人工智能对食道癌的诊断能力--鳞状细胞癌和腺癌
数据收集--
384例食道癌患者的8428张训练图像（用于CNNs）此外还有47例49种癌症患者和50例非食道癌患者1118张检测图像
结果--
1118张检测图像的灵敏度大0.98，可以检测到所有7个小于10mm的小的癌症病灶。
方法
训练：食管癌图像包括397个ESCC（食道鳞癌）病灶，332个浅表癌病灶和65个晚期癌病灶，
32张EAC（食道腺癌）进行训练，其中包括19个浅表癌病灶和13个晚期癌病灶
测试：41ESCCs和8EAC（162食道癌图片和376没有癌症的图片）
网络模型：SSD（单发MultiBox检测器）
SSD的方法将边界框的输出空间离散化为一组默认框，这些默认框具有不同的长宽比和每个要素图位置的比例。在预测时，网络会为每个默认框中的每个对象类别的存在生成分数，并对该框进行调整以更好地匹配对象形状。此外，该网络将来自多个具有不同分辨率的特征图的预测结合起来，以自然地处理各种大小的对象。相对于需要对象建议的方法，我们的SSD模型相对简单，因为它完全消除了建议生成和后续的像素或特征重采样阶段，并将所有计算封装在一个网络中。这使得SSD易于培训，并且可以直接集成到需要检测组件的系统中。
用于深度理解SSD的网址：https://www.jianshu.com/p/cefe72e63ac5