轻型多尺度黑色素瘤目标检测网络模型的建立：基于注意力机制调控

目的 提出一种融入坐标注意力和高效通道注意力机制的深度学习目标检测模型AM-YOLO。方法 运用Mosaic图像增强与MixUp混类增强对图像进行预处理，采用One-Stage结构的目标检测模型YOLOv5s，并对该模型的骨干网络与颈部网络进行改进。在该模型的骨干网络中把空间金字塔的最大池化层替换成二维最大池化层，接着将坐标注意力机制和高效通道注意力机制分别融入到YOLOv5s模型的C3模块与该模型的骨干网络中。将改进后的模型与未改进的YOLOv5s模型，YOLOv3模型，YOLOv3-SPP模型，YOLOv3-tiny模型进行相关算法指标的对比实验。结果 融入了坐标注意力和高效通道注意力机制的AM-YOLO模型能够有效提升对黑色素瘤的识别率，同时也减少了模型权重的大小。AM-YOLO模型在准确率，召回率以及平均精度均值上都要明显优于其他模型，并且对于早期和晚期黑色素瘤的平均精度均值分别达92.8%和87.1%。结论 本文采用的深度学习目标检测算法模型能够应用于黑色素瘤目标的识别中。     

基于激活层前置压缩激励残差网络的早期胃癌筛查算法

目的 研究基于激活层前置压缩激励残差网络（PASE-ResNet）的快速和准确的早期胃癌筛查算法。方法 构建一个基于激活层前置压缩激励残差网络的早期胃癌筛查算法。为聚焦任务相关的图像区域，提升模型的特征表达能力，将压缩激励模块（SE）与激活层前置残差网络（PreAct-ResNet）中的残差模块相结合，提高与任务相关的特征通道权重。此外，为提高早期胃癌的筛查性能，提出“局部筛查+全局滑窗”的策略，经数据扩充后得到数据集子图18 400幅。利用PASE-ResNet模型通过滑动窗口的方式对胃镜图像进行检测，获得了精细的筛查结果。结果 本文提出的模型在早期胃癌筛查中取得了98.03%的准确率、98.96%的灵敏度和96.52%的特异性值。结论 本文提出的基于激活层前置压缩激励残差网络，达到了较好的筛查精度，有望在临床中辅助医生快速诊断。     

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。     

基于深度学习方法的精神分裂症听觉稳态诱发电位分析

目的文本旨在使用深度学习方法对精神分裂症建立自动分类模型,为临床上精神分裂症患者的鉴别诊断提供参考。方法通过提取受试听觉稳态诱发电位的能量、相位、信噪比和微分熵作为模型输入特征,使用准确率、灵敏度、特异度和受试工作者特性曲线对深度信念网络和支持向量机构建的模型进行分析和比较。结果深度信念网络模型的准确率、灵敏度、特异度、曲线下面积分别为85.6%、88.33%、75.50%和0.88。深度信念网络模型诊断能力明显高于基于线性核、径向基函数核、sigmoid核的三种支持向量机模型。结论基于深度信念网络算法的诊断模型可以有效协助临床医生对于精神分裂症患者的诊断,达到早期发现疾病的效果。     

基于注意力机制的空时融合深度学习睡姿监测算法研究

目的针对用于无扰睡姿检测的心冲击图(Ballistocardiogram,BCG)信号特征微弱,并且具有非线性、非平稳性强、存在噪声干扰以及信号本身具有空间和时域信息的特点,提出了一种基于注意力机制融合空时特征的深度学习睡姿检测模型(Deep Learning Sleeping Posture Monitoring Model,CTAM)。方法CTAM是一种可实现端到端的实时睡姿检测方案,通过睡眠带测试真实睡眠状态下睡姿的BCG信号,并构建数据集进行仿真对比实验。结果与具有类似结构的传统卷积神经网络(Convolutional Neural Networks,CNN)模型和空时融合的卷积-长短时记忆网络(Convolutional Long Short-Term Memory Network,CNN-LSTM)相比,CTAM在训练集的收敛性和测试集的准确率上均有显著的提升,其中,在测试集上的准确率分别较CNN模型和CNN-LSTM模型提升了1.46%和4.61%。结论CTAM这种算法模型在基于BCG信号下能实现睡姿的实时、有效、无扰监测,在改善睡眠质量监测领域具有较好的应用前景。     

基于超声影像深度学习模型在评估乳腺癌肿瘤浸润淋巴细胞水平中的应用价值

目的 探讨基于超声影像的深度学习模型在预测乳腺癌肿瘤浸润淋巴细胞水平的可行性。方法 回顾性分析2019年1月1日-2022年9月30日就诊于兰州大学第二医院，经病理证实的275例乳腺癌患者的二维灰阶超声图像，其中训练集220例，验证集55例。根据病理结果，分为高肿瘤浸润淋巴细胞水平组和低肿瘤浸润淋巴细胞水平组。采用深度卷积神经网络残差网络模型训练和验证。使用受试者操作特征曲线下面积、准确率、特异度、敏感度和F1分数评价模型的诊断性能。结果 基于深度学习的残差网络模型对乳腺癌肿瘤浸润淋巴细胞水平预测的受试者操作特征曲线下面积为0.936,F1分数为0.878，准确率为87.3%，特异度为87.5%，敏感度为87.1%。结论 基于超声影像的深度学习模型有望成为无创预测乳腺癌肿瘤浸润淋巴细胞水平的重要工具。     

基于自监督学习与语义分割相结合的内窥镜白内障图像分割

目的:基于自监督学习与语义分割方法在白内障数据集上训练深度学习模型,分割白内障手术的显微镜图像,以提升算法的准确性和鲁棒性.方法:提出CA-PSP模型实现白内障数据集语义分割,采用自监督模型BYOL预训练模型参数;为了增强网络特征表达能力,在骨干网络加入一个轻量级的网络注意力机制,即坐标注意力模块(coordinate...     

基于深度学习并行网络模型的心律失常分类方法

目的 提出一种并行神经网络分类方法,以提高对正常搏动、室上性异位搏动、心室异位搏动、融合搏动4种心律失常的分类性能。方法 首先进行心电信号去噪、小尺度心拍和大尺度心拍的分割、数据增强等预处理;然后基于深度学习理论,应用密集连接卷积神经网络改善人工提取波形特征的局限性,并结合双向长短时记忆网络和高效通道注意力网络,以增强提取波形时序特征和重要特征的功能;接着采用并行网络结构,同时输入小尺度心拍和大尺度心拍的的波形特征,以提高心律失常分类的准确性;最后使用Softmax函数实现对心律失常的4分类任务。结果 利用MIT-BIH心律失常数据库和3组实验验证所提方法。多种并行网络模型分类性能对比实验和不同心拍输入方式下,各分类模型性能对比实验得出所提分类模型的总体准确率、平均灵敏度和平均特异性分别达到99.36%、96.08%、99.41%;并行网络分类模型收敛性能分析实验得出分类模型每次训练时间为41 s。结论 并行多网络分类方法在保持较高总体准确率的同时,平均灵敏度、平均特异性以及训练时间均有改善,该方法有望为心律失常临床诊断提供新的技术方案。     

一种基于Bark域能量分布的噪声分类方法

对不同种类噪声的分类处理,可以提高噪声环境下语音信号处理的性能。为了能够准确地区分各类噪声,提出了一种基于Bark域噪声能量分布特性的噪声分类方法。通过将噪声能量从均匀时频空间映射到Bark空间,构造了一个能够有效区分各种噪声的22维特征向量,并使用支持向量机（SVM）进行模型训练和噪声分类。实验结果表明：所提出的噪声分类方法具有非常高的分类准确率,对用于实验的两种噪声数据集的平均分类准确率分别为99.50%和93.44%。     

深度学习模型对纯磨玻璃结节肺腺癌病理亚型的预测分析

目的 利用深度学习对CT上表现为纯磨玻璃密度结节(pGGN)的肺腺癌进行分型,并与手术病理结果对比,探讨其对病理亚型的预测价值。方法 收集219例(共240个病灶)经病理证实且胸部CT上表现为pGGN的肺腺癌患者的CT影像与病理资料,根据病理分型,将其分为非浸润性腺癌组[包括浸润前病变(不典型腺瘤样增生和原位腺癌)以及微浸润腺癌]和浸润性腺癌组。首先对pGGN进行勾画与标记,然后将标记好的数据随机分为学习训练组(80%)及验证测试组(20%),其中验证测试组中的结果需与两位胸部影像专家的诊断结果进行对比。结果 深度学习模型对pGGN肺腺癌病理亚型的预测取得了较高的性能。深度学习模型对pGGN判断的准确率为0.8330,95%CI为0.7016~0.9157,专家1对pGGN诊断的准确率为0.5000,95%CI为0.3639~0.6361,专家2对pGGN诊断的准确率为0.5625,95%CI为0.4227~0.6931,两位专家联合对pGGN诊断的准确率为0.5417,95%CI为0.4029~0.6743,深度学习模型的准确率明显高于专家个人及专家组(P=0.002)。专家个人前后两次诊断的一致性Kappa值分别为0.939和0.799,专家个人前后两次的诊断一致性为良好;专家间的一致性Kappa值为0.667,专家间的诊断一致性为中等(P=0.000)。结论 深度学习模型能相对准确地判别pGGN的病理类型,诊断效能优于专家组判断。     

基于多尺度小波残差网络的稀疏角度CT图像恢复

目的 稀疏角度CT具有加速数据采集和减少辐射剂量的优点。然而,由于采集信息的减少,使用传统滤波反投影算法（FBP）进行重建得到的图像中伴有严重的条形伪影和噪声。针对这一问题,本文提出基于多尺度小波残差网络（MWResNet）对稀疏角度CT图像进行恢复。方法 本网络中将小波网络与残差块相结合,用以增强网络对图像特征的提取能力和加快网络训练效率。实验中使用真实的螺旋几何CT图像数据“Low-dose CT Grand Challenge”数据集训练网络。通过观察图像表征和计算定量参数的方法对结果进行评估,并与其他现有网络进行比较,包括图像恢复迭代残差卷积网络（IRLNet）,残差编码解码卷积神经网络（REDCNN）和FBP卷积神经网络（FBPConvNet）。结果 实验结果表明,本文提出的多尺度小波残差网络优于其余对比方法。结论 本文提出的MWResNet网络能够在保持稀疏角度CT图像边缘细节信息的同时有效抑制噪声和伪影。     

Histopathological Diagnosis System for Gastritis Using Deep Learning Algorithm

Objective To develope a deep learning algorithm for pathological classification of chronic gastritis and assess its performance using whole-slide images (WSIs).Methods We retrospectively collected 1,250 gastric biopsy specimens (1,128 gastritis, 122 normal mucosa) from PLA General Hospital. The deep learning algorithm based on DeepLab v3 (ResNet-50) architecture was trained and validated using 1,008 WSIs and 100 WSIs, respectively. The diagnostic performance of the algorithm was tested on an independent test set of 142 WSIs, with the pathologists' consensus diagnosis as the gold standard. Results The receiver operating characteristic (ROC) curves were generated for chronic superficial gastritis (CSuG), chronic active gastritis (CAcG), and chronic atrophic gastritis (CAtG) in the test set, respectively.The areas under the ROC curves (AUCs) of the algorithm for CSuG, CAcG, and CAtG were 0.882, 0.905 and 0.910, respectively. The sensitivity and specificity of the deep learning algorithm for the classification of CSuG, CAcG, and CAtG were 0.790 and 1.000 (accuracy 0.880), 0.985 and 0.829 (accuracy 0.901), 0.952 and 0.992 (accuracy 0.986), respectively. The overall predicted accuracy for three different types of gastritis was 0.867. By flagging the suspicious regions identified by the algorithm in WSI, a more transparent and interpretable diagnosis can be generated. Conclusion The deep learning algorithm achieved high accuracy for chronic gastritis classification using WSIs. By pre-highlighting the different gastritis regions, it might be used as an auxiliary diagnostic tool to improve the work efficiency of pathologists.     

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。     

STAN: spatio-temporal attention network for pandemic prediction using real-world evidence

ObjectiveWe aim to develop a hybrid model for earlier and more accurate predictions for the number of infected cases in pandemics by (1) using patients’ claims data from different counties and states that capture local disease status and medical resource utilization; (2) utilizing demographic similarity and geographical proximity between locations; and (3) integrating pandemic transmission dynamics into a deep learning model.Materials and MethodsWe proposed a spatio-temporal attention network (STAN) for pandemic prediction. It uses a graph attention network to capture spatio-temporal trends of disease dynamics and to predict the number of cases for a fixed number of days into the future. We also designed a dynamics-based loss term for enhancing long-term predictions. STAN was tested using both real-world patient claims data and COVID-19 statistics over time across US counties.ResultsSTAN outperforms traditional epidemiological models such as susceptible-infectious-recovered (SIR), susceptible-exposed-infectious-recovered (SEIR), and deep learning models on both long-term and short-term predictions, achieving up to 87% reduction in mean squared error compared to the best baseline prediction model.ConclusionsBy combining information from real-world claims data and disease case counts data, STAN can better predict disease status and medical resource utilization.     

深度学习技术在重症监护室患者住院死亡风险预测中的应用

目的运用深度学习方法构建ICU患者住院死亡风险智能化预测模型,并将该模型与ICU患者中普遍使用的简化急性生理评分(SAPS-II)进行预测性能比较。方法采用深度学习算法建立一种智能化的死亡风险预测模型,使用十二折交叉验证法对模型性能进行比较,选取准确率、灵敏度、特异度、约登指数、召回率等5种评价指标。结果实验结果显示,基于深度学习模型的方法比SAPS-Ⅱ在准确率、灵敏度、特异度、约登指数和召回率上分别提高1.77%、1.02%、0.49%、0.15%和1.10%。结论针对ICU患者住院死亡风险数据的非线性、复杂性和无规律性,深度学习模型比SAPS-Ⅱ表现出更好的泛化能力,具有更高的准确率,更适合对ICU患者住院死亡风险进行预测,可为医院的智能化预测提供了一种新的方向。