“我在诊所花了很多时间，没有时间或技术专长来学习、配置和维护软件。MATLAB使像我这样的医生很容易完成工作并产生有意义的结果。”
约翰·尼尔森博士，斯肯大学医院，隆德大学
心脏移植受者的存活取决于几十个变量，包括体重、性别、年龄、供体和受者的血型，以及缺血时间(或移植过程中没有血液流入器官的时间)。
为了更好地了解移植风险因素并改善患者的预后，隆德大学和瑞典斯堪纳大学医院的研究人员使用人工神经网络(ANNs)来探索多个变量之间复杂的非线性关系。ANN模型使用来自两个全球数据库的供体和受体数据进行训练:国际心脏和肺移植协会(ISHLT)登记处和北欧胸移植数据库(NTTD)。Lund的研究人员利用MATLAB加速了神经网络的训练和仿真®， Deep Learning Toolbox™，以及MathWorks并行计算产品。下载188bet金宝搏
隆德大学(Lund University)心胸外科副教授约翰·尼尔森(Johan Nilsson)博士说:“我们使用的许多技术都需要大量计算机处理，而且非常耗时。”我们使用并行计算工具箱和MATLAB并行服务器在一个56处理器集群上分配工作。这使我们能够使用MATLAB和Deep Learning Toolbox快速识别出最优的神经网络配置，使用移植数据库中的数据对网络进行训练，然后进行仿真来分析风险因素和存活率。”
为了解决速度和可靠性的挑战，隆德大学的研究人员利用MATLAB和深度学习工具箱开发了他们最初的ANN模型。为了找到最佳的网络配置，他们编写了MATLAB脚本来改变网络中用于一系列权值衰减(或正则化)值的隐藏节点的数量。
该团队使用并行计算工具箱™和MATLAB并行服务器™来加速模拟200多种ANN配置。然后，他们对结果进行评估，以找到性能最佳的配置。
在使用来自数据库的供体和受体信息对人工神经网络进行训练后，他们通过模拟训练集中被忽略的1万名患者的结果来验证模型的准确性。然后，他们将结果与实际存活率进行比较。
在接下来的阶段，研究小组进行了数千次模拟，同时对研究中预测长期生存的57个风险因素进行排名。
利用计算机集群中的蒙特卡罗模拟和模拟退火技术的结果，研究人员为任何特定的受体确定了最佳和最差的可能供体。
作为最后一步，该团队开发了一个自动化流程，对等待捐赠的人进行排序，以确定未来捐赠人的最佳候选人。
在该项目的下一个主要阶段，隆德大学的研究人员将使用人工神经网络来调查人类白细胞抗原(HLA)基因图谱的使用情况，以匹配供体和受体。
预期的五年存活率提高了10%。尼尔森说:“在一项模拟随机试验中，初步结果表明，我们使用MATLAB和深度学习工具箱开发的人工神经网络模型移植的患者比传统选择标准多出约20%。”“ann选择的患者的5年预期生存率比那些符合当今医生标准的患者高5-10%。”1、2
网络培训时间减少了三分之二以上。“使用深度学习工具箱和MATLAB，我们花了5到10分钟来训练我们的神经网络，”尼尔森说。“使用开源软件培训需要30到60分钟。这是一个很大的区别，因为我们在培训和评估数百种网络配置。”
模拟时间从几周减少到几天。“当我们转向MATLAB和MathWorks并行计算技术时，我们完成了通常在5天内花费3到4周的实验，”尼尔森说。“更重要的是，模拟是可靠完成的，没有崩溃。”
1Nilsson, J.， Ohlsson, M.， Hoglund, P.， Ekmehag, B.， Koul, B.， and Andersson, B.(2015)。”国际心脏移植生存算法(IHTSA):一种提高器官共享和生存的新模型。”《公共科学图书馆·综合》。10 (3),e0118644。doi: 10.1371 / journal.pone.0118644
2Ansari, D.， Andersson, B.， Ohlsson, M.， Hoglund, P.， Andersson, R.， and Nilsson, J.(2013)。”codusa -心脏移植模拟退火自定义最佳供体。”科学报告,3,1922。doi: 10.1038 / srep01922
你也可以从以下列表中选择一个网站:
