机器学习在脑小血管病神经影像学应用的研究进展

脑小血管病（cerebral small vessel disease, CSVD）是严重危害我国居民健康的常见疾病,其临床表现异质性大,临床诊断主要依靠影像学检查。近年来,机器学习为更快速、准确地预测和诊断CSVD提供了可能。现从机器学习在神经系统疾病中的应用、CSVD的神经影像学表征、机器学习在CSVD影像学中的应用进行综述,为进一步探索CSVD的防治策略提供参考。     

基于机器学习的脑胶质瘤多模态影像分析

脑部胶质瘤是临床中常见的一种原发性脑肿瘤，具有复发率高、死亡率高以及治愈率低的特点。常规临床诊断主要依靠计算机断层扫描(CT)和磁共振成像(MRI)检查技术进行鉴别。随着成像技术和机器学习方法的不断发展，多模态影像智能分析技术已经逐步成为研究热点，在脑胶质瘤的病灶分割测量、肿瘤分级、预后生存周期预测和基因型辨别等方面具有重要的应用前景。本文重点介绍基于机器学习和多模态影像在脑胶质瘤临床辅助诊断和预后评估中的应用进展。     

影像组学在肾上腺肿瘤中的研究进展

随着医学诊断技术的发展,肾上腺肿瘤的检出率逐年增加.影像组学作为一种新兴的技术,能够对人眼难以识别的深层次数据进行挖掘、预测和分析,在肿瘤领域已经得到了广泛关注.主要介绍影像组学在肾上腺肿瘤诊疗中的研究进展,包括肾上腺肿瘤诊断及鉴别诊断、临床决策与风险评估、预后预测以及预测肿瘤生物学行为等,最后总结现阶段影像组学存在的...     

应用机器学习方法构建平滑肌肉瘤分子分型预测标签

[目的]应用机器学习方法,利用TCGA与GEO数据,构建平滑肌肉瘤分子分型预测标签。[方法]收集TCGA和GSE45510数据,建立机器学习模型,利用pamr包预测标签,将预测亚型与实际值对比以评估预测效果。[结果]经测试,阈值取6.639时,分类准确率为87.8%,相关基因159个。[结论]利用机器学习方法构建平滑肌肉瘤分子分型预测标签,可以用于预测平滑肌肉瘤分子亚型,提高诊断精度,指导未来平滑肌肉瘤亚型特异性靶向治疗,推动精准治疗发展。     

机器学习在静脉血栓栓塞疾病中的研究进展

<正>近年来人工智能(artificial intelligence, AI)在生物医学研究和医疗保健领域中的应用逐渐兴起^[1-2],在疾病的预测、诊断与治疗方面取得了进步^[3]。AI在健康领域的应用大致可分为四个大类,包括专家系统、机器学习、自然语言和信号处理,机器学习算法是数据挖掘领域的主要方法^[4]。1 机器学习的典型应用静脉血栓栓塞(venous thromboembolism, VTE)是全球三大常见血管源性疾病之一,     

常见机器学习方法在中医诊断领域的应用述评

对近年来数据挖掘技术中的常见机器学习方法应用于中医诊断的概况进行述评。近年来应用于中医诊断的常见机器学习方法有支持向量机、决策树、K近邻算法、人工神经网络、贝叶斯网络、AdaBoost算法等,这些方法各有其优势与不足。今后在促进机器学习运用于中医诊断研究领域时,需基于中医证的多维性、非线性和复杂性的特点,针对中医诊疗中的各项问题制定统一的标准并规范收集数据,选用合适的机器学习方法,寻找中医大数据下的隐藏知识和规律,以推动中医诊断客观化、规范化。     

机器学习在临床药物治疗中的研究进展

随着真实世界研究、精准治疗等概念的提出和发展,科研工作者对医疗大数据处理的需求不断增大。机器学习技术因在处理海量、高维数据及开展预测研究等方面具有独特优势,故而近些年在医学领域的应用不断深入。除应用于疾病诊断、影像识别和风险预测外,越来越多的研究证明机器学习可被应用于临床药物治疗的决策支持相关研究中。本文就机器学习在临床药物治疗中的研究进展予以综述。     

基于视网膜结构改变的机器学习对早期帕金森病诊断的预测价值研究

背景 帕金森病（PD）的诊断主要以临床症状为主，缺乏正确诊断的客观方法。目前已有关于视网膜结构改变作为PD早期诊断的生物标志的研究，但基于视网膜结构改变的机器学习对预测早期PD的研究尚少。目的基于视网膜结构改变的特征构建机器学习模型，探索其在早期PD诊断中的预测价值，及探讨不同机器学习算法对PD早期诊断的准确性。方法 选取2021年10月—2022年9月在河南省人民医院神经内科门诊就诊和住院治疗的年龄40～70岁的PD患者49例（PD组），并选取来医院体检的年龄及性别相匹配的39名健康者（健康对照组）为研究对象。所有研究对象行扫频源光学相关断层扫描和扫频源光学相干断层扫描血流成像检查，并定量分析黄斑区视网膜的厚度和血管密度。将88例受试者按7∶3的比例随机分为训练集62例和验证集26例，选择PD组与健康对照组差异有统计学意义的变量作为纳入机器学习模型的特征变量，并在训练集中分别构建Logistic回归（LR）、K-近邻算法（KNN）、决策树（DT）、随机森林（RF）和极端梯度提升（XGboost）模型。采用受试者工作特征（ROC）曲线下面积（AUC）、准确度、灵敏度和特异度评价基于视网...     

机器学习在重症患者急性肾损伤中的应用与发展前景

机器学习构建预测模型可以早期预测重症患者急性肾损伤（AKI）,有助于临床尽早采取预防措施以降低AKI的发生率。机器学习也可以做到实时鉴定AKI亚型,以便于未来临床针对其亚型实施精准治疗,从而有可能改善患者预后。本文就机器学习构建AKI预测模型、机器学习鉴定重症患者AKI亚型与精准治疗以及机器学习应用于重症患者AKI领域...     

胸苷激酶1和卵巢恶性肿瘤风险评估模型预测及早期诊断卵巢上皮癌的研究进展

卵巢上皮癌（ EOC）约占中老年女性卵巢肿瘤的80％,由于其生物学行为凶险,死亡率居高不下,早期诊断可明显改善患者生存率。胸苷激酶1（TK1）浓度与肿瘤恶性程度呈正相关,检测 TK1可提高对 EOC 早期鉴别诊断的效率。卵巢恶性肿瘤风险评估模型（ ROMA）可高效地筛查盆腔包块患者中的EOC低风险人群,对卵巢良恶性肿瘤术前鉴别及预测更准确、易行。近年来两者在卵巢癌诊断及预测领域已成为研究热点,本文就TK1和ROMA在预测与早期诊断EOC中的研究进展进行综述。     

基于影像组学和机器学习的胃肠道间质瘤与非胃肠道间质瘤鉴别

目的 建立并验证基于影像组学和机器学习方法鉴别胃肠道间质瘤与非胃肠道间质瘤。方法 纳入符合标准的患者435例,采集胃肠道间质瘤与非胃肠道间质瘤(包括胃平滑肌瘤、神经鞘瘤)共3279张超声内镜图像,按7:3比例分为训练集和测试集,采用Pyradiomics提取肿瘤影像组学特征并应用PCA、LASSO、Xgboost、Random Forest、RFE算法设计特征筛选方案,基于所选特征通过SVM分类器建立模型并评估对胃肠道间质瘤与非胃肠道间质瘤的预测性能。 结果 由最终筛选得到的影像组学特征建立影像组学模型,五种特征筛选模型(PCA, PCA+LASSO, PCA+Xgboost, PCA+ Random Forest, PCA+RFE)的曲线下面积(Area under curve,AUC)分别为0.581,0.870,0.874,0.860, 0.661。结论 PCA与Xgboost的特征筛选方法效果最佳,基于上述影像组学和机器学习方法鉴别胃肠道间质瘤与非胃肠道间质瘤的模型可用于患者的术前预测,并可作为指导后续个性化治疗的有效临床工具。     

机器学习在心血管疾病辅助诊断模型中的效果

我国心血管病死亡率居城乡居民总死亡率的首位,且心血管疾病的发病率仍持续增高。近十年来我国切实推进心血管健康事业建设,国家号召将心血管疾病的主战场由医院转向社区,因此迫切需要提升基层医疗服务质量来满足人民群众日益增长的健康需求。数字化信息时代的来临,使得机器学习广泛应用于图像辨别、语音识别和自然语言处理,人工智能在电商、家居、物流、交通等方面普遍运用,但对医疗保健的影响才刚刚开始。随着医疗数据可用性的提高和大数据分析方法的快速发展,人工智能在医疗领域的成功应用成为可能。在相关临床问题的指导下,强大的人工智能技术可以提取海量数据中隐藏的临床信息,进而辅助医生进行临床决策。近年来随着国家、社会对基层医疗的重视及互联网信息技术的发展,机器学习技术运用于心血管疾病的诊断和预测已成为热门。机器学习正在逐渐改变医生诊断疾病和临床决策的方式,但每个心血管疾病的诊断和决策都需要在疾病和统计学方面进行一定程度的分析,选择最优的机器学习算法才能更好地解决临床问题。本文通过比较近5年来有关心血管疾病辅助诊断模型的曲线下面积、敏感性、特异性、准确性、F1值、C统计值等多个量化指标来评估不同疾病分类下机器学习的优...     

影像组学在鉴别伴结石肾积水是否伴发肾细胞癌中的应用

目的利用有监督的机器学习方法探讨影像组学分析在鉴别伴结石肾积水是否伴发肾细胞癌中的应用。方法回顾性分 析经病理确诊的66例伴结石肾积水患者的腹部CT扫描,其中31例伴发肾细胞癌。对每位患者的三维肿瘤区域提取18个非纹 理特征和344个纹理特征,并应用无限特征选择技术（InfFS）结合支持向量机分类器的方法（SVM）进行特征选择。最后将最佳 特征子集训练SVM分类器并对伴结石肾积水是否伴发肾细胞癌进行预测。结果12个纹理特征入选最佳特征子集,且SVMInfFS 对伴结石肾积水是否伴发肾肿瘤的预测结果如下：感受曲线下面积、准确率、敏感性、特异性、假阳性和假阴性分别为 0.907、81.0%、70.0%、90.9%、9.1%和30.0%。临床医生以分类结果作为辅助信息进行诊断的结果如下：准确率、敏感性、特异 性、假阳性和假阴性分别为90.5%、80.0%、100%、0.00%、20.0%。结论基于有监督机器学习的计算机辅助分类模型,可有效提 取的辅助诊断信息,提高伴结石肾积水是否伴发肾细胞癌的诊断率。     

A Critical Review for Developing Accurate and Dynamic Predictive Models Using Machine Learning Methods in Medicine and Health Care

Recently, Artificial Intelligence (AI) has been used widely in medicine and health care sector. In machine learning, the classification or prediction is a major field of AI. Today, the study of existing predictive models based on machine learning methods is extremely active. Doctors need accurate predictions for the outcomes of their patients’ diseases. In addition, for accurate predictions, timing is another significant factor that influences treatment decisions. In this paper, existing predictive models in medicine and health care have critically reviewed. Furthermore, the most famous machine learning methods have explained, and the confusion between a statistical approach and machine learning has clarified. A review of related literature reveals that the predictions of existing predictive models differ even when the same dataset is used. Therefore, existing predictive models are essential, and current methods must be improved.     

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。     

临床医学研究生学习行为的预测模型研究———线性回归和机器学习的对比分析

目的对比线性回归模型与四种机器学习算法对临床医学研究生学习行为的预测效能,探讨不同预测模型的优缺点和适用性。方法以全国6922名临床医学研究生的调查数据为例,通过自评学习行为量表获得综合得分;在训练集中,分别利用Lasso线性回归和人工神经网络、决策树、Bootstrap随机森林、提升树四种监督式机器学习算法建立预测模型;对验证集数据进行预测并比较不同模型的预测效能。结果临床医学研究生学习行为综合得分为(3.31±0.54),总体达标率为74.02%。在线性回归模型中,年龄、学校级别、学位类型、学习兴趣、压力和满意度对学习行为的影响差异有统计学意义;在对验证集的预测中,线性回归模型的敏感度为0.484,特异度为0.914,准确率为0.801。四种机器学习算法的各项指标均高于线性回归模型,其中随机森林的提升度最高。结论线性回归模型对研究生学习行为的预测效果良好,机器学习在预测准确性上优于线性回归模型,但传统线性回归模型在计算效率和可解读性上具有一定优势。     

可解释机器学习方法在疾病预测中的应用:脓毒血症患者死亡风险研究

目的 探索可解释机器学习方法在疾病预测中的应用。方法 本研究以脓毒血症死亡风险预测为例,从重症监护医学数据库(Medical Information Mart for Intensive Care, MIMIC)-Ⅳ中采集符合纳排标准的19 903例脓毒血症(sepsis-3)患者的临床数据,利用决策树、逻辑回归、随机森林、XGBoost、轻量梯度提升机(light gradient boosting machine,LightGBM)模型分别构建脓毒血症死亡预测模型。在此基础上,利用全局可解释方法(特征重要性、部分依赖图、个体条件期望、全局代理模型)和局部可解释方法(局部代理模型和Shapely值)对复杂机器学习模型进行解释,探索影响脓毒血症患者预后的危险因素。结果 解释性差的机器学习模型的预测性能[模型LightGBM、随机森林、XGBoost的曲线下面积(area under curve,AUC)值分别为0.913、0.892、0.872]高于具有内在解释性的模型(逻辑回归模型AUC=0.779,决策树模型AUC=0.791),并利用全局解释性方法、局部可解释性方法两种类型的解释方法对机器学习模型决策过程进行解释。结论 利用全局解释性方法可以解释在整个特征空间内机器学习模型的响应趋势,利用局部可解释性方法可以解释机器学习模型对特定病例的决策过程。     

冠心病风险因素识别及其预测模型构建

目的：利用逻辑回归分析识别冠心病发作的危险因素,使用常见机器学习算法构建冠心病风险预测模型,为冠心病的早期预防与筛查提供理论参考。方法：通过对Kaggle发布的冠心病数据进行预处理和特征筛选后进行逻辑回归分析识别主要危险因素,选用逻辑回归、支持向量机、线性判别分析、决策树和随机森林5种常见机器学习算法进行冠心病发病预测。结果：性别、年龄、平均每日吸烟量、总胆固醇水平、收缩压和血糖水平是10年内冠心病发作的主要危险因素。选用的5种机器学习算法准确率与稳定性良好。与基于统计的线性判别分析相比,决策树与随机森林并未表现出明显的优越性。结论：机器学习技术适用于冠心病发作风险的预测,能够为冠心病的防控提供参考依据。