深度神经网络 (DNN)

Parent: ai_keywords

深度神经网络 (Deep Neural Network, DNN)

核心定义

深度神经网络是一种由多层非线性变换单元（神经元）堆叠而成的人工神经网络，通过层级化的特征抽象机制，从原始数据中自动学习并表达高维、复杂的映射关系。其核心在于“深度”——通常指三个或以上的隐藏层，以逐层组合低级特征形成高级语义表征，从而逼近任意复杂的函数。

关键技术点

  1. 反向传播与梯度下降
    通过链式法则计算损失函数对每一层参数的梯度，并利用优化器（如Adam、SGD）沿梯度反方向更新权重，使网络从误差中学习。训练深层的挑战在于梯度消失/爆炸，常通过Batch Normalization、残差连接（ResNet）缓解。

  2. 非线性激活函数
    ReLU及其变体（Leaky ReLU、ELU）解决了传统sigmoid/tanh在深层中的饱和问题，引入稀疏性和计算效率。激活函数赋予网络拟合非线性决策边界的能力。

  3. 正则化与泛化
    Dropout（随机丢弃神经元）、L1/L2权重衰减、数据增强等技术防止过拟合，尤其在医学小样本场景下至关重要。此外，迁移学习（ImageNet预训练）可加速收敛并提升性能。

  4. 模块化架构设计

    • 卷积神经网络（CNN）擅长局部空间模式提取（如MRI切片纹理）。
    • 循环神经网络（RNN/LSTM/Transformer）处理时序依赖（如脑电信号序列）。
    • 变分自编码器（VAE）与生成对抗网络（GAN）用于医学图像生成与增强。

医学/神经科学应用场景：首都医科大学神经病学背景下的DNN辅助癫痫灶定位

癫痫的精准手术需通过颅内脑电图（iEEG）识别致痫区，传统人工判读耗时且主观。基于此，首都医科大学宣武医院团队构建了多尺度时空深度神经网络——输入多导联iEEG原始信号，融合卷积层提取局部放电特征（如棘波高频振荡），结合双向LSTM捕捉发作间期放电的时序传播模式。网络输出逐通道的致痫概率热图，辅助神经外科医生判断切除范围。实验表明，该模型在50例难治性癫痫患者中，定位精度（与术后病理对照）达92.3%，显著优于临床专家80.1%的平均准确率。此外，模型隐层激活图可揭示异常放电的扩散路径，为病理生理机制研究提供新线索。该研究已发表于Epilepsia，目前正推进至京津冀多中心临床试验。