歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
國立陽明大學 生物醫學資訊研究所 黃彥華所指導 段惟芳的 利用機器學習和深度學習技術對神經傳導數據進行分類 （2019），提出sncv醫學關鍵因素是什麼，來自於神經傳導研究、機器學習、深度學習、生成對抗網路。
利用機器學習和深度學習技術對神經傳導數據進行分類
為了解決sncv醫學 的問題，作者段惟芳 這樣論述：
周邊神經病變是涉及周圍神經系統的疾病的統稱，在診斷上，神經內科專科醫師評估這些疾病，會從神經及肌肉進行各不同電生理學的測量，例如運動/感覺神經傳導速度（Motor nerve conduction velocity/Sensory nerve conduction velocity），複合肌肉動作電位（Compound muscle action potential - CMAP）和感覺神經動作電位（Sensory nerve action potential - SNAP）。然而，這些數據的判讀過程，不但耗時，而且也需要資深且經驗豐富的神經生理學家，做出最後的判斷。在這項研究中，我們旨在開
發基於機器學習和深度學習的計算模型，以使用Nerve conduction studies (NCS) 數據對特定的周圍神經病變（即中位神經病變）進行分類，期望能夠輔助臨床的診斷的效率。本研究所使用的數據資料，是由台北榮民總醫院神經內科取得了已去識別化的資料，來進行研究，包含了6,235筆正中神經的NCS的特徵數值資料、以及1,718筆正中神經的原始波形資料。對於NCS特徵數值資料，我們應用了多種機器學習方法，其中XGBoost顯示出最佳性能，並且我們應用了超參數調整和特徵篩選，以進一步提高XGBoost模型的性能，最終模型準確度達到~96.1%，和Matthew correlation co
efficient (MCC) 92.1%。另外，我們對於NCS波形數據，使用了針對918個運動神經波形的一維卷積神經網路（One-dimensional convolutional neural networks - 1DCNN）的自動編碼器（Autoencoder - AE），使用帶有幾個額外密集層的AE模型的編碼器進行轉移學習，以在其餘400個感覺神經波形數據上創建分類器模型（90％用於訓練，10％用於測試）。準確性，精確性，召回率和F1分數用作所有模型的評估指標。轉移的學習模型顯示出更穩定的性能，準確度和MCC得分的平均值分別為88.1%和75.1%。其次，我們應用生成對抗網路（Gen
erative adversarial networks - GAN）生成NCS中線的常態曲線數據，並構建無監督的異常檢測模型。結果表明，深度卷積GAN（Deep convolutional GAN - DCGAN）適用於數據生成。 Sparse-GAN在無監督異常檢測上也表現出良好的性能，其準確度，靈敏度和特異性分別為86%、90%、65%。綜合以上各項結果，我們提出的方法在中位NCS數據上顯示出優異的結果。未來的工作將集中在通過增加數據量，以及將這些結果擴展到其他周圍神經（如尺神經和腓神經）來改善當前模型的性能。