【论文笔记】（一）Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning
论文名称：
Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning
发表期刊：
Cell，2018
主要工作：
提出基于深度学习（CNN）和迁移学习（Transform Learning）的诊断模型，将其用于眼底疾病的分类，并验证该模型在儿童肺炎的诊断上的泛化性能
数据：
- 训练集：108312张OCT图片，其中37206张新生血管（choroidal neovascularization），11349张糖尿病性黄斑水肿（diabetic macular edema），8617张脉络膜小疣（drusen）和51140张正常无病变（normal）图像。这些数据来源于4686例病人
- 测试集：1000张图片（每类250张），来源于633例病人
模型：
普通的卷积神经网络+迁移学习
实验一：
将新生血管（choroidal neovascularization）和糖尿病性黄斑水肿（diabetic macular edema）病人视为紧急病人（urgent referrals）；将脉络膜小疣（drusen）视为常规病人（routine referrals）；将正常无病变图像作为对照组（observation）。进行多分类的测试实验。
实验结果： achieved an accuracy of 96.6%, with a sensitivity of 97.8%, a specificity of 97.4%, and a weighted error of 6.6%.
实验二：
训练了一个 “limited model”，只使用了1000张图片作为训练集。
实验结果： achieved an accuracy of 93.4%, with a sensitivity of 96.6%, a
specificity of 94.0%, and a weighted error of 12.7%.
实验三：
二分类模型。分别测试了模型区分choroidal neovascularization / diabetic macular edema / drusen 与normal的性能。
实验结果：
- choroidal neovascularization / normal： achieved an accuracy of 100.0%, with a sensitivity of 100.0% and specificity of 100.0%.
- diabetic macular edema / normal： achieved an accuracy of 98.2%, with a sensitivity of 96.8% and specificity of 99.6%.
-
drusen / normal： achieved an accuracy of 99.0%, with a sensitivity of 98.0%
and specificity of 99.2%.
与人类专家比较：
模型的weighted error 为6.6%， 五位人类专家的weighted error 为 0.4% to 10.5%，平均为4.8%。
Occlusion Testing：
通过Occlusion Testing来绘制关于模型决策的heatmap。heatmap值大的像素代表该像素对于模型决策的贡献度高，反之亦然。
将模型应用于儿童肺炎检测：
- 用于测试模型的泛化性能
- 细菌性肺炎和病毒性肺炎二分类，achieved an accuracy of 92.8%, with a sensitivity of 93.2% and a specificity of 90.1%