基于级联区域卷积神经网络算法在肾组织病理切片中对肾小球的识别与定位

目的 基于级联区域卷积神经网络(cascade R-CNN)算法开发一种能自动识别肾组织病理切片图像中肾小球的人工智能(AI)系统,帮助病理医师提高计算肾小球个数与识别肾小球的效率.方法 收集2017-2019年3年内在山西医科大学第二医院和山西医科大学附属人民医院行肾穿刺活检术患者的肾脏病理切片,剔除模糊不清、染色质量差的图像,最终得到1 180张质量无明显差异的六胺银(PASM)染色图像.通过高分辨率全视野数字切片(WSI)获得数字化扫描图像,图像数据通过远程病理系统传输到云端并储存.使用cascade R-CNN方法创建训练集(940张图像)和测试集(240张图像),训练集用于训练AI学习识别肾小球,测试集用于测试和评价cascade R-CNN算法识别出肾小球的精确度和召回率.将测试集的病理切片由3名工作年限至少3年的病理医师阅读,计算医师们识别肾小球的精确度与时间.结果 基于cascade R-CNN网络训练完成的深度学习模型识别每张图像肾小球区域时间为(0.20±0.02)s.精确度、召回率分别为93.90％、98.00％,F1值为95.91％.3名病理医师识别每张图像肾小球区域时间分别为(3.57±0.05)、(4.57±0.07)、(3.98±0.02)s,精确度分别为88.08％、89.69％、89.98％,差异均无统计学意义(P均＞0.05).cascade R-CNN算法识别肾小球的精确度高于3名病理医师的平均精确度(89.25％),差异有统计学意义(t=-5.607,P=0.009).结论 cascade R-CNN算法通过高分辨率WSI可快速有效地识别肾小球,能够帮助病理医师提高肾脏疾病的诊断效率.     

深度学习算法在角膜荧光染色分级评估中的应用

目的 探讨深度学习算法在角膜荧光染色分级评估中的应用价值。方法 采用横断面研究,共纳入四川大学华西医院隐形眼镜门诊就诊患者的角膜染色图片600张。其中500张用于构建算法,其余100张用于验证算法有效性并比较人工智能(artificial intelligence, AI)与视光初学者间评级准确性(accuracy, ACC)及诊断时长的差异。在完成初次评级1个月后,进行第二次评估,比较两次评估的一致性指数(kappa值)。3位经验丰富的视光师综合分级的结果作为本研究的“金标准”。结果 通过全集、训练集、测试集交叉验证4种深度学习模型,ResNet34模型预测准确性最高。ResNet34深度学习模型在角膜染色分级上的准确性为93.0%,敏感性为89.5%,特异性为89.6%。AI与两位初学者比较,AI的准确性较高(ACC_AI=87.0%、ACC_S1=78.0%、ACC_S2=52.0%,P_ACC=0.001),同时AI的平均诊断时长短于视光初学者(t_AI=1.00 s,t     

基于深度学习的中孕期胎儿超声筛查切面自动识别

目的本研究利用深度学习方法,基于深度卷积神经网络模型,对中孕期胎儿超声筛查图像的31个标准切面进行自动识别。方法采集孕20~24周胎儿超声筛查切面图像共76260张(包含31个切面),将其划分为训练集68386张,测试集7874张。在Vgg16网络模型上进行模型微调,加载数据集进行训练。将训练好的模型在测试集进行验证。结果该模型对于胎儿超声筛查切面的识别正确率为94.8%。结论该方法能够准确识别胎儿超声筛查图像的每个切面,为胎儿超声图像的自动质量控制解决方案打下了坚实的基础。     

基于深度学习的内镜下胃黏膜多病灶辅助识别系统

目的 开发一套基于深度学习的内镜下胃黏膜多病灶辅助识别系统并评估其识别胃黄斑瘤、糜烂、息肉、黏膜下隆起4种病灶的有效性.方法 收集武汉大学人民医院消化内镜中心7388张图像作为训练与验证集,另筛选出900张图像作为测试集1;收集连续患者资料,筛选出1240张图像作为测试集2;收集另5家医院连续患者资料,筛选出6536张...     

基于迁移学习的胃镜图像自动识别多分类系统的研究

目的通过迁移学习提高早期胃癌图像识别准确率。方法根据胃癌前病变概念收集5类胃镜图像,分别为早期和进展期胃癌图像783张、胃溃疡图像1042张、慢性胃炎图像1143张、胃息肉图像1096张和正常胃镜图像1763张,按6:2:2的比例分为训练集、验证集、测试集,通过从零训练模型ResNet34与微调迁移模型ResNet34、VGG16相比较。结果基于迁移学习的ResNet34模型识别准确率最高,验证集准确率95.64%,测试集准确率90.75%。结论ResNet34模型可较准确的实现常见胃镜图像识别,较传统深度学习方法对小数据集的医学图像有更好的泛化和特征提取能力。     

人工智能在骨科中的应用

人工智能(AI)是目前最热门的新兴计算机科学之一,该技术主要应用领域于对智能机器的仿人类智能模拟方面的研究。通过数据处理、深度学习、模型构建为医学领域疾病的诊断和治疗提供辅助帮助。尤其在骨科领域中,AI通过深度学习构建人工神经网络,利用医学数据集建立训练模型进行图像解释、风险评估等,提高临床诊断的准确性。特别是在在AI辅助3D打印技术、骨科机器人两方面具有重大的临床意义。3D打印技术采用AI计算机辅助设计技术,根据患者特征设计出吻合性手术内置物,提高患者治愈率,减少术后并发症;骨科机器人则以计算机辅助导航系统为核心,实现了临床上人机交互手术治疗骨科疾病的重大突破。     

新辅助化疗对乳腺癌细胞凋亡和增殖的影响

目的:探讨新辅助化疗对乳腺癌肿瘤细胞的凋亡和增殖的影响.方法:应用末端脱氧核苷酸转移酶介导dUTP缺口末端标记法(TdT-mediated dUTP-biotin nick end labeling,TUNEL)及免疫组化的S-P法,分别检测新辅助化疗组和对照组乳腺癌组织中肿瘤细胞的凋亡指数(AI)和乳腺癌肿瘤组织的Ki-67抗原表达.结果:新辅助化疗组肿瘤细胞AI均数为9.26%,比对照组肿瘤细胞AI均数3.36%明显增高(P＜0.01).新辅助化疗组肿瘤细胞Ki-67抗原过表达率为15.63%,比对照组Ki-67抗原过表达率50.0%低(P＜0.05).结论:新辅助化疗能诱导人体乳腺癌肿瘤细胞发生凋亡,并能抑制其增殖.     

智能髋关节超声技术在婴儿发育性髋关节发育不良筛查中的应用

【目的】开发一种辅助发育性髋关节发育不良（DDH）的早期超声筛查的深度学习系统,即新型智能髋关节超声技术（S-hip）,并验证其临床应用价值。【方法】选取我院自2021年11月至2022年8月通过标注和审核的婴儿髋关节冠状切面超声图像11 100张,其中8 100张图像用于训练集,3 000张用于测试集,用于构建S-hip深度学习系统。另采集87例婴儿双侧髋关节共174张标准冠状切面超声图像用于验证S-hip的自动测量与医生人工测量之间的一致性。S-hip、超声专家和住院医师分别测量α角、β角和FHC,分别记录测量数据和测量耗时,并进行统计学分析。另选取100张髋关节标准冠状切面超声图像,用于超声专家和超声住院医师测量者自身两次测量重复性验证。【结果】S-hip与超声专家测量α角、β角和FHC结果的组内相关系数（ICC）与95%可信区间（CI）分别是0.799(0.738,0.847)、0.798(0.737,0.846)和0.934(0.954,0.975)。超声住院医师和超声专家测量α角、β角和FHC结果的ICC(95%CI)值分别是0.725(0.645,0.789)、0.674...     

胃癌神经及脉管浸润的危险因素分析

目的探讨胃癌神经浸润(perineural invasion,PNI)及脉管浸润(lymphvascular invasion,LVI)的危险因素,为临床防治工作提供可靠的理论依据。方法收集胃癌患者的手术病检石蜡标本及相应临床病理资料,应用苏木精-伊红(hematoxylin-eosin,HE)染色及免疫组化方法(immunohistochemistry,IHC)检测胃癌组织中S100、D2-40和CD34的表达情况,根据HE及IHC结果判断PNI及LVI;采用单因素/多因素方法分析胃癌PNI及LVI与临床病理因素之间的关系,探讨胃癌PNI及LVI浸润的危险因素。结果 91例胃癌患者中PNI及LVI的阳性率为44.5%;单因素分析显示,肿瘤分化程度、淋淋巴结转移个数和肿瘤浸润深度与PNI及LVI有关(P<0.05),患者的性别、年龄、肿瘤直径及幽门螺杆菌感染(Helicobacter pylori,Hp)均与PNI及LVI无关(P>0.05);多因素Logistic回归分析显示,肿瘤分化程度、淋巴结转移个数和肿瘤浸润深度与PNI及LVI呈正相关(P<0.05)。结论肿瘤分化程度、淋巴结转移个数、淋巴结转移个数和肿瘤浸润深度是影响胃癌PNI及LVSI的独立危险因素。     

Prognostic value of perineural invasion in patients with stage Ⅱ rectal carcinoma

目的 探讨肿瘤神经侵犯(PNI)在Ⅱ期直肠癌中预后指导意义.方法 调取194例行直肠癌根治术的Ⅱ期直肠癌患者病理HE染色切片,重新读片,根据HE染色判断PNI情况,并分析其在临床5年无瘤生存率及总生存率的意义.结果 PNI 36(18.5%)例,PNI仅与肿瘤分化程度(P<0.01)及脉管浸润(P=0.02)相关,与年龄、性别、肿瘤大小、肿瘤部位、浸润深度、活检淋巴结数无关.单因素分析显示,浸润深度(P=0.149)、活检淋巴结数(P=0.052)、脉管浸润(P=0.013)、PNI(P<0.001)是5年无瘤生存率的危险预后因素,年龄(P=0.029)、性别(P=0.063)、肿瘤部位(P=0.063)、活检淋巴结数(P=0.028)是5年总生存率的危险预后因素;多因素分析发现活检淋巴结数(P=0.001)是5年总生存率的独立预后因素,PNI(P=0.001)是5年无瘤生存率的独立预后因素.结论 PNI是Ⅱ期直肠癌的无瘤生存时间独立预后因素,PNI可作为Ⅱ期直肠癌预后判断的重要参考.     

人工智能领域基底细胞癌的诊治研究进展

基底细胞癌（BCC）是最常见的皮肤肿瘤之一,临床医师可以根据发病部位、皮损外观特点做出初步诊断,还可以通过皮肤镜等无创检查手段进行图像分析与拟诊,最终依据组织病理结合临床信息确诊。近年随着人工智能（AI）技术的发展,利用机器视觉对图像进行自动识别与分析成为可能。计算机辅助诊断系统通过深度学习大量临床、皮肤镜、组织病理图片资源建立人工神经网络,辅助专业医师对疑难病症做出分析判断,有助于提高皮肤肿瘤的早期诊断水平、增强基层医师诊治能力、减轻病理专科医师工作负担。本文现就国内外AI领域对BCC的诊治研究进展作一综述。     

人工智能推动精准病理诊断的发展

病理诊断在精准医学中扮演着非常重要的角色,无论是病理医生资源有限的现实,还是不断精细量化的临床诊断需求,都对精准的病理诊断能力提出了更高的挑战。医学界希望人工智能（artificial intelligence, AI）成为从多个方面解决这一难题的得力助手。本文讨论了AI推动精准病理诊断的几个方面:AI辅助病变组织的精准获取、AI辅助组织病理精准诊断、AI辅助组织学分级和定量评分、AI辅助肿瘤生物标记物的精准评估、AI辅助基于HE图像预测分子特征和精准的生物信息解读、AI辅助信息整合实现深层次的精准诊断、AI辅助基于HE图像精准预测患者的生存和预后,为读者展现AI技术为我们迎来的智慧病理的明天。     

胰腺癌神经浸润机制研究新进展

胰腺癌机制复杂,致死率高,至今其疗效仍较差,5年生存率极低。胰腺癌中PNI发生率高,是造成胰腺癌术后局部复发的主要因素,是胰腺癌不良预后因素之一。然而,胰腺癌PNI发生的分子生物学原因仍然不清楚,胰腺组织及周围具神经纤维丰富,是胰腺癌PNI的发生发展的解剖学基础。胰腺癌生长的微环境,癌组织介导的神经重塑,都可能是肿瘤细胞PNI的原因。胰腺癌乏氧微环境、慢性炎性微环境以及高糖微环境的协同作用,形成了复杂的网络调控作用,肿瘤基质及肿瘤微环境的网络调控,使神经与肿瘤细胞之间的相互作用发生和形成了PNI。     

人工智能技术在早期胃癌内镜诊断中的应用进展

近年来,基于深度学习的人工智能技术在图像识别方面取得了显著进步,并被广泛应用于临床医学研究。在早期胃癌诊断领域,因肿瘤不易发现的特性成为内镜医师镜下诊断的难题。而人工智能技术与消化内镜相结合,在慢性萎缩性胃炎和肠上皮化生的识别、幽门螺杆菌感染状态的判断、早期胃癌及癌前病变的诊断、肿瘤浸润深度的预测等方面均显示出良好的应用价值。该文对人工智能技术在早期胃癌中的临床应用进行阐述,并讨论存在的问题和挑战,预测未来可能的应用前景。     

人工智能在青光眼诊断中的应用

近年来,人工智能(artificial intelligence,AI)在医学领域的应用范围不断扩大,已成为医疗行业关注的焦点,利用人工智能、机器学习及深度学习诊断眼科疾病的研究也逐步展开。青光眼是一种常见致盲性眼病,具有隐匿性和渐进性,早期诊断和干预可以降低青光眼视力丧失的风险并极大地改善预后。目前,AI系统在诊断青光眼方面已有很多应用,本文综述了AI在青光眼领域的研究和应用,以及临床优势和挑战,并展望了AI在青光眼中的潜在应用前景。     

人工智能在肿瘤病理诊断和评估中的应用与思考

人工智能在多个医学场景如疾病诊断、药物筛选、影像医学和护理医学等领域中取得了革命性的进步.病理切片属于二维图像,是人工智能的首要突破点.我国的医疗资源和病理资源丰富,而病理切片的标准化和数字化为人工智能的深度学习提供了大数据背景.我们在乳腺癌、胃癌和胆管癌病理人工智能方面进行了一系列研究,建立了标准的肿瘤细胞标注流程和深度学习流程,研发了肝门部胆管癌人工智能模型,但也发现了存在的问题,提出了解决方案.随着精准性的提高,病理人工智能有望很快进入临床实践.     

实体瘤病理数据集建设和数据标注质量控制专家意见（2019）

病理诊断是肿瘤诊断的金标准,是临床治疗的基石。人工智能在肿瘤组织和细胞检测方面已经取得显著进展,有助于病理医师准确、高效、定量地识别出肿瘤细胞和（或）肿瘤特征,提高工作效率,弥补病理医师短缺。发展病理人工智能的前提是高效、精准的标注工作,即将各种类型和不同分化程度的肿瘤细胞勾勒出来。为了促进行业规范性发展、加强数据标注质量控制,肿瘤学、病理学、电子信息学等领域专家共同组建了《实体瘤病理数据集建设和数据标注质量控制专家共识》筹备组,致力于推进实体瘤病理人工智能标准化数据集的建设。本文从实体瘤病理数据的标本来源、标注团队、标注规则、标注流程、质量控制、疑难病例解决方案等多个环节介绍肿瘤细胞标注过程中达成的初步意见。     

人工智能技术在组织和细胞形态学评估中的应用

形态学评估和特殊染色评分系统是目前基础和临床科研的重要组成部分,对于判断药物疗效和基因干预效果非常重要。然而,目前的视觉评分系统主观性强、重复性差、准确率低,极易出现漏诊和误诊。基于深度学习的人工智能技术有望克服这一问题,利用卷积神经网络能准确提取与肿瘤患者疗效和预后相关的内部特征,如肿瘤-间质比、神经侵犯和淋巴细胞空间分布;图像化和数字化显示药物干预疾病进展的疗效,同时能对与临床治疗、分型和预后相关的分子标志物进行定量化和自动化评分。人工智能技术应用于组织和细胞形态学评估后,将会推动临床药物评价和基础科研评价的一致性、重复性和准确性,有望进一步推动医学科研的发展。     

神经浸润与胃癌预后相关性研究

目的 探讨分析影响胃癌患者术后预后的相关因素,并探究神经侵犯（perineural invasion,PNI）在胃癌患者术后的预后价值.为提高胃癌治愈率提供依据.方法 收集于2010年1月～ 2011年12月期间在笔者医院行外科手术治疗的413例胃癌患者临床资料并进行回顾性分析,研究胃癌预后相关指标、神经浸润与其他临床病理参数的关系及对预后的意义.结果 413例患者中有123例（29.78％）神经浸润,神经浸润与肿瘤位置、肿瘤大小、肿瘤宏观类型、T分期、淋巴转移率、脉管癌栓形成、转移情况及TNM之间有统计学差异,COX回归多因素分析中得出性别、T分期、淋巴转移率、转移情况、手术方式、术后化疗情况、CEA及CA199水平是影响胃癌术后预后的独立因素（P＜0.05）.结论 影响胃癌术后预后相关因素有许多,如淋巴转移率、TNM分期等,神经浸润与肿瘤的进展密切相关,对胃癌患者预后评估有着重要的作用.     

人工智能在年龄相关性黄斑变性领域的研究进展

近年来，人工智能（AI）在医学领域呈现出迅猛发展的态势，在眼科学的应用范围也不断扩大。年龄相关性黄斑变性（AMD）是一种常见致盲性眼病，AI在AMD中的研究与应用日益增多，加深了人们对AMD的认识。利用AI技术对AMD患者进行早期筛查与诊断可以降低患者视功能损伤的风险，其次运用AI对AMD进展进行预测，设计个性化治疗方案，可以改善患者预后。该文综述了AI在AMD筛查、诊断、预后中的最新进展，以及在临床实践上面临的困难与挑战，旨在为将来的研究提供新思路。