18、利用机器学习实现先进生物医学成像的创新探索

利用机器学习实现先进生物医学成像的创新探索

1. 深度学习与神经网络基础

深度学习模型的基础架构源于神经网络，其灵感来自生物神经元的结构。神经网络是深度学习模型的核心，由包含单个“神经元”的层构建而成。每个神经元作为一个单元，对接收到的数据应用非线性函数（如修正线性单元 ReLU）。随后，这些神经元协同组合并将转换后的数据传递到下一层，形成分层表示。这个过程持续进行，直到数据到达最后一层，由损失函数进行评估。然后，对模型的调整通过网络反向传播，从而优化学习过程。神经网络中的“深度”指的是其包含的层数。

2. 机器学习在生物医学成像中的应用

机器学习在散斑图案分析方面具有变革性影响，相关研究涉及生物医学成像的多个领域，包括基于额头静态散斑图案的身份验证，以及使用激光诱导散斑图案进行基本感官的分类和检测。这些研究为跨学科领域拓展了视野，在智能家居、智能汽车以及对神经系统疾病的理解等方面都有应用潜力，散斑图案分析与机器学习的结合成为医学诊断和传感技术发展的关键力量。

3. 远程光子传感血液氧饱和度

3.1 动机与实验

血液中氧含量低（低氧血症）可能导致缺氧，引发医疗并发症甚至死亡。新冠肺炎患者中出现的“沉默性低氧血症”现象，挑战了传统认知，凸显了更有效诊断和治疗方法的需求。目前常见的测量血液氧饱和度的方法是脉搏血氧仪，需要与患者手指直接接触。而新的研究提出了一种类似非接触式体温测量的方法，利用激光照明远程测试血液氧饱和度，无需物理接触。该方法聚焦于采样患者眼睛的微扫视振荡，借助机器学习将这些振荡与血液氧饱和度水平关联起来。微扫视是眼球巩膜的微小运动，能反映生理特征，可指示血液饱和度和短期低压缺氧。