深度神经进化从小型神经网络和小训练集中榨取更多价值：以MRI脑序列分类为例
神经与进化计算
2021-12-28 v1 人工智能
摘要
目的：深度神经进化（DNE）有望提供在小型神经网络和小训练集下表现良好的放射学人工智能（AI）。我们试图通过对MRI脑序列分类的原理验证应用来实现这一潜力。方法：我们分析了一个包含20名患者的训练集，每名患者具有四种序列/加权：T1、T1增强后、T2和T2-FLAIR。我们按如下方式训练一个相对较小的卷积神经网络（CNN）的参数：首先，我们随机变异CNN权重。然后，我们测量CNN训练集准确率，并将其用作适应度评估指标。识别出最适合的子代CNN。我们将它们的变异并入父代CNN。这个经过选择性变异的父代成为下一代的父代CNN。我们将此过程重复约50,000代。结果：DNE实现了向100%训练集准确率的单调收敛。DNE也单调收敛到100%测试集准确率。结论：DNE可在小训练集和小CNN下达到完美准确率。尤其当与深度强化学习结合时，DNE可能为使放射学AI的学习能力更趋近人类提供前进路径。DNE很可能成为备受期待的放射学AI算法元学习范式的关键组成部分，该范式能像人类放射科医生一样适应新任务和新图像类型。
引用
@article{arxiv.2112.12990,
title = {Deep Neuroevolution Squeezes More out of Small Neural Networks and Small Training Sets: Sample Application to MRI Brain Sequence Classification},
author = {Joseph N Stember and Hrithwik Shalu},
journal= {arXiv preprint arXiv:2112.12990},
year = {2021}
}