隆德大学开发了一种用于匹配心脏移植捐赠者和受者的人工神经网络
挑战
解决方案
结果
- 预期五年生存率提高了10%
- 网络培训时间缩短三分之二以上
- 模拟时间从几周缩短到几天
“我花了很多时间在诊所里,没有时间或技术专业知识来学习、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。”
Johan Nilsson博士,Skåne隆德大学医院
心脏移植受者的存活取决于几十个变量,包括供者和受者的体重、性别、年龄和血型,以及缺血时间(移植过程中器官没有血液流动的时间)。
为了更好地了解移植风险因素并改善患者预后,隆德大学和瑞典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复杂的非线性关系。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:国际心肺移植学会(ISHLT)注册表和北欧胸椎移植数据库(NTTD)。隆德大学的研究人员通过使用MATLAB加速了他们的人工神经网络的训练和模拟®、深度学习工具箱™和MathWorks并行计算产品。s manbetx 845
隆德大学心胸外科副教授约翰·尼尔森博士说:“我们使用的许多技术都是计算机密集型和耗时的。”“我们使用并行计算工具箱和MATLAB并行服务器在56处理器集群上分配工作。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。”
挑战
解决方案
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最初的ANN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,以获得一系列权重衰减(或正则化)值。
该团队使用并行计算工具箱™和MATLAB并行服务器™来加速200多个ANN配置的模拟。然后他们对结果进行评估,以找到性能最佳的配置。
在使用数据库中的供体和受体信息训练神经网络后,他们通过模拟从训练集中被忽略的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平行模拟,对研究中考虑的57个风险因素进行排名,以预测长期生存。
利用计算机集群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体的最佳和最差的可能捐赠者。
作为最后一步,该团队开发了一个自动化流程,对受者等待名单进行排名,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研究人类白细胞抗原(HLA)基因图谱的使用,以匹配供体和受体。
结果
预期五年生存率提高了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将比使用传统选择标准移植大约20%的患者。”“ann选择的患者的预期五年生存率比目前医生使用的标准患者高5-10%。”1、2
网络培训时间缩短三分之二以上.“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ann,”Nilsson说。“使用开源软件进行培训需要30到60分钟。这是一个很大的不同,因为我们训练和评估了数百个网络配置。”
模拟时间从几周缩短到几天.“当我们切换到MATLAB和MathWorks并行计算技术时,我们在大约5天内完成了通常需要3到4周的实验,”Nilsson说。“更重要的是,模拟是可靠地完成的,没有发生事故。”
1Nilsson, J., Ohlsson, M., Höglund, P., Ekmehag, B., Koul, B., and Andersson, B.(2015)。”国际心脏移植生存算法(IHTSA):一种改善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
2安萨里,D., Andersson, B., Ohlsson, M., Höglund, P., Andersson, R.和Nilsson, J.(2013)。”codusa -在心脏移植中使用模拟退火自定义最佳供体.”科学报告,3, 1922。doi: 10.1038 / srep01922