多模态超声特征结合机器学习可预测乳腺浸润导管癌中Ki-67的表达水平

目的 探讨多模态超声特征结合机器学习预测乳腺浸润导管癌中Ki-67高表达的可行性。方法 回顾性分析155例乳腺浸润导管癌患者,155个病灶经病理证实。术前行常规超声和声辐射力脉冲成像,免疫组化染色记录Ki-67的表达,将患者分为Ki-67高表达组（n=105）和低表达组（n=50）。采用Logistic回归分析得出独立危险因素,采用随机森林及Logistic回归模型预测。结果 单因素分析显示Ki-67表达与肿块最大径、边界、腋窝淋巴结状态、阻力指数、声触诊组织成像及声触诊组织定量的差异有统计学意义（P<0.05）。多因素分析结果显示,最大直径、边界、声触诊组织定量及阻力指数对Ki-67为独立危险因素。随机森林模型结果显示,Ki-67表达影响因素的重要性排序依次是最大直径、声触诊组织定量、阻力指数及边界。随机森林及Logistic回归模型预测乳腺浸润导管癌中Ki-67高表达曲线下面积分别为0.871、0.866,Ki-67值与肿块直径呈正相关关系（r=0.319,P<0.001）。结论 多模态超声特征结合机器学习可用于预测乳腺浸润导管癌Ki-67的表达水平。     

临床预测模型变量筛选方法及比较

临床预测模型可用于多种医疗场景,而变量筛选是建立临床预测模型的关键步骤之一。变量筛选是从可用的候选变量列表中,筛选出对预测结局影响最大的变量,同时剔除不相关或冗余的变量。变量筛选方法大致可分为基于回归分析(向后消除法、向前筛选法、逐步筛选法、全子集筛选法、Lasso和弹性网络)和基于机器学习(随机森林、正则化随机森林、Boruta、梯度提升特征筛选)两大类。本文介绍了变量筛选的概念、流程,总结不同变量筛选方法的特点、停止规则,并比较分析各自的优缺点。     

基于检验组学及机器学习的乳腺癌诊断模型研究

目的:以常规临床检验大数据为基础,使用机器学习算法构建乳腺癌诊断模型。以探讨临床检验组学在乳腺癌诊断中的应用价值。方法:采用回顾性研究方法,收集6 089例乳腺癌患者及6 830例乳腺良性疾病患者临床信息和检验数据。分别运用极限梯度提升、神经网络、支持向量机、随机森林、最近邻算法、逻辑回归、线性判别分析算法、朴素贝叶斯、梯度提升机算法和C5.0决策树等机器学习算法建立乳腺癌诊断模型。采用10折交叉验证进行模型训练,应用准确度、AUC、平均准确度、特异度、灵敏度、阳性预测值、阴性预测值及Kappa值评估各模型性能。结果:从28项常规临床检验指标中筛选出GLU、DBIL、RDW-CV、MONO、TG、ALB、RBC、LYMPH、UREA等9项指标再加上age用于模型构建。通过10种机器学习算法进行模型评估,发现梯度提升机算法相较其它算法具有最优的诊断性能。梯度提升机算法诊断乳腺癌准确度为0.80、AUC为0.80、平均准确度为0.8 0、特异度为0.7 7、灵敏度为0.82、阳性预测值为0.78、阴性预测值为0.81、Kappa值为0.59。结论:以常规临床检验数据为基础,使用机器学习算法...     

基于文献计量学探讨人工智能在代谢相关脂肪性肝病中的应用及展望

目的 基于文献计量学探讨人工智能(AI)在代谢相关脂肪性肝病(MAFLD)中的应用及展望。方法 检索Web of Science核心合集数据库(WoSCC)中AI技术应用于MAFLD中的相关文献。运用CiteSpace、VOSviewer、R包“bibliometrix”以及文献计量在线分析平台分析该领域的应用热点及趋势。结果 共获得303篇符合要求的文献。从2017年开始,该领域论文数量呈爆发式增长。美国在AI应用于MAFLD领域的研究中处于领先地位,并且是参与国际合作最频繁的国家。加州大学圣地亚哥分校是发文量最高的机构。LOOMBA R是发文量最高的作者,发表了14篇文章。共被引关键词聚类标签显示了10个主要聚类：digital image analysis, machine learning, computer-aided diagnosis, fibrosis stage, automated quantitative analysis, metaproteomics, non-invasive diagnosis, ultrasonography, electronic he...     

机器学习在公共卫生领域的应用现状

公共卫生问题与人们的健康状况和生命质量密切相关。近年来随着人工智能的发展,机器学习在公共卫生领域得到了更为广泛的应用,机器学习技术可以处理大量的数据,并从中发现模式和趋势,从而帮助公共卫生部门更好地了解公共卫生问题。本文综述了近年来机器学习在公共卫生领域的应用,包括在流行病学研究、公共卫生监测、健康信息处理、公共卫生决策、心理健康等方面中的应用。     

先天性眼球震颤眼动波形的层次聚类分析研究

目的:探讨机器学习层次聚类算法用于先天性眼球震颤（CN）眼动波形自动分类和波形诊断的可行性。方法:回顾性病例系列研究。收集2018年12月至2019年9月就诊于天津市眼科医院的90例（90只眼）CN患者资料,其中男性67例,女性23例,年龄（12±9）岁。所有患者采用高速视频眼动仪记录眼动波形。对标准化后的眼动波形进行...     

机器学习在急性冠脉综合征风险评估中的应用

对急性冠脉综合征(ACS)患者的预后风险评估是ACS诊疗中非常重要的内容, 但依然不够精准。人工智能的机器学习可以用于建立比传统统计学方法更精确和个体化的预后风险统计模型, 近年来在医疗领域有了迅速进展。该文介绍利用机器学习构建预后模型的基本原理和方法, 并对其在ACS预后评估中的临床应用现状进行综述。     

基于临床-影像组学特征的机器学习模型预测颅内动脉瘤的破裂风险

目的 探讨基于临床-影像组学特征的机器学习模型预测颅内动脉瘤破裂风险的效能。方法 回顾性分析2019年1月至2022年12月收治的153例颅内动脉瘤的临床资料。利用单因素分析筛选出影响动脉瘤破裂的临床特征;收集DICOM格式影像数据,利用3D Slicer软件对载瘤动脉进行三维重建与分割,利用radiomics插件提取动脉瘤的形态学特征,并利用LASSO算法筛选影响动脉瘤破裂的重要形态学特征;构建基于临床和形态学特征的机器学习模型,计算各模型预测颅内动脉瘤破裂风险的曲线下面积、准确度、精准度、灵敏度、特异度。结果 153例中,破裂动脉瘤43例(破裂组),未破裂动脉瘤110例(未破裂组)。与未破裂组相比,破裂组高血压病人占比较高(P<0.05)。与未破裂组相比较,破裂组动脉瘤形态学特征的伸长率、球形度明显缩小(P<0.05),而动脉瘤最小轴径、最大轴径、冠状面最大直径、最大三维直径、网格体积、表面积、表面积体积比和体素体积明显增大(P<0.05)。纳入分析的14个形态学特征经过LASSO回归与十折交叉验证选择最优lambda值0.023,最终筛选出6个最优形态学特征,根...     

基于机器学习的急性冠脉综合征患者急性肾损伤的预测模型

目的 基于机器学习（machine learning,ML）的方法构建急性冠脉综合征（acute coronary syndrome,ACS）患者在急诊入院后发生急性肾损伤（acute kidney injury,AKI）的临床预测模型。方法 收集2018年1月至2020年12月在新疆医科大学第一附属医院住院确诊ACS的患者临床资料。（1）使用sklearn工具包中的train＿test＿split函数将数据集分为训练组（70%）和测试组（30%）,在训练组中使用logistic回归、决策树、随机森林、极端梯度提升、支持向量机和轻量级梯度提升（light gradient boosting machine,LightGBM）方法构建ACS-AKI的预测模型;（2）通过模型可视化工具SHAP可解释模型与递归特征消除（recursive feature elimination,REF）对最佳ML预测模型变量进行筛选,并压缩为特征减少的紧凑预测模型;（3）最后采用测试组数据从区分度,校准和临床效益三个方面对筛选后的预测模型进行评价。结果 共纳入499例ACS患者临床资料,其中ACSAKI发生...     

基于机器学习算法开发与验证类风湿关节炎患者发生间质性肺疾病的早期诊断模型

目的筛选类风湿关节炎(RA)并发间质肺疾病(ILD)的影响因素, 构建早期诊断模型并进行验证。方法于2019年12月至2022年10月选取山西医科大学第二医院风湿免疫科712例RA患者为研究对象, 收集其一般资料、临床症状、实验室指标等52个变量, 根据患者是否发生ILD分为单纯RA组和RA-ILD组。数据预处理后按照7∶3随机分为建模组和验证组;单因素分析比较2组患者的基线特征;使用最小绝对收缩算子(LASSO)回归和支持向量机-递归特征消除(SVM-RFE)算法进行特征选择;将筛选指标进行Logistic回归分析, 并利用其分析结果构建RA并发ILD的早期诊断列线图(Nomograms)模型, 同时利用建模组数据进行模型内部评价及验证组数据进行内部验证。结果共纳入712例研究对象, 其中建模组498例, 验证组214例;单因素分析显示, 2组在男性、年龄、吸烟史、饮酒史、肿胀关节数、疼痛关节数、醋酸泼尼松、白细胞计数(WBC)、ESR、CRP、IL-2、IL-10、IL-17、TNF-α、INF-γ、AFA家族、抗核周因子抗体(APF)、血清白蛋白等18个特征指标差异有统计学意义(...