近年来，深度学习及其应用不断发展。最近，苏黎世联邦理工学院的研究人员首次将这项技术应用于暗物质研究。现在，一个与加州大学伯克利分校和加州大学旧金山分校(UCSF)医学院合作的团队已经训练了一个叫做PatchFCN的卷积神经网络，它能以惊人的准确度检测脑出血。

该研究小组在一篇名为“基于深度学习的头部计算机断层扫描急性放射学专家级检测”的文章中说:“我们使用了一个单级、端到端、完全复杂的神经网络来达到与训练有素的放射科医生相当的精确度，包括放射科医生遗漏的异常识别和定位。"

据了解，该小组已达到99%的准确率，这是迄今为止检测脑出血的最高准确率记录。在某些情况下，神经网络的性能甚至超过了经验丰富的放射科医生:“我们的算法已经被证明是目前临床应用中最高的准确性。用于识别急性颅内出血阳性受试者的ROC曲线下面积已达到0.991±0.006，也超过了4名放射学家中的2名。”

通过Avida V100张量核心图形处理器和亚马逊自动扫描系统，帕奇福肯公司接受了来自UCSF附属医院的4000多套计算机断层扫描数据集的培训。训练和分析都是以一种新颖的方式进行的，在这种方式中，团队将CT扫描分成不同的部分，然后每个部分都可以通过模型进行分析。然后，研究团队通过分段的大小进行实验，以获得最佳结果，从而提高模型的准确性。

此外，据研究人员称，他们训练的模型可以在几秒钟内分析出一幅图片。经过分析，该模型不仅可以判断脑出血的存在，而且可以对每次脑出血提供详细的跟踪和测量。

这可能是医院的重要资产。该研究小组认为，PatchFCN不仅能提高产量，还能减轻放射科医生提高效率和生产率的压力。