文献阅读(44)—— 基于眼底照的近视深度学习算法和区块链平台,以促进人工智能医学研究:回顾性多队列研究

基于眼底照的近视深度学习算法和区块链平台,以促进人工智能医学研究:回顾性多队列研究

Retinal photograph-based deep learning algorithms for myopia and a blockchain platform to facilitate artificial intelligence medical research: a retrospective multicohort study
文献阅读(44)—— 基于眼底照的近视深度学习算法和区块链平台,以促进人工智能医学研究:回顾性多队列研究_第1张图片
IF = 36.615/Q1

文章目录

  • 基于眼底照的近视深度学习算法和区块链平台,以促进人工智能医学研究:回顾性多队列研究
    • 先验知识/知识拓展
    • 文章结构
    • 文章结果
    • 方法
    • 总结
      • 1. 文章优点
      • 2. 文章不足
      • 可借鉴点/学习点?

先验知识/知识拓展

  • 到2050年,世界上将会存在20%的高度近视患者有明显的视力威胁并发症风险。
    在这里插入图片描述
  • 对于许多发变得深度学习的文章,都存在一个问题就是结果的不透明性。区块链技术可以避免这一问题的,以分散、安全和可信任的方式作为数据管理的共享记录,并未测试结果的报告提供了可追溯性和可审核性。
  • 将深度学习和区块链结合不但可以提升效率而且可以有效的解决研究中的数据安全和隐私问题,增强AI医疗研究的效能
  • 联邦学习(Federated Learning)是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算节点之间开展高效率的机器学习的一种新兴人工智能基础技术,与分布式机器学习不同的是联邦学习需要一种去中心化分布系统来保证用户的隐私安全,在保障数据安全和交换、训练效率前提下进行有效的机器学习。
  • 区块链作为一个去中心化、数据加密、不可篡改的分布式共享数据库,可以为联邦学习的数据交换提供数据保密性来对用户隐私进行保障,保证各参与方之间的数据安全,也可以保证多参与方提供数据进行模型训练的数据一致性区块链的价值驱动激励机制也能够增加各参与方之间提供数据、更新网络模型参数的积极性。基于区块链的应用优点,目前已经有一些应用区块链的联邦学习系统提出。

文章结构

  • summary

  • introduction

  • 方法

    • 课题设计
    • 近视黄斑病变和高度近视的定义
    • 深度学习算法的架构
    • 训练,验证和测试数据集
    • 深度学习算法与人工的性能比较
    • 课题数据的自动分级
    • 区块链AI平台
    • 统计学分析
  • 结果

  • Discussion

文章结果

使用深度学习模型对近视黄斑变性进行分级(META-PM标准),对高度近视进行判断(是否),模型在新加坡的数据集上进行训练和验证,在中国,台湾,印度,俄罗斯和英国的数据集上进行测试。此外在分类的任务上,在外部数据集上将机器的预测结果与人工标注的结果做了对比,此外使用一个基于区块链的人工智能平台,在新加坡和中国的三个站点演示了安全数据传输,模型传输和模型测试的真实应用。

  • 提出了一个在近视黄斑病变分类上鲁棒性不错的模型,在黄斑变性检测上的AUC为0.969 ,在高度近视的检测上AUC为0.913.
  • 无论使用SE还是AL作为高度近视的衡量指标,对高度近视的潘墩准确性也很高
  • 深度学习的性能也比人工标准的好
  • 在新加坡的没有人工标注的近视黄斑病变的数据上进行测试,发现在不同种族中的效果和之前报告的具有一致性
  • 使用区块链实现在不同的城市的站点进行数据传输,模型传输和模型测试,做到数据的隐私
    文献阅读(44)—— 基于眼底照的近视深度学习算法和区块链平台,以促进人工智能医学研究:回顾性多队列研究_第2张图片

方法

  • 使用模型:Resnet101用于近视黄斑病变的分级检测,另外两个模型分别使用SE和AL检测高度近视(也都是resnet101)

总结

1. 文章优点

看完文章觉得有几个很吸引人的,应该也是发高分的点

  • 首先整合的数据量很大,考虑了不同区域的16个种族的,即使是单纯的统计学分析都会有很大亮点,但是他整合的还是图像数据,22w+的图像数据,所以——资源型很占优势
  • 其次,这篇文章我觉得与其说区块链,思想更像是联邦学习,所以你这两个的到底什么区别,在先验知识部分写

2. 文章不足

  • 在对近视黄斑变性的分类问题上,依然使用二分类问题,没有进一步细化为具体属于哪一类。作者的解释是:眼底图像中的近视黄斑病变病灶很小,(确实这会增加分类的难度)
  • 虽然深度学习模型可以检测近视黄斑变性,但是无法检测青光眼或者其他眼部疾病,此外虽然可以检测出脉络膜新生血管瘤,但是无法确定是什么原因导致的。——这是无疑的,很多深度学习在医学领域上的可解释性都很弱

可借鉴点/学习点?

自己对区块链和联邦学习有了一点更深的理解,区块链是联邦学习的载体,它是一个中心化分布式数据库。更深入的了解下去再进行。有一篇文章不错,需要自取,讲区块链和联邦学习的。

  • 为什么别人可以发大文章??首先实力摆在那里,其次充分利用资源,合作,这篇文章能发36+分,其实背后三个大机构起步就是20+了,再加上资源的宽泛,更是加分项,最后可以把计算机方面的知识,实打实的考虑到实际应用,因为医院数据或者是身体指标性的数据,一般是牵扯到伦理的,有一定的隐私性,所以作者开发了一个中性化分布式的数据库,去避免隐私问题,这才是计算机真正在其他领域的应用,而不是为了发文章,为了迎合“潮流”而将任何问题都和深度学习,机器学习,AI套在一起。
  • 其实文章使用的模型是现在计算机领域已经提出很久的模型,而且做的工作也是一个重复性的工作,像对近视黄斑变性的分类以及高度近视的检测,分类问题属于两个2分类,是不是近视黄斑变性?是不是高度近视?这些研究早些年已经有很多人做过,但是他们有相当大的数据作为训练和验证数据,这必定会有一个理想的效果,此外最重要的是:区块链就是质的提升,在原来平平无奇的基础上增添了一番姿色。

你可能感兴趣的:(文献阅读,深度学习,人工智能,区块链)