深度学习模型识别耳部疾病，准确率提升至95%

耳科疾病作为一种常见病，如果不及时治疗，可能会留下一些负面影响，如听力障碍。Pichichero Poole研究发现，514名儿科医生诊断耳炎的平均准确率仅为50%。如果没有辅助工具的帮助，诊断耳部疾病对于非耳鼻喉科医生来说是有难度的，很容易出现诊断失误。
基于这种情况，迫切需要找到一种新的诊断策略来提高诊断准确性，深圳宝安人民医院的研究团队开发了一款基于耳镜的耳科疾病诊断实时深度学习系统。该研究成果发布在Nature旗下的综合期刊Scientific Reports。
近年来，深度学习作为一种很有前途的图像识别或分类方法，是图像自动感知、处理和决策的基础，长期以来一直是计算机视觉领域的热门话题，已广泛应用于耳朵和听力疾病分类。
基于41056名患者的20542张标记耳内镜图像数据集，研究团队分别建立了80%和20%的图像训练集和验证集。
然后在四卡的高性能计算服务器上使用深度学习框架PyTorch进行迁移学习网络模型训练，将训练集的鼓膜图像样本和EAC图像样本特征输入到深度神经网络中进行分类，并在验证数据集上观察12个训练模型的性能。（内镜图像混淆矩阵和灵敏度-特异性曲线）
最后选择2个最优模型构建集成分类器，设计并开发了耳疾实时自动识别系统，其分类准确率达到了95.59%。（模型的学习曲线）
研究表明，基于耳镜的耳科疾病诊断实时深度学习系统在未改变耳镜、视频序列的情况下，可以实现对鼓膜和外耳道疾病的高准确度分类。

算力不足，就找北鲲云

随着深度学习的广泛应用，算力需求也迅猛增长。传统的人工智能算法往往由单台机器进行CPU计算即可完成，而深度学习算法往往需要采用GPU等加速部件，动辄几台机器，甚至十几台机器同时运算，才可以完成一个模型的计算，常常因为算力资源不足,而拖延项目研究的整体进度。

北鲲云自主研发了一站式云超算平台，该平台通过对AWS、阿里云、腾讯云、微软云、谷歌云、华为云等主流公有云的资源整合，配合独有的并行计算调度管理模块，能为用户快速构建与安装部署一个“独享式“云端超算中心资源，提供从数据、软件到算力的全流程服务，帮助研发团队解决算力不足问题，有效地缩短研究周期。

 联系我们免费获取2000核时算力体验券 

 立刻开启云上高性能计算 

- END -

推荐阅读

点“阅读原文”查看研究报告