基于混合域注意力机制和残差网络的特纳综合征分类研究

目的:利用人脸图像,构建基于深度学习的特纳综合征(Turner syndrome,TS)分类模型,旨在提高TS诊断准确率,降低诊断开销。方法:首先,将通道域注意力机制和空间域注意力机制以及残差结构相结合,提出一种具有混合域注意力模块的残差网络,然后使用深度迁移学习技术完成模型的初始化,最后使用TS人脸数据集对网络模型进行微调。结果:该模型对TS的分类准确率为0.9171。结论:所提出的TS分类模型优于现有TS识别方法,能更为有效地辅助TS的临床诊断。     

基于深度学习的肝包虫疾病图像分类

目的:为了实现新疆高发病肝包虫病CT图像的正确分类,提出一种深度学习的肝包虫病CT图像的自动分类方法。方法:对单囊、多囊和肝囊肿CT图像使用深度学习的分类方法进行分类。首先,构建并优化ResNet-50网络模型,将肝包虫病图像分批次传入网络,然后用交叉熵作为损失函数,最后把网络结构加入对数据的批归一化处理,通过反向传播算法优化参数使损失函数最小化,最终选择训练所得的最优网络。结果:各类别的最佳分类准确率分别为单囊型78.33%、多囊型81.52%、肝囊肿型80.24%。结论:深度学习卷积神经网络的肝包虫病CT图像疾病分类方法可行、合理、且调整后的ResNet-50模型比较适合肝包虫病图像的分类,有望通过深度学习方法对肝包虫病提供辅助诊断及决策支持。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

深度学习网络在甲状腺结节良恶性分类中的应用

目的将深度学习网络技术应用在超声图像的甲状腺结节良恶性判别中的研究。方法采集5649名具有病理报告病人的甲状腺超声检查图像,经过资深医生对照病理报告"金标准"进行图像的筛选得到共10018张用以训练深度学习网络,训练好的网络可无监督的对结节性质进行自动分类。结果网络对甲状腺结节良恶性质分类的准确率高达92.8%,特异度可达到96.3%,阳性预测值达到94.2%,阴性预测值达到92.0%,能够得到较高的分类准确率。结论深度学习网络技术能够在自动分类甲状腺结节良恶性的领域内体现较好的结果和优势,切实为临床医生出具诊断报告提供重要的客观参考。     

深度学习方法对周围型肺癌和肺结核球的分类初探

目的评价深度学习方法对周围型肺癌和肺结核球的分类能力,同时比较了不同来源CT影像和病灶大小对最终分类结果的影响。方法研究数据包含了2家医院的4台不同CT机型,共114例证实为肺癌或肺结核球的金标准CT影像。对CT图像进行肺组织提取、裁剪、旋转、翻转等数据增强方法后,生成4686张训练图像。使用改进的、基于GoogLeNet深度学习网络进行训练。结果对总共146张训练集以外的测试图谱分类结果显示,模型的总体分类精确率、召回率、F值分别为88.9%、77.4%、82.8%。如果测试影像和训练影像来自不同CT机型,深度学习方法的分类能力下降（F值92.6%比74.2%）。模型对病灶最长径＜3cm的病灶分类能力更高（F值88.0%比73.2%）。结论深度学习方法可以有效地鉴别周围型肺癌和肺结核球,但病灶大小以及训练集、测试集图谱来源对训练结果有一定影响。     

数据分类算法智慧诊疗模型在皮肤痤疮诊断中的研究与应用

目的 建立一种基于数据分类算法、人工智能与皮肤诊断学等多学科融合的寻常型痤疮智慧诊疗模型.方法 通过采集陆军军医大学第一附属医院皮肤科2018-2020年门诊患者中明确确诊的寻常型痤疮皮肤影像数据为依据,利用数据分类算法、卷积神经网络、深度学习等技术定位影像数据中的痤疮关键部位,进而提取、处理、分析和总结归纳寻常型痤疮影像的病理特征.结果 建立痤疮分类诊断模型与知识库,构建智慧痤疮诊断模型标准与规范.结论 数据分类算法智慧诊疗模型可实现对寻常型痤疮图像的自主诊断,提高诊断准确率与工作效率.     

基于深度学习的慢性阻塞性肺病与哮喘-慢性阻塞性肺疾病重叠分类

目的：基于医疗大数据的深度学习分析算法,提出了一种具有辅助诊断价值的慢性阻塞性肺病与哮喘-慢性阻塞性肺疾病重叠的鉴别诊断方法。方法：选择COPDGene数据集,利用Fisher评分的方法进行特征选择,使用准确率和ROC曲线对深度信念网络模型和支持向量机模型构建鉴别诊断模型,进行分析和比较。结果：使用深度信念网络模型得出的与COPD和ACO分类有关的敏感特征与已知临床诊断策略具有较高的吻合度,支持向量机模型和深度信念网络模型的分类准确率分别为85.28%和93.56%,灵敏度分别为89.73%和95.21%,特异度分别为74.10%和89.29%。结论：利用深度信念网络构建的COPD与ACO自动分类模型具有较高的鉴别诊断能力,可以有效协助临床医生对患者进行诊断。     

基于深度学习的X线摄影图像辅助筛检算法实验分析

目的:评估基于深度卷积网络(CNN)建立的胸片辅助筛选算法在辅助筛检的效果和价值,分析该技术在临床内部试用过程中的改进方向。方法:研究采用美国国家卫生研究院公开的胸片诊断数据集进行算法的设计与训练,利用2017年7月至2018年6月湖南省肿瘤医院相关患者胸片进行临床试用。筛检算法主要采用深度卷积网络对胸片进行初步分类为正常、疑似和不正常三类,由2名临床医师对以上算法得出的结果进行审查试用。结果和结论:算法可对患者胸片和健康胸片进行有效分类,通过调整分类阈值,可在有效保证算法不漏诊的基础上,大幅降低人工对正常胸片的筛检工作,为实现基于深度学习网络进行X线摄影图智能人机融合式诊疗提供参考。     

基于深度学习特征的乳腺肿瘤分类模型评估

目的本文结合深度学习特征（DF）和传统图像特征（HCF）特点,利用多分类器融合的方法建立一个乳腺肿瘤分类模型,并 深入评估和分析不同深度学习网络特征的肿瘤分类性能。方法回顾性分析106例乳腺肿瘤患者的头尾位和内外倾斜位投影 的全数字乳腺成像数据。首先从肿瘤区域提取23维HCF（12维形态及11维纹理特征）,用t检验进行显著性特征选择;然后分别 从3 个卷积神经网络模型提取不同维度DF,在实验中,3 个不同深度学习网络产生了相应DF,分别是AlexNet,VGG16 和 GoogLeNet;最后结合2个投影数据的DF和HCF,采用多分类器的融合模型对特征进行训练和测试,实验重点分析不同DF在 肿瘤分类上的性能。结果结合DF和HCF建立的分类模型比使用单独HCF的分类模型表现出更好的性能;相比于其它网络框 架,DFAlexNet和HCF的结合表现出更高精度的分类结果。结论结合DF和HCF的特征方法建立一个分类模型,对于良恶性乳腺 肿瘤具有优秀的鉴别能力,且泛化能力更强,能作为临床辅助诊断工具。     

深度学习在心脏磁共振左心室分割中的应用研究进展

心血管疾病是我国居民的首位死因,发病率呈上升趋势,随着心脏磁共振(CMR)扫描技术的迅速发展,将产生大量的影像数据,深度学习作为人工智能的一个分支发展迅猛,将深度学习的图像分割技术与心脏磁共振影像结合,将帮助提高影像科医生的诊断效率。文章对深度学习及其在磁共振左心室分割中的应用研究进行综述。     

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势选择,系统总结了不同人工智能方法在各心血管疾病诊断和预测等方面中的运用,并对相关辅助诊断模型进行评价。      

深度学习技术在疾病诊断中的应用

深度学习技术的迅猛发展为辅助医师进行高精度的疾病诊断提供了新的方法和思路。本文综述了医学疾病诊断领域常用的深度学习模型,即卷积神经网络、深度信念网络、受限玻尔兹曼机和循环神经网络模型的原理及特点;然后从肺癌、乳腺癌、糖尿病视网膜病变等几种典型的疾病出发,介绍了深度学习技术在疾病诊断领域的应用;最后基于目前深度学习技术在疾病诊断中的局限性提出了未来发展方向。     

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。     

人工智能在骨肌系统影像领域的研究进展

人工智能(AI)已成为计算机革命的新浪潮,被认为是包括医疗保健领域在内的许多行业的革命性技术。近年AI被推到了医学成像研究的前沿,这在很大程度上与计算学习能力的提高、大数据的挖掘以及神经网络体系结构的创新和改进有关。AI在医学影像中的作用主要是提高影像诊断医生工作效率,提高诊断准确率,降低医疗成本,同时还能进行疾病风险预测。本文主要归纳总结近年来AI在骨肌系统影像领域的研究进展,并分析其现实意义及未来展望。     

联盟学习在生物医学大数据隐私保护中的原理与应用

结合2020年初新型冠状病毒疫情探讨数据分享与联合分析的必要性和紧迫性，系统介绍联盟学习技术原理和适用范围，根据不同数据类型特点详细阐述当前联盟学习技术在生物医疗大数据隐私保护中的应用及其与深度学习技术的结合。     

Computer-based data storage and retrieval in pediatric cardiology

The use of computer technology is becoming increasingly important in the handling of medical records. The cardiology data system used at The Hospital for Sick Children has greatly simplified the review and analysis of patient records. The methods of capturing data are logical and straightforward and have assisted fellows, residents and students in learning the systematic approach to the diagnosis of heart disease in children. The review of particular defects conducted as a research project has often led to further studies which have made important contributions to the knowledge of heart disease in childhood.     

PBL教学法在传染病学临床实习教学中的合理应用

在传染病学临床实习中,使用以问题为基础的教学法(PBL),以期增强学生主动学习的积极性、改善教与学的互动性,提高采集分析临床资料的能力。作者就在传染病学临床实习教学中使用PBL教学法及相关问题进行了探讨。     

基于Web的个性化远程学习系统

结合Web个性化服务思想,使用数据库技术,并通过分析Web日志数据、学习者的学习历史记录和学习结果评价等,设计出基于Web的个性化远程学习系统。它可用于远程教育学习者的学习数据挖掘,实现对学习者数据的智能化分析。     

基于WWW的《儿童腹泻病》专题学习网站的设计

根据多年从事医学院校儿童腹泻病临床教学的经验，结合现代教育理论，设计了一个儿童腹泻病专题学习网站，文章揭示了信息技术和课程整合的意义，探讨了网站建设的关键环节，以满足不同层次专业人员学习需要。