基于机器学习的神经精神疾病辅助诊断研究进展

【摘要】神经影像技术被广泛应用于研究大脑结构和功能异常与神经精神疾病之间的相关性。与传统的统计学分析方法不同,机器学习模型能对神经影像学数据进行个体化预测,发掘潜在的生物学标记物。神经精神疾病辅助诊断包含数据预处理和机器学习算法。数据预处理是一种人为的特征工程,为机器学习算法提供量化特征;机器学习算法包含特征降维、模型训练和模型评估。鲁棒的机器学习算法可以实现对不同数据集的准确预测,并提供对预测结果贡献大的特征,作为潜在的生物学标记物。本文综述了近年来基于机器学习的神经精神疾病辅助诊断研究进展,从数据预处理、机器学习算法和生物学标记物3个角度进行介绍,并展望未来的研究方向。 【关键词】神经精神疾病;神经影像;机器学习;辅助诊断     

基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价，缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合，在精神疾病辅助诊断领域的应用发展迅速，采用传统机器学习算法和深度学习算法，对脑电信号特征进行学习，从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征，笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展，最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解，难以解释其在医学领域的作用，因此深度学习也是脑电研究发展方向之一。此外，单独对脑电图进行分析难以囊括患者所有的特征，需与其他模态的生理参数结合进行多生理参数融合分析，使得疾病诊断更加智能化。     

基于心电图的心肌梗死智能辅助诊断方法研究综述

心肌梗死（心梗）具有致死率高、突发性和隐蔽性强等特点，临床上存在诊断不及时、误诊和漏诊等问题。心电图检查是诊断心梗最简单和快速的方法，开展基于心电图的心梗智能辅助研究具有重要意义。本文首先介绍心梗的病理生理机制及其心电图的特征性改变；在此基础上，分别综述了心电图特征点提取与形态识别方法、基于机器学习和深度学习的心梗辅助诊断方法，并着重对比分析了不同方法所用模型、数据集和数据量、导联数和输入模式、模型评估方式和效果，最后从心梗数据增强、心电图特征点提取、动态特征提取、模型泛化性与临床可解释性等方面归纳目前存在的问题并对发展趋势进行展望，可望为心梗智能辅助诊断等相关领域的科研工作者提供参考。     

机器学习在心脑血管领域图像分析上的应用

在心脑血管领域,医学影像与机器学习(machine learning, ML)的结合能够在影像数据中实现信息的更深入挖掘,并辅助疾病的分析诊断。目前,ML已经在CT成像技术、磁共振成像技术、超声成像技术、核医学成像技术等医学影像技术上有所应用,减少了不同个体主观判断所产生的误差,同时提高了诊疗效率。我们总结了心脑血管诊疗领域常用医学影像技术的特点,分别从心脑血管影像的分类、检测、分割和生成四方面对ML的应用进行探讨,并对ML在心脑血管影像分析领域的未来应用方向进行展望。     

人工智能在泌尿疾病诊断中的应用现状与趋势

近年来,随着数据储存、图像处理、模式识别和机器学习等技术的进步,人工智能在泌尿疾病的诊疗方面得到了广泛的应用。基于影像学和组织病理学等海量的生物医学大数据,人工智能技术可以让医务工作者对泌尿系肿瘤、泌尿系结石、泌尿系感染、泌尿功能异常和勃起功能障碍等几类泌尿疾病的诊断更为精准,让治疗更加个性化。然而,目前人工智能诊疗大多处于研究阶段,在实际的应用中尚存在一些问题。本文以辅助诊断为线索,对人工智能方法在前列腺癌、膀胱癌、肾癌、尿路结石、尿频、勃起功能障碍等常见泌尿疾病的应用和研究情况予以综述,并进一步探讨其存在的问题和未来发展方向。     

脑象图学及其临床应用

本文主要阐述了脑象图技术在抑郁症疾患中的研究与应用。研究结果表明,脑象图对抑郁症诊断具有较高的敏感度以及特异度,在临床中作为精神类疾病的辅助诊断具有一定的应用价值。     

培养医学生机器学习的实践素养

机器学习(ML)正快速发展为可辅助特定医学决策的临床人工智能(AI)系统。但是,目前ML面临临床数据不均一性高、临床任务机器转化难度大等限制因素。未来“智能”医生应当主导围绕临床目标和临床数据的医学和AI的创新。因此,在医学生实习或住院医师培训中以案例学习的形式,加入对ML所需最小样本量的估算和数据高级特征的临床解读等素养的实践训练,有利于培养医学生具备智能辅助诊疗的临床思维,创新更高效的智能医学决策体系。     

一种基于语音信号的抑郁症智能诊断方法

目的 提出一种基于语音特征的机器学习诊断新方法，以实现抑郁症的临床智能诊断。方法选择抑郁症患者与正常人群的语音信号作为信号源，语音信号特征采取短期特征与长期特征相结合的方法，将短期特征离散化后，分别通过独立组合和共同出现的方法生成组合特征，并结合随机森林算法和极度梯度提升算法进行分类与评估。结果 组合特征作为分类特征相较于短期特征、长期特征以及深度学习的方法在F1分数上绝对提高21%、14%、14%，非抑郁类的敏感度上绝对提高36%、29%、7%。结论 特征组合方法能够根据语音片段对抑郁程度进行很好的分类。     

神经精神疾病自动分类与预测研究进展

神经精神疾病的神经病理机制仍有许多未知,客观临床诊断标准也十分欠缺,其诊断与预后面临巨大挑战。随着神经影像技术的快速发展,神经影像数据被广泛应用于神经精神疾病神经病理机制的探索和潜在生物标志物的发掘。相比于实现群体水平分析的传统单变量分析方法,机器学习模型基于神经影像数据,实现神经精神疾病的个体化、智能化预测。综述近年来基于机器学习的神经精神疾病自动分类与预测研究进展,从机器学习基本原理和精神分裂症、抑郁症、阿尔兹海默症与帕金森病等4种典型神经精神疾病的最新研究成果等方面进行了总结和分析。目前,疾病自动分类与预测研究还存在着样本量小、可重复性低等局限性,未来可以通过多站点数据协同分析来提高研究的样本量。此外,深度学习和跨疾病诊断与预测也是未来研究的重要方向。     

机器学习在骨科诊疗中的应用进展

近年来,人工智能相关技术与医学领域的深度融合使得医工交叉成为热点。骨科疾病诊疗存在数据量大和决策困难等问题。机器学习作为人工智能领域的重要方法,具有对医学大数据自动分析和预测的能力,被广泛应用于骨科等临床学科领域,辅助医生高效地完成疾病诊断和治疗工作。介绍了机器学习在骨科术前、术中和术后诊疗中的应用进展,为探索更加合理的诊治策略提供新的思路。     

基于磁共振图像的帕金森病计算机辅助诊断研究进展

近年来,由于帕金森病(PD)的临床复杂性与多模态磁共振(MR)图像的高维性,如何有效挖掘图像中特异性标记PD的影像生物标志物、建立高效的PD计算机辅助诊断(CAD)模型是研究中极具挑战性的问题。综述目前国内外研究进展,进一步分析MR多模态特征提取、特征选择、分类器模型等传统机器学习方法建立CAD模型的关键技术,并简要概述基于深度学习方法在早期PD分类诊断中的应用。指出基于多模态MR图像,采用机器学习或深度学习方法构建CAD模型,能够客观、准确地识别PD患者,对提高早期PD诊断的准确性具有很大价值和应用前景。今后研究应更深入挖掘多模态MR图像中的潜在标记PD的影像生物指标,开发更高阶的CAD模型,以辅助早期PD的临床智能诊断。     

正则化多任务学习在精神分裂症核磁共振成像图像分类中的应用

为实现对精神疾病的计算机辅助诊断与预后,利用机器学习与图像处理技术分析多地区精神疾病的核磁共振成像数据,已成为该领域的必然趋势。本文首先提出切片提取的核磁共振成像图像预处理方法,然后提取图像的纹理特征,最后提出一种lp范数正则化的多任务学习支持向量机精神分裂症分类方法,同时学习3个数据中心精神分裂症图像的共享特征和各自独有的特征,用于分类精神分裂症患者和正常人。实验结果表明,该方法取得了优秀的诊断精度,可为精神分裂症患者的临床诊断与治疗提供生物学依据。     

基于大数据技术的糖尿病临床决策支持系统分析与展望

糖尿病是一种慢性非传染性疾病,目前只能通过长期用药和自我管理来缓解病情,无法根治.临床决策支持系统能够模拟糖尿病医疗专家诊断疾病的思维过程,向医生提供常规诊疗方案,推荐最优方案.现有的临床决策支持系统大多基于临床指南、规则、案例推理以及本体.大数据技术可获取和处理多元异构的各类数据,提供更科学的个性化诊疗方案.近年来已有基于决策树、神经网络、模糊逻辑、支持向量机、APRIORI关联规则与多维分析和时序挖掘等多种大数据处理方法应用于糖尿病的临床诊断,但其尚处于起步阶段.对基于大数据技术的糖尿病临床决策支持系统的框架进行了分析,并展望了未来的诊疗方式.     

医学图像深度学习处理方法的研究进展

由于医学图像数据爆炸式增长,传统依靠医生人工对医学图像进行分析诊断,不仅工作效率低下,工作量大,还容易误诊、漏诊。随着人工智能(artificial intelligence,AI)技术的发展与应用,机器学习(machine learning,ML),尤其是深度学习(deep learning,DL)在医学图像分析领域发挥着越来越重要的作用。本文对DL在医学图像自动分割和分类识别中的研究进展进行综述,为DL在解决医学图像分析诊断方面提供有益参考。     

Development and validation of a machine learning algorithm and hybrid system to predict the need for life-saving interventions in trauma patients

Accurate and effective diagnosis of actual injury severity can be problematic in trauma patients. Inherent physiologic compensatory mechanisms may prevent accurate diagnosis and mask true severity in many circumstances. The objective of this project was the development and validation of a multiparameter machine learning algorithm and system capable of predicting the need for life-saving interventions (LSIs) in trauma patients. Statistics based on means, slopes, and maxima of various vital sign measurements corresponding to 79 trauma patient records generated over 110,000 feature sets, which were used to develop, train, and implement the system. Comparisons among several machine learning models proved that a multilayer perceptron would best implement the algorithm in a hybrid system consisting of a machine learning component and basic detection rules. Additionally, 295,994 feature sets from 82 h of trauma patient data showed that the system can obtain 89.8 % accuracy within 5 min of recorded LSIs. Use of machine learning technologies combined with basic detection rules provides a potential approach for accurately assessing the need for LSIs in trauma patients. The performance of this system demonstrates that machine learning technology can be implemented in a real-time fashion and potentially used in a critical care environment.     

人工智能在中医药的研究现状及展望

中医药在世界范围内难以被广泛接受的主要问题是缺少足够客观定量的数据支撑和完备而自洽的理论体系。此外,传统中医术语的模糊性、理论知识的难以理解性、治疗思维的抽象性、中医医案的繁杂性也对中医现代化发展带来了极大的挑战。随着信息技术的日新月异,大数据和人工智能技术为规范中医诊疗数据、构建智能中医诊疗体系以及突破传统中医诊疗模式提供了新方法,进一步推动了中医药智能化的发展。经过半个多世纪的发展,中医与人工智能技术的融合逐步深入,取得了一定的应用成果,如中医药中医信息化数据库、中医四诊采集设备、中医辅助诊疗系统以及智慧中医健康管理等。但就目前而言,中医药智能化发展中仍存在数据标准欠缺、相关制度不够完善、交叉人才匮乏等问题,未来还需进一步建立规范的数据标准,完善数据共享、知识产权、伦理规范等法律法规,加速培养学科交叉复合型人才,创新思维革新医疗模式等,促进人工智能背景下的中医药创新发展。本文从知识发现与机器学习的角度,对人工智能在中医药的研究进展概括总结,以期为中医药智能化提供助力。     

寸口桡动脉智能脉象采集与分析系统

传统的脉诊信息收集和辩证具有明显的主观特性,影响证候的规范化和标准化。本文提出一种融合了微控制器技术、传感器技术、数字信号处理技术、人工智能等技术的数字化脉诊仪,采用数字化信号表示中医脉诊的信息,针对采集到的脉象信息使用机器学习的有关算法进行脉象的识别和分类,该系统对提升中医临床诊疗的客观性和准确性具有重要的借鉴和参考意义。     

A review of statistical and machine learning methods for modeling cancer risk using structured clinical data

Advancements are constantly being made in oncology, improving prevention and treatment of cancers. To help reduce the impact and deadliness of cancers, they must be detected early. Additionally, there is a risk of cancers recurring after potentially curative treatments are performed. Predictive models can be built using historical patient data to model the characteristics of patients that developed cancer or relapsed. These models can then be deployed into clinical settings to determine if new patients are at high risk for cancer development or recurrence. For large-scale predictive models to be built, structured data must be captured for a wide range of diverse patients. This paper explores current methods for building cancer risk models using structured clinical patient data. Trends in statistical and machine learning techniques are explored, and gaps are identified for future research. The field of cancer risk prediction is a high-impact one, and research must continue for these models to be embraced for clinical decision support of both practitioners and patients.