医学图像的特征融合,是将医学图像进行特征提取,并利用特征之间的互补性,构建出多角度的全面特征属性描述。深度学习在基于图像的疾病诊断方面取得了巨大成功。然而,为了获得最佳结果,深度学习方法需要使用大量的图像,并且需要医学专家对图像进行精准的标注selleck PLX4032,这消耗了大量nasal histopathology人力成本。相反,在临床实践中,医生不需要LGK-974如此大量的样本就可以快速提升诊断水平,这得益于医生可以识别和比较图像中的解剖结构。本文针对青光眼诊断,借鉴医生的诊断思维,在集成深度学习的框架下构建了一个集成专家知识和小样本的智能诊断系统。在该系统中,专家知识用于获取医学图像的多视角信息,包括眼底照中视盘、视杯、视神经纤维层缺损特征,并通过全局和局部不同角度展开组合;小样本用于在每个角度上构建特定的分类器。然后使用集成学习来融合所有分类器的预测以获得最终诊断结果。在来自北京同仁医院、中国西藏及宁夏自治区医院、哈尔滨医科大学第一医院的临床数据中,智能诊断系统取得精准的预测结果。在不同医院的三批数据上分别取得了0.998、0.998、0.984的分类AUC值。相比经典的深度学习分类方法,预测准确性获得了明显的提升。为探索智能诊断系统的普适性,我们进一步将该方案应用于糖尿病视网膜病变、病理性近视和年龄相关性黄斑病变的疾病诊断,特别是应用于小样本学习的情形。智能诊断系统分别在三种疾病分类中取得了0.916(基本网络为0.898)、0.986(基本网络为0.970)、0.953(基本网络为0.720)的分类AUC值。这一结果表明了本文所设计的智能诊断系统能为分类引入多角度信息,具有一定的分类准确性能提升效果,证实了智能诊断系统的泛化性能。三种疾病上的拓展也进一步验证了智能诊断系统对于目前医学图像分类任务的重要意义。为了进一步阐述智能诊断系统的有效性原理,本文还提出了加权集成学习收敛性分析的理论框架,从数理角度对智能诊断系统的有效性做出分析。