隆德大学开发的人工神经网络匹配的心脏移植捐助者与受助者
挑战
解决方案
结果
- 未来的五年存活率提高了10%
- 网络训练时间减少了三分之二以上
- 仿真时间从周减少到天
“我花了很多时间在诊所,和没有时间或学习专业技术,配置和维护软件。MATLAB方便像我这样的医生完成工作并产生有意义的结果。”
约翰·尼尔森博士史大学医院,隆德大学
心脏移植接受者的生存取决于许多变量,包括体重、性别、年龄、血型的供体和受体,缺血性或者时间在移植时没有器官的血流量。
为了更好地理解移植风险因素和改善病人的结果,在瑞典隆德大学的研究人员和史大学医院使用人工神经网络(ann)研究多个变量之间复杂的非线性关系。ANN模型训练使用供体和受体的数据来自两个全球数据库:国际社会对心脏和肺移植(ISHLT)注册表和北欧胸移植数据库(NTTD)。隆德的研究人员加快了训练和模拟的人工神经网络通过使用MATLAB®、深度学习工具箱™和MathWorks并行计算的产品。下载188bet金宝搏
“许多繁重耗时的,我们使用的技术是“约翰·尼尔森博士说,心胸外科副教授分部的隆德大学。“我们使用并行计算与MATLAB工具箱并行服务器分发工作56-processor集群。这使我们能够迅速确定一个最优使用MATLAB神经网络配置和深度学习工具箱,列车网络使用的数据移植数据库,然后运行模拟分析风险因素和生存率。”
挑战
解决方案
解决速度和可靠性挑战,隆德大学的研究人员开发了他们最初的ANN模型使用MATLAB和深度学习工具箱。找到最佳的网络配置,他们写道MATLAB脚本不同数量的隐藏节点在网络用于一系列重量衰变(或正规化)值。
该团队使用并行计算工具箱™和MATLAB并行服务器™加速模拟超过200安的配置。然后评估结果发现表现最佳的配置。
训练后的安使用捐赠者和接受者信息数据库,他们通过模拟结果验证了模型的准确性为10000名患者被省略的训练集,然后比较结果对实际的存活率。
在下一阶段,团队进行成千上万的并行模拟排名57风险因素考虑在研究预测长期生存。
使用计算机集群上的蒙特卡罗模拟的结果和模拟退火技术,研究人员发现最好和最差的捐赠者对任何特定的收件人。
作为最后一步,团队开发了一个自动化的过程,排名收件人名单来识别潜在捐献者的最佳候选人。
在下一个项目的主要阶段,隆德大学的研究人员正在使用的安调查使用人类白细胞抗原(HLA)基因图谱匹配捐助者与受助者。
结果
未来的五年存活率提高了10%。“在一个模拟的随机试验,初步结果表明,ANN模型我们使用MATLAB开发和深度学习工具箱将移植大约20%的病人比被认为是使用传统的选择标准,”尼尔森说。“未来五年存活率ANN-selected患者5 - 10%高于与医生今天使用的标准。”1、2
网络训练时间减少了三分之二以上。“使用深度学习工具箱和MATLAB,花了我们5到10分钟来训练人工神经网络,”尼尔森说。“培训花了30到60分钟使用开源软件。这是一个很大的区别,因为我们训练和评估数以百计的网络配置。”
仿真时间从周减少到天。“当我们转向MATLAB和MathWorks并行计算技术,我们完成实验,定期带3到4周5天,”尼尔森说。“更重要的是,模拟是可靠地完成,没有崩溃。”
1尼尔森,J。欧胜,M。霍格伦德,P。,Ekmehag B。,Koul B。安德森,b (2015)。”国际心脏移植存活算法(IHTSA):一种新的模式来改善器官共享和生存。”《公共科学图书馆·综合》。10 (3),e0118644。doi: 10.1371 / journal.pone.0118644
2安萨里,D。安德森,B。欧胜,M。霍格伦德,P。安德森,R。,j·尼尔森(2013)。”CODUSA-Customize最佳供体在心脏移植中使用模拟退火。”科学报告,3,1922。doi: 10.1038 / srep01922