面向医学检验数据分析的增强深度学习预测模型

为了提升疾病早期筛查的准确性,文中基于临床检验数值、CT图像等数据对计算机辅助诊疗技术进行了研究。由于医疗图像存在伪影严重和边缘模糊的问题,若采用传统的深度学习算法(DL)需要增加网络深度,这对计算机的算力与训练样本数量均提出了更高的要求。为了克服上述问题,文中在传统算法的基础上引入了增强学习算法(RL),通过将两个算法进行融合改进,进而提出了一种DCQN网络。其利用多层非线性卷积网络,组合并提取图像的低阶特征,同时借助RL中的智能体(Agent)概念,不断累积环境迭代过程中的惩戒值,从而获得识别医学图像的最优路径。在某开放肺结节数据集上进行的仿真实验结果表明,DCQN网络在进行图像分割时,综合识别精度较DCNN网络提升了9.13%。而在进行肺结节早期预测时,准确率、召回率以及ZSI相比DCNN网络分别提升了0.052、0.039和0.043。