[go: up one dir, main page]

TWI768951B - 訓練老年性黃斑部退化的分類模型的電子裝置和方法 - Google Patents

訓練老年性黃斑部退化的分類模型的電子裝置和方法 Download PDF

Info

Publication number
TWI768951B
TWI768951B TW110120194A TW110120194A TWI768951B TW I768951 B TWI768951 B TW I768951B TW 110120194 A TW110120194 A TW 110120194A TW 110120194 A TW110120194 A TW 110120194A TW I768951 B TWI768951 B TW I768951B
Authority
TW
Taiwan
Prior art keywords
loss function
classification
function value
group
age
Prior art date
Application number
TW110120194A
Other languages
English (en)
Other versions
TW202249030A (zh
Inventor
鄭孟哲
鄞銘佐
謝易庭
Original Assignee
宏碁股份有限公司
國立臺灣大學醫學院附設醫院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 宏碁股份有限公司, 國立臺灣大學醫學院附設醫院 filed Critical 宏碁股份有限公司
Priority to TW110120194A priority Critical patent/TWI768951B/zh
Priority to CN202111004105.0A priority patent/CN115440369B/zh
Priority to US17/464,683 priority patent/US12254983B2/en
Priority to EP21196675.9A priority patent/EP4099279B1/en
Priority to JP2021152961A priority patent/JP7229313B2/ja
Priority to PH1/2021/050623A priority patent/PH12021050623A1/en
Application granted granted Critical
Publication of TWI768951B publication Critical patent/TWI768951B/zh
Publication of TW202249030A publication Critical patent/TW202249030A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Eye Examination Apparatus (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

提供一種訓練老年性黃斑部退化的分類模型的電子裝置和方法。方法包含：取得訓練資料；基於機器學習演算法計算對應於訓練資料的損失函數向量，其中損失函數向量包含對應於老年性黃斑部退化的第一分類的第一損失函數值以及對應於老年性黃斑部退化的第二分類的第二損失函數值，其中第一分類對應於第一群組，並且第二分類對應於第一群組與第二群組的其中之一；響應於第二分類對應於第二群組，根據第二損失函數值以及分群懲罰權重更新第一損失函數值以產生更新損失函數向量；以及根據更新損失函數向量訓練分類模型。

Description

訓練老年性黃斑部退化的分類模型的電子裝置和方法
本發明是有關於一種訓練老年性黃斑部退化的分類模型的電子裝置和方法。
依據臨床病徵的嚴重程度，老年性黃斑部退化(age-related macular degeneration，AMD)包含四種分類，其中四種分類分別為第一期(或第I期)、第二期(或第II期)、第三期(或第III期)以及第四期(或第IV期)。目前，有人員利用人工智慧(artificial intelligence，AI)模型分析眼底圖(fundus image)以為老年性黃斑部退化的嚴重程度進行分類。人員可利用由醫療人員標註的訓練資料來訓練人工智慧模型。一般來說，醫療人員會根據眼底圖中的黃斑部範圍來為老年性黃斑部退化進行分類。然而，不同醫療人員對黃斑部範圍的認定可能不同。因此，由不同醫療人員所標註的訓練資料所訓練的人工智慧模型可能存在過度擬合 (overfitting)的問題，從而降低了人工智慧模型的分類準確度。
另一方面，醫療人員對老年性黃斑部退化的不同分期的處置並不相同。第三期和第四期屬於較為嚴重的階段。若病患出現第三期或第四期的臨床病徵，則醫療人員需立即為病患安排轉診，以進一步確認病患的病情。相對來說，若病患出現第一期或第二期的臨床病徵，則為病患安排轉診的急迫性較低。因此，若分類模型錯將第三期(或第四期)的老年性黃斑部退化分類為第一期(或第二期)，則可能延誤了醫療病患的最佳時機。
本發明提供一種訓練老年性黃斑部退化的分類模型的電子裝置和方法，可訓練出具有高準確度的老年性黃斑部退化的分類模型。
本發明的一種訓練老年性黃斑部退化的分類模型的電子裝置，包含處理器以及收發器。處理器耦接收發器，其中處理器經配置以執行：通過收發器取得訓練資料；基於機器學習演算法計算對應於訓練資料的損失函數向量，其中損失函數向量包含對應於老年性黃斑部退化的第一分類的第一損失函數值以及對應於老年性黃斑部退化的第二分類的第二損失函數值，其中第一分類對應於第一群組，並且第二分類對應於第一群組與第二群組的其中之一；響應於第二分類對應於第二群組，根據第二損失函數值以及分群懲罰權重更新第一損失函數值以產生更新損失函數向量；以及 根據更新損失函數向量訓練分類模型。
在本發明的一實施例中，上述的處理器更經配置以執行：響應於第二分類對應於第一群組，根據第二損失函數值更新第一損失函數值以產生更新損失函數向量。
在本發明的一實施例中，上述的第一分類以及第二分類分別對應於老年性黃斑部退化的不同分期，其中處理器更經配置以執行：根據第一分類與第二分類之間的分期差異產生第一懲罰權重；以及根據第二損失函數值以及第一懲罰權重更新第一損失函數值以產生更新損失函數向量。
在本發明的一實施例中，上述的損失函數向量更包含對應於老年性黃斑部退化的第三分類的第三損失函數值，其中處理器更經配置以執行：根據第一分類與第三分類之間的第二分期差異產生第二懲罰權重；以及根據第三損失函數值以及第二懲罰權重更新第一損失函數值以產生更新損失函數向量。
在本發明的一實施例中，上述的第三分類對應於第一群組與第二群組的其中之一，其中處理器更經配置以執行：響應於第三分類對應於第一群組，根據第三損失函數值以及第二懲罰權重更新第一損失函數值以產生更新損失函數向量；以及響應於第三分類對應於第二群組，根據第三損失函數值、第二懲罰權重以及分群懲罰權重更新第一損失函數值以產生更新損失函數向量。
在本發明的一實施例中，上述的第二分期差異大於分期差異，並且第二懲罰權重大於第一懲罰權重。
在本發明的一實施例中，上述的第一懲罰權重與分期差異成正比。
在本發明的一實施例中，上述的訓練資料更包含標註了老年性黃斑部退化分期的眼底圖，其中損失函數向量對應於二進位交叉熵函數。
在本發明的一實施例中，上述的處理器計算第二損失函數值以及分群懲罰權重的商數以產生更新損失函數向量。
本發明的一種訓練老年性黃斑部退化的分類模型的方法，包含：取得訓練資料；基於機器學習演算法計算對應於訓練資料的損失函數向量，其中損失函數向量包含對應於老年性黃斑部退化的第一分類的第一損失函數值以及對應於老年性黃斑部退化的第二分類的第二損失函數值，其中第一分類對應於第一群組，並且第二分類對應於第一群組與第二群組的其中之一；響應於第二分類對應於第二群組，根據第二損失函數值以及分群懲罰權重更新第一損失函數值以產生更新損失函數向量；以及根據更新損失函數向量訓練分類模型。
基於上述，本發明的電子裝置可利用分類權重更新機器學習演算法的損失函數值，並且根據更新損失函數值來訓練分類模型。本發明的分類模型較不易將病徵較為嚴重的老年性黃斑部退化的第三期(或第四期)誤判為病徵較為輕微的第一期(或第二期)。醫療人員可根據分類結果即時地判斷是否需為病患安排轉診。
100:電子裝置
110:處理器
120:儲存媒體
130:收發器
20:二進位交叉熵函數
21:歸一化機率向量
22:一位有效編碼向量
23:損失函數向量
24:權重矩陣
25:更新損失函數向量
S301、S302、S303、S304:步驟
圖1根據本發明的一實施例繪示一種用於訓練老年性黃斑部退化的分類模型的電子裝置的示意圖。
圖2根據本發明的一實施例繪示更新損失函數向量的示意圖。
圖3根據本發明的一實施例繪示一種用於訓練老年性黃斑部退化的分類模型的方法的流程圖。
為了使本發明之內容可以被更容易明瞭，以下特舉實施例作為本發明確實能夠據以實施的範例。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。
用於分類老年性黃斑部退化的分類模型可基於醫療人員所標註的訓練資料(例如：標註了老年性黃斑部退化分期的眼底圖)而產生。然而，醫療人員所決定的訓練資料的標註不一定是正確的。例如，醫療人員有可能將老年性黃斑部退化的第一期分類為老年性黃斑部退化的第二期。如果分類模型過於專注於為這些容易被混淆的資料進行分類，則分類模型可能因過度擬合而喪失泛化能力(generalization ability)。另一方面，老年性黃斑部退化的第一期和第二期屬於不需被轉診的分期，並且老年性黃斑部退化的第三期和第四期屬於需被轉診的分期。因此，若分類模型將第三 期(或第四期)誤判為第一期(或第二期)，可能導致病患的轉診被延誤，從而錯失醫療病患的最佳時機。基於上述，本發明提出了一種訓練老年性黃斑部退化的分類模型的方法，可避免訓練出過度擬合的分類模型。此外，本發明的分類模型較不易將對應於第一群組(例如：不需轉診的分期的群組)的分期誤判為對應於第二群組(例如：需轉診的分期的群組)的分期。
圖1根據本發明的一實施例繪示一種用於訓練老年性黃斑部退化的分類模型的電子裝置100的示意圖。電子裝置100可包含處理器110、儲存媒體120以及收發器130。分類模型可用以根據輸入資料產生老年性黃斑部退化的分類，其中所述分類可包含老年性黃斑部退化的第一期、第二期、第三期或第四期。
處理器110例如是中央處理單元(central processing unit，CPU)，或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit，MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor，DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit，ASIC)、圖形處理器(graphics processing unit，GPU)、影像訊號處理器(image signal processor，ISP)、影像處理單元(image processing unit，IPU)、算數邏輯單元(arithmetic logic unit，ALU)、複雜可程式邏輯裝置(complex programmable logic device，CPLD)、現場可程式化邏輯閘陣列(field programmable gate array，FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器 130，並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式，藉以執行電子裝置100的功能。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory，RAM)、唯讀記憶體(read-only memory，ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive，HDD)、固態硬碟(solid state drive，SSD)或類似元件或上述元件的組合，而用於儲存可由處理器110執行的多個模組或各種應用程式。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
處理器110可通過收發器130取得用於訓練分類模型的訓練資料集合，其中訓練資料集合可包含多筆訓練資料。訓練資料例如是標註了老年性黃斑部退化分期的眼底圖。
圖2根據本發明的一實施例繪示更新損失函數向量23的示意圖。分類模型例如是一種機器學習模型。處理器110可基於機器學習演算法計算對應於訓練資料的損失函數向量23。由於老年性黃斑部退化包含第一期、第二期、第三期以及第四期，故損失函數向量23可包含分別對應於第一期、第二期、第三期以及第四期的四個損失函數值。然而，本發明不限於此。例如，損失函數向量23可包含任意數量的損失函數值。在本實施例中，損失函數向量23可表示為[e(1) e(2) e(3) e(4)]，其中e(1)為對應於第一期的損 失函數值，e(2)為對應於第二期的損失函數值，e(3)為對應於第三期的損失函數值，並且e(4)為對應於第四期的損失函數值。
在一實施例中，老年性黃斑部退化的第一期和第二期對應於第一群組(即：不需轉診的分期的群組)，並且老年性黃斑部退化的第三期和第四期對應於第二群組(即：需轉診的分期的群組)。處理器110可通過收發器130接收訊息以取得老年性黃斑部退化分期(例如：第一期、第二期、第三期或第四期)與群組(例如：第一群組或第二群組)之間的對應關係。
機器學習演算法的損失函數例如是二進位交叉熵(binary cross entropy)函數20。處理器110可根據二進位交叉熵函數20產生損失函數向量23。具體來說，在訓練分類模型的過程中，機器學習演算法的Softmax函數可輸出歸一化機率向量21，其中歸一化機率向量21可包含分別對應於第一期、第二期、第三期以及第四期的四個歸一機率。然而，本發明不限於此。例如，歸一化機率向量21可包含任意數量的歸一機率。在本實施例中，歸一化機率向量21可表示為[p(1) p(2) p(3) p(4)]，其中p(1)為第一期的歸一機率，p(2)為第二期的歸一機率，p(3)為第三期的歸一機率，並且p(4)為第四期的歸一機率。歸一機率屬於0到1的閉區間(closed interval)，如方程式(1)所示，其中p(j)為老年性黃斑部退化的第j期的歸一機率。
Figure 110120194-A0305-02-0010-1
另一方面，處理器110可根據訓練資料(即：標註了老年 性黃斑部退化分期的眼底圖)的標註產生對應於老年性黃斑部退化分期的一位有效編碼(one-hot encoding)向量22。一位有效編碼向量22可包含分別對應於第一期、第二期、第三期以及第四期的四個編碼值。然而，本發明不限於此。例如，一位有效編碼向量22可包含任意數量的編碼值。在本實施例中，一位有效編碼向量22可表示為[c(1) c(2) c(3) c(4)]，其中c(1)為第一期的編碼值，c(2)為第二期的編碼值，c(3)為第三期的編碼值，並且c(4)為第四期的編碼值。編碼值可為「0」或「1」。一位有效編碼向量22可包含一個編碼值「1」以及三個編碼值「0」，其中編碼值「1」對應於標註在訓練資料的老年性黃斑部退化分期，並且編碼值「0」對應於未被標註在訓練資料的老年性黃斑部退化分期。舉例來說，若訓練資料被標註為第三期，則一位有效編碼向量22可表示為[0 0 1 0]。
在取得歸一化機率向量21以及一位有效編碼向量22後，處理器110可將歸一化機率向量21以及一位有效編碼向量22輸入至二進位交叉熵函數20以產生損失函數向量23。
一般來說，分期差異(stage difference)的絕對值較小的兩期較難以區別。分期差異的絕對值較大的兩期較容易區別。舉例來說，將眼底圖分類為第一期以及第二期的其中之一的難度大於將眼底圖分類為第一期以及第三期的其中之一的難度。換句話說，第一期被誤判為第二期的機率較高，而第一期被誤判為第三期的機率較低。分類模型過度專注於區分分期差異較小的分期可能導致過度擬合發生。為了避免分類模型的過度擬合，處理器110可 利用懲罰權重來更新分類模型的損失函數值，並且根據更新損失函數值訓練分類模型。此外，為了避免分類模型誤判分屬不同群組的老年性黃斑部退化分期，處理器110可利用分群懲罰權重來更新分類模型的損失函數值，並且根據更新損失函數值訓練分類模型。
具體來說，處理器110可將損失函數向量23與權重矩陣24相乘以產生更新損失函數向量25，並且根據更新損失函數向量25訓練分類模型。更新損失函數向量25的尺寸可與損失函數向量23的尺寸相同。假設損失函數向量23表示為[e(1) e(2) e(3) e(4)]，則處理器110可根據方程式(2)計算更新損失函數向量25，其中M為權重矩陣24，並且[e(1)’ e(2)’ e(3)’ e(4)’]為更新損失函數向量25。更新損失函數向量25可包含第一期的更新損失函數e(1)’，第二期的更新損失函數e(2)’，第三期的更新損失函數e(3)’以及第四期的更新損失函數e(4)’。
[e(1)'e(2)'e(3)'e(4)']=[e(1) e(2) e(3) e(4)]．M...(2)
更新損失函數向量25中的更新損失函數值可以方程式(3)表示，其中e(i)’代表第i期的更新損失函數值(或更新損失函數向量25的第i行的元素)，e(j)代表第j期的損失函數值(或損失函數向量23的第j行的元素)，a(i,j)代表對應於第i期和第j期的誤差權重，b(i,j)代表對應於第i期和第j期的懲罰權重，並且c(i,j)代表對應於第i期和第j期的權重指標。i或j屬於1到4的閉區間(即：i
Figure 110120194-A0305-02-0012-5
[1,4]且j
Figure 110120194-A0305-02-0012-6
[1,4])。不同分期的誤差權重可以相同或相異。
e(i)'=Σ j,j≠i e(j)．(a(i,j)+b(i,j)+c(i,j))...(3)
如方程式(3)所示，處理器110可根據損失函數值e(2)、損失函數值e(3)或損失函數值e(4)來產生更新損失函數值e(1)’。舉例來說，更新損失函數值e(1)’可包含損失函數值e(2)與懲罰權重b(1,2)的商數e(2)．b(1,2)、損失函數值e(3)與懲罰權重b(1,3)的商數e(3)．b(1,3)以及損失函數值e(4)與懲罰權重b(1,4)的商數e(4)．b(1,4)。
處理器110可根據第i期和第j期之間的分期差異(即：i-j)計算對應於第i期和第j期的懲罰權重b(i,j)。在一實施例中，懲罰權重b(i,j)可與第i期和第j期之間的分期差異的絕對值成正比，如方程式(4)所示。舉例來說，由於第一期與第三期之間的分期差異|1-3|大於第一期與第二期之間的分期差異|1-2|，故對應於第一期與第三期的懲罰權重b(1,3)大於對應於第一期與第二期的懲罰權重b(1,2)。
Figure 110120194-A0305-02-0013-2
在一實施例中，若第i期與第j期屬於相同的群組，則權重指標c(i,j)等於0。若第i期與第j期屬於不同的群組，則權重指標c(i,j)等於分群懲罰權重C。換句話說，若第i期與第j期均屬於第一群組，則權重指標c(i,j)等於0。若第i期與第j期均屬於第二群組，則權重指標c(i,j)等於0。若第i期屬於第一群組並且第j期屬於第二群組，則權重指標c(i,j)等於分群懲罰權重C，如方程式(5)所示，其中S1為第一群組，並且S2為第二群組。
Figure 110120194-A0305-02-0014-3
由於第一期與第二期屬於第一群組(即：S1)，並且第三期與第四期屬於第二群組(即：S2)，故c(1,2)=c(3,4)=0並且c(1,3)=c(2,3)=C。舉例來說，根據方程式(3)和方程式(5)，更新損失函數值e(1)’可包含損失函數值e(3)與分群懲罰權重C的商數e(3)．C，並可包含損失函數值e(4)與分群懲罰權重C的商數e(4)．C。舉另一例來說，更新損失函數值e(3)’可包含損失函數值e(1)與分群懲罰權重C的商數e(1)．C，並可包含損失函數值e(2)與分群懲罰權重C的商數e(2)．C。
假設每個誤差權重a(i,j)均等於1，懲罰權重b(i,j)等於第i期和第j期之間的分期差異乘以0.1(如方程式(6)所示)，並且分群懲罰權重C等於0.3。據此，則方程式(2)中的權重矩陣24可以方程式(7)表示。處理器110可將損失函數向量23與權重矩陣24相乘以產生更新損失函數向量25。在取得更新損失函數向量25後，處理器110可根據更新損失函數向量25訓練老年性黃斑部退化的分類模型。
b(i,j)=0.1．|i-j|...(6)
Figure 110120194-A0305-02-0014-4
圖3根據本發明的一實施例繪示一種用於訓練老年性黃斑部退化的分類模型的方法的流程圖，其中所述方法可由如圖1所 示的電子裝置100實施。在步驟S301中，取得訓練資料。在步驟S302中，基於機器學習演算法計算對應於訓練資料的損失函數向量，其中損失函數向量包含對應於老年性黃斑部退化的第一分類的第一損失函數值以及對應於老年性黃斑部退化的第二分類的第二損失函數值，其中第一分類對應於第一群組，並且第二分類對應於第一群組與第二群組的其中之一。在步驟S303中，響應於第二分類對應於第二群組，根據第二損失函數值以及分群懲罰權重更新第一損失函數值以產生更新損失函數向量。在步驟S304中，根據更新損失函數向量訓練分類模型。
綜上所述，本發明的電子裝置可利用分類權重更新機器學習演算法的損失函數值。電子裝置可利用其他分類的損失函數值來更新特定分類的損失函數值。若所述其他分類與所述特定分類屬於相同的群組，則電子裝置不需給予所述其他分類一分類權重。若所述其他分類與所述特定分類是屬於不同的群組，則電子裝置給予所述其他分類一分類權重。由更新損失函數所訓練出的分類模型較不易將老年性黃斑部退化的一分期誤判為對應於不同群組的另一分期。根據分類模型的分類結果，醫療人員將不會誤將需要轉診的病患判斷為不需轉診的病患，或誤將不需轉診的病患判斷為需轉診的病患。
S301、S302、S303、S304:步驟

Claims (10)

  1. 一種訓練老年性黃斑部退化的分類模型的電子裝置，包括：收發器；以及處理器，耦接所述收發器，其中所述處理器經配置以執行：通過所述收發器取得訓練資料；基於機器學習演算法計算對應於所述訓練資料的損失函數向量，其中所述損失函數向量包括對應於所述老年性黃斑部退化的第一分類的第一損失函數值以及對應於所述老年性黃斑部退化的第二分類的第二損失函數值，其中所述第一分類對應於第一群組，並且所述第二分類對應於所述第一群組與第二群組的其中之一，所述第一分類以及所述第二分類分別對應於所述老年性黃斑部退化的不同分期；響應於所述第二分類對應於所述第二群組，根據所述第二損失函數值以及分群懲罰權重更新所述第一損失函數值以產生更新損失函數向量；以及根據所述更新損失函數向量訓練所述分類模型。
  2. 如請求項1所述的電子裝置，其中所述處理器更經配置以執行：響應於所述第二分類對應於所述第一群組，根據所述第二損失函數值更新所述第一損失函數值以產生所述更新損失函數向量。
  3. 如請求項1所述的電子裝置，其中所述處理器更經配置以執行：根據所述第一分類與所述第二分類之間的分期差異產生第一懲罰權重；以及根據所述第二損失函數值以及所述第一懲罰權重更新所述第一損失函數值以產生所述更新損失函數向量。
  4. 如請求項3所述的電子裝置，其中所述損失函數向量更包括對應於所述老年性黃斑部退化的第三分類的第三損失函數值，其中所述處理器更經配置以執行：根據所述第一分類與所述第三分類之間的第二分期差異產生第二懲罰權重；以及根據所述第三損失函數值以及所述第二懲罰權重更新所述第一損失函數值以產生所述更新損失函數向量。
  5. 如請求項4所述的電子裝置，其中所述第三分類對應於所述第一群組與所述第二群組的其中之一，其中所述處理器更經配置以執行：響應於所述第三分類對應於所述第一群組，根據所述第三損失函數值以及所述第二懲罰權重更新所述第一損失函數值以產生所述更新損失函數向量；以及響應於所述第三分類對應於所述第二群組，根據所述第三損失函數值、所述第二懲罰權重以及所述分群懲罰權重更新所述第一損失函數值以產生所述更新損失函數向量。
  6. 如請求項4所述的電子裝置，其中所述第二分期差異大於所述分期差異，並且所述第二懲罰權重大於所述第一懲罰權重。
  7. 如請求項3所述的電子裝置，其中所述第一懲罰權重與所述分期差異成正比。
  8. 如請求項1所述的電子裝置，其中所述訓練資料更包括標註了老年性黃斑部退化分期的眼底圖，其中所述損失函數向量對應於二進位交叉熵函數。
  9. 如請求項1所述的電子裝置，其中所述處理器計算所述第二損失函數值以及所述分群懲罰權重的商數以產生所述更新損失函數向量。
  10. 一種訓練老年性黃斑部退化的分類模型的方法，包括：透過處理器取得訓練資料；透過所述處理器基於機器學習演算法計算對應於所述訓練資料的損失函數向量，其中所述損失函數向量包括對應於所述老年性黃斑部退化的第一分類的第一損失函數值以及對應於所述老年性黃斑部退化的第二分類的第二損失函數值，其中所述第一分類對應於第一群組，並且所述第二分類對應於所述第一群組與第二群組的其中之一，所述第一分類以及所述第二分類分別對應於所述老年性黃斑部退化的不同分期；透過所述處理器響應於所述第二分類對應於所述第二群組， 根據所述第二損失函數值以及分群懲罰權重更新所述第一損失函數值以產生更新損失函數向量；以及透過所述處理器根據所述更新損失函數向量訓練所述分類模型。
TW110120194A 2021-06-03 2021-06-03 訓練老年性黃斑部退化的分類模型的電子裝置和方法 TWI768951B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
TW110120194A TWI768951B (zh) 2021-06-03 2021-06-03 訓練老年性黃斑部退化的分類模型的電子裝置和方法
CN202111004105.0A CN115440369B (zh) 2021-06-03 2021-08-30 训练老年性黄斑部退化的分类模型的电子装置和方法
US17/464,683 US12254983B2 (en) 2021-06-03 2021-09-02 Electronic device and method of training classification model for age-related macular degeneration
EP21196675.9A EP4099279B1 (en) 2021-06-03 2021-09-14 Electronic device and method of training classification model for age-related macular degeneration
JP2021152961A JP7229313B2 (ja) 2021-06-03 2021-09-21 加齢による黄斑変性症用の分類モデルを学習させる電子機器及び方法
PH1/2021/050623A PH12021050623A1 (en) 2021-06-03 2021-12-10 Electronic device and method of training classification model for age-related macular degeneration

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110120194A TWI768951B (zh) 2021-06-03 2021-06-03 訓練老年性黃斑部退化的分類模型的電子裝置和方法

Publications (2)

Publication Number Publication Date
TWI768951B true TWI768951B (zh) 2022-06-21
TW202249030A TW202249030A (zh) 2022-12-16

Family

ID=77801459

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110120194A TWI768951B (zh) 2021-06-03 2021-06-03 訓練老年性黃斑部退化的分類模型的電子裝置和方法

Country Status (6)

Country Link
US (1) US12254983B2 (zh)
EP (1) EP4099279B1 (zh)
JP (1) JP7229313B2 (zh)
CN (1) CN115440369B (zh)
PH (1) PH12021050623A1 (zh)
TW (1) TWI768951B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516080A (zh) * 2017-08-22 2017-12-26 京东方科技集团股份有限公司 视网膜病变影像的眼球定位方法、装置及电子设备
CN111815553A (zh) * 2019-04-04 2020-10-23 奥普托斯股份有限公司 从医学图像中预测病理状况
TW202105410A (zh) * 2019-07-26 2021-02-01 長佳智能股份有限公司 視網膜病變評估模型建立方法及系統
CN112513999A (zh) * 2017-10-13 2021-03-16 人工智能技术公司 眼科疾病和病症的基于深度学习的诊断和转诊
CN112869697A (zh) * 2021-01-20 2021-06-01 深圳硅基智能科技有限公司 同时识别糖尿病视网膜病变的分期和病变特征的判断方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11934944B2 (en) * 2018-10-04 2024-03-19 International Business Machines Corporation Neural networks using intra-loop data augmentation during network training
CN111598113A (zh) * 2019-02-20 2020-08-28 富士通株式会社 模型优化方法、数据识别方法和数据识别装置
TWI702536B (zh) 2019-12-31 2020-08-21 財團法人工業技術研究院 基於適應標註的物件偵測模型的訓練方法及系統
CN111325726B (zh) * 2020-02-19 2025-12-02 腾讯医疗健康(深圳)有限公司 模型训练方法、图像处理方法、装置、设备及存储介质
CN112115322B (zh) * 2020-09-25 2024-05-07 平安科技（深圳）有限公司 用户分群方法、装置、电子设备及存储介质
US12248854B2 (en) * 2020-09-30 2025-03-11 Google Llc Robust model performance across disparate sub-groups within a same group
CN112446875B (zh) * 2020-12-11 2024-11-08 中科泰明(南京)科技有限公司 基于黄斑注意力机制和不确定度的amd分级系统
TWI763520B (zh) * 2021-06-03 2022-05-01 宏碁股份有限公司 訓練老年性黃斑部退化的分類模型的電子裝置和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516080A (zh) * 2017-08-22 2017-12-26 京东方科技集团股份有限公司 视网膜病变影像的眼球定位方法、装置及电子设备
CN112513999A (zh) * 2017-10-13 2021-03-16 人工智能技术公司 眼科疾病和病症的基于深度学习的诊断和转诊
CN111815553A (zh) * 2019-04-04 2020-10-23 奥普托斯股份有限公司 从医学图像中预测病理状况
TW202105410A (zh) * 2019-07-26 2021-02-01 長佳智能股份有限公司 視網膜病變評估模型建立方法及系統
CN112869697A (zh) * 2021-01-20 2021-06-01 深圳硅基智能科技有限公司 同时识别糖尿病视网膜病变的分期和病变特征的判断方法

Also Published As

Publication number Publication date
TW202249030A (zh) 2022-12-16
CN115440369A (zh) 2022-12-06
JP2022186569A (ja) 2022-12-15
PH12021050623A1 (en) 2023-01-09
CN115440369B (zh) 2025-12-12
US12254983B2 (en) 2025-03-18
EP4099279A1 (en) 2022-12-07
EP4099279B1 (en) 2025-11-26
US20220392635A1 (en) 2022-12-08
JP7229313B2 (ja) 2023-02-27

Similar Documents

Publication Publication Date Title
CN107016438B (zh) 一种基于中医辨证人工神经网络算法模型的系统
CN116092680B (zh) 基于随机森林算法的腹主动脉瘤早期预测方法及系统
CN114783618B (zh) 基于知识结构及四诊性状的中医模型训练方法、装置
TWI763520B (zh) 訓練老年性黃斑部退化的分類模型的電子裝置和方法
CN113593698B (zh) 一种基于图注意网络的中医证型识别方法
CN114627993B (zh) 信息预测方法、装置、存储介质及计算机设备
CN109119155B (zh) 基于深度学习的icu死亡危险性评估系统
CN112102285B (zh) 一种基于多模态对抗训练的骨龄检测方法
Heckerling et al. Prediction of community-acquired pneumonia using artificial neural networks
Jain et al. Gradient and statistical features-based prediction system for COVID-19 using chest X-ray images
TWI768951B (zh) 訓練老年性黃斑部退化的分類模型的電子裝置和方法
Rabaey et al. SynSUM--Synthetic Benchmark with Structured and Unstructured Medical Records
CN117766133A (zh) 一种基于智能算法的中医证候辨识方法及装置
CN113450919A (zh) 心衰预警模型的构建方法、构建系统和心衰预警装置
Chatzimichail et al. An evolutionary two-objective genetic algorithm for asthma prediction
Jiang et al. Tree-based Regularization for Interpretable Readmission Prediction.
Khaing et al. Lung disease classification from chest X-ray images using convolutional neural network and long short-term memory model
Jeyagopal Covid-19 identification based on keras densenet201 architecture model using ct image
Yao et al. Comparison of Different Models in Predicting COVID-19 Severity Based on Chest X-Ray Scans
TW202133186A (zh) 訓練資料處理方法與電子裝置
Islam et al. Covid-19 infected lung detection Using machine Learning
Susanti et al. Acute Respiratory Infections Diagnosis Using Learning Vector Quantization
Munahy et al. Predictive Modeling Based on Machine Learning Techniques to Predicate Tooth Loss Among Adults in Nasiriyah City, Iraq
binti Ismail et al. Modelling Baby’s Health Management System Using Rule-Based Algorithm
Maxutova et al. Assessing risk factors for heart disease using machine learning methods.