使用百度EasyDL在临床检验中实现对抗学习算法(3)

每种指标有各自的权重，点击指标后，可以选择权重状况。AI会根据权重选项的不同，自动计算出指标权重档位，并在下次计算中，规划计分标准。

权重不同，计分棒的粗细也会不同，但是计分只会在下次训练中更新

由AI学习后的单个特征指标学习后的识别模型

当调整了权重后，再次点击红色按钮“开始训练“，则AI会在3~5分值内快速完成对新指标的识别模型。

E. 测试识别：测试识别依赖于“L35图像识别系统“，L35是root主系统的后台系统，所以没有操作界面，需要依赖指令打开;但我们提供了L35的测试指令文件，可以双击直

测试模式下，AI不会对细胞种类进行判定，而是将每一个细胞针对该类型的识别计分进行展示，一般情况下，符合识别模型(编号02为白细胞)为正数，不符合和图像质量欠佳的为负数，图中白细胞基本为正数，不符合的均为负数。

偶尔情况下，你粘连图像会为正数，此种状况，只需要在尿沉渣主系统中，修改识别计分范围即可，或在提取方法中，引用图像分割函数。如果识别状况仍然不满意，可以通过调整权重实现精确控制识别，可以多尝试几次，即可成功。

F . 正式识别程序，是由尿沉渣主系统控制并调用，识别结果会显示在尿沉渣主系统之中。在主系统正式识别操作中，对于错误的标注进行修改，系统会将被修改细胞自动归纳为新的学习样本，在下一次系统学习中，即可实现自我的升级迭代。

EasyDL的识别部署：

当EasyDL模型审核通过之后，我们有两种方法使用EasyDL的识别，一种是使用“体验H5”，生产H5的二维码，上传图像进行识别。

以上上传的图像，均识别为BLC白细胞

对抗算法的实现：

目前EasyEdge暂未上线，所以EasyDL只能部署于安卓系统的端设备之中，EasyDL的推理系统暂时不能部署于封闭网络环境中，因此EasyDL暂时只能作为网上对抗系统。当EasyDL完成WIN版SDK部署，即可实现双前端AI对抗验证。

EasyDL与特征学习目前的对抗，主要体现在错误识别的相互指正，然后通过人为分析结果，将错误的图像，重新加入到训练模型的数据集之中，让模型实现叠代。目前，对抗训练仍是需要采用手工完成，自动对抗训练系统正在开发之中。

三种AI相互的优劣势在临床检验尿沉渣中的比较：

使用对抗算法与传统算法相互间的比较：

在使用传统或是AI的单一算法过程中，无论哪种算法我们都无法让系统自行证明结果的正确性，但当引入竞争算法时，通过两种AI算法可以相互论证结果正确性。

传统单一AI算法无法指出自身的识别错误，往往需要人工复查每一个结果;而对抗算法可以有效的解决这一问题，人工只需要仲裁两种AI的差异结果，即可完成正确的应用过程中推理。而仲裁结果在完全自主对抗系统中，会将仲裁结果重新加入训练集，进而进化两种AI的准确性，这样避免了单一AI算法的过学习，也提高了AI的准确性。

EasyDL与特征学习目前各自的劣势：

EasyDL是百度出品的高级AI算法，其定位于易于训练的深度学习图像识别系统。但是图像尺寸与大小的限制，会限制其无法在真正需要EasyDL的场景，例如工业及临床显微中，过GB存储量的图像。而在图像标注过程中，EasyDL缺乏图像修饰能力，在训练过程中，模型往往容易受到非目标元素内容而形成干扰，训练出非可控的推理模型。

（编辑：ASP站长网）