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——即移植过程中器官没有血流的时间。
为了更好地了解移植危险因素和改善患者预后，瑞典隆德大学和Skåne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的复杂非线性关系。人工神经网络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:国际心肺移植协会(ISHLT)注册和北欧胸器官移植数据库(NTTD)。Lund的研究人员使用MATLAB加速了他们的人工神经网络的训练和仿真®、Deep Learning Toolbox™和MathWorks并行计算产品。s manbetx 845
隆德大学心胸外科副教授Johan Nilsson博士说:“我们使用的许多技术都是计算机密集型的，而且很耗时。”“我们使用MATLAB并行服务器的并行计算工具箱在一个56个处理器集群上分发工作。这使我们能够使用MATLAB和深度学习工具箱快速识别最佳神经网络配置，使用移植数据库中的数据训练网络，然后运行模拟来分析风险因素和存活率。”
为了解决速度和可靠性方面的挑战，隆德大学的研究人员使用MATLAB和深度学习工具箱开发了他们的初始人工神经网络模型。为了找到最优的网络配置，他们编写了MATLAB脚本，改变网络中使用的隐藏节点的数量，以获得权值衰减(或正则化)的范围。
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多个ANN配置。然后，他们评估结果，以找到最佳的性能配置。
在使用来自数据库的供体和受体信息训练神经网络后，他们通过模拟训练集中遗漏的10,000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了比较。
在下一阶段，研究小组进行了数千次模拟，对研究中考虑的预测长期生存的57个风险因素进行排名。
利用计算机群上的蒙特卡罗模拟和模拟退火技术的结果，研究人员确定了任何特定受者的最佳和最差可能的捐赠者。
作为最后一步，该团队开发了一个自动化流程，对等待受赠人名单进行排序，以确定潜在捐赠者的最佳候选人。
在该项目的下一个主要阶段，隆德大学的研究人员正在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，以匹配捐献者和接受者。
预期的五年生存率提高了10%．尼尔森说:“在一项模拟随机试验中，初步结果显示，我们使用MATLAB和深度学习工具箱开发的神经网络模型移植的患者比使用传统选择标准考虑的多约20%。”“ann选择的患者的5年预期生存率比那些符合今天医生使用的标准的患者高5-10%。”1、2
网络训练时间减少了三分之二以上．尼尔森说:“使用深度学习工具箱和MATLAB，我们花了5到10分钟来训练我们的人工神经网络。“使用开源软件进行的培训需要30到60分钟。这是一个很大的不同，因为我们培训和评估了数百种网络配置。”
模拟时间从几周缩短到几天．尼尔森说:“当我们切换到MATLAB和MathWorks并行计算技术时，我们通常在5天内完成3到4周的实验。”“更重要的是，模拟完成得很可靠，没有发生碰撞。”
1尼尔森，J.， Ohlsson, M.， Höglund, P.， Ekmehag, B.， Koul, B.， and anderson, B.(2015)。”国际心脏移植存活算法(IHTSA):一种提高器官共享和存活的新模型．”《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.， Ohlsson, M.， Höglund, P.，安德森，R.， Nilsson, J.(2013)。”codusa -在心脏移植中使用模拟退火定制最佳供体．”科学报告,3, 1922。doi: 10.1038 / srep01922
加入客户参考计划
你也可以从以下列表中选择一个网站:
