上討論的幾項研究表明,算法輔助不僅有潛力提高診斷的敏感性和準確性,而且還可以提高周轉時間。此外,根據Sarwar等人的研究,全球59個國家約75%的病理學家對使用人工智能作為診斷工具感興趣??偠灾?,盡管有挑戰和障礙,計算病理學有潛力改變和改善當前的醫療保健系統,這是十分有前景的。


              本文縮寫詞和專業術語參考

              AI:人工智能;計算機科學的一個分支,用于處理通常需要人類智能的任務。

              ML: 機器學習;人工智能的一個分支,統計算法通過接觸有代表性的數據來建立自己的模式,并對新數據進行解釋和操作。

              SVM: 支持向量機;一種統計方法,通過訓練以最大可能的差距區分數據的類別。

              RF: 隨機森林;一種使用決策樹網絡對數據進行分類的統計方法。

              k- NN: k-最近鄰;一種基于k近鄰數的數據分類和回歸的統計方法。

              DNNs: 深度神經網絡;也被稱為深度學習(DL),它是機器學習的子集,使用復雜的多層架構,包括多個隱藏層和大量節點連接。

              ANNs: 人工神經網絡;一組基于深度神經網絡分層互連的人工神經元,以探索更高層次的特征來模擬生物大腦??捎柧殔祩€數≥10萬。

              RNNs: 遞歸神經網絡;一種人工神經網絡,隱藏層內節點之間的連接是循環的。

              CNNs: 卷積神經網絡;一種專門為機器視覺領域設計的人工神經網絡,在圖像識別和分類等圖像分析領域的應用最為廣泛。

              CV: 計算機視覺;快速準確地分析數字圖像的趨勢和模式,模仿生物視覺。

              MV: 機器視覺;在速度和準確性方面與CV類似,但應用主要集中在效率方面,如自動檢測,機器人引導過程。

              AUC: ROC曲線下的面積;由ROC曲線下的面積(從0.5(最低)到1(最高))來進行測量性能。

              GoogLeNet: 谷歌為計算機視覺和分類而創建的CNN模型。

              FaceNet: 用于人臉識別和分類的CNN模型。

              AlexNet: 由Alex Krizhevsky設計的CNN模型,并在2012年ImageNet大型視覺識別挑戰賽中獲得了前五名。

              VGGNet: 由牛津大學視覺幾何組(VGG)創建的CNN模型,并在2014年獲得ImageNet大型視覺識別比賽的亞軍。


              返回列表

              ? 2011-2018 KFBIO 寧波江豐生物信息技術有限公司 All Right Reseved 浙ICP備11052806號-1    (浙)-非經營性-2020-0113

              天天射天天爱天天射干综合网_天天射天天爱天天射干综合网i