随机生存森林预测M1期老年结直肠癌患者生存

目的 应用随机生存森林算法构建M1期老年结直肠癌(CRC)患者预后预测模型并对预测结果进行评价。方法 收集SEER数据库2010～2015年诊断的6 118例、>60岁M1期CRC患者的临床数据，通过Cox回归分析影响老年CRC远处转移患者预后的相关因素，随机生存森林模型分析预后因素的交互作用。采用一致性指数、校准曲线及预测误差曲线评估预测模型的效能。结果 婚姻状况、分化程度、T分期、N分期、原发灶手术、淋巴结清扫、化疗、CEA状态、骨转移、肝转移、肺转移是M1期结直肠癌患者的独立预后因素，化疗、原发手术部位及T分期之间存在强交互作用。接受手术和化疗(中位OS:22个月)>单纯化疗(中位OS:14个月)>单纯手术(中位OS:7个月)>两者都不接受(中位OS:4个月)。将随机生存森林模型VIMP法筛选的预后因素构建列线图，测试集6个月、1年、3年、5年受试者工作特征(ROC)曲线下面积(AUC)值分别为0.796、0.759、0.736和0.750。校对曲线显示，模型预测的生存率与患者实际的生存率之间具有良好一致性。预测误差曲线显示，RSF-Cox模型预测错误率低...     

一种用于心拍分类的可解释机器学习方法

目的 探讨Tsetlin Machine(TM)在心拍分类中的应用。方法 运用TM对中国生理信号挑战赛2020数据集中正常、室性早搏和室上性早搏心拍图片进行三分类，并对分类结果进行解释性分析。该数据集包括10例心律失常患者的单导联心电图数据，排除1例心房颤动患者，最终纳入9例患者数据。结果 分类结果表明，TM的九折平均识别准确率达84.3%，并且能通过位模式解释图展示分类判别的依据。结论 TM在分类心拍的同时能对分类结果作出解释，对分类结果的合理解释便于人们理解模型在进行心拍图分类时的判决依据，进而增加模型的可信度。     

大数据在脑卒中领域的应用研究进展

脑卒中是导致全球范围内居民死亡和残疾的主要原因，其治疗和护理方面的经济负担巨大。大数据的运用可有效辅助脑卒中的诊断和治疗，降低疾病复发率和改善患者预后，为公共卫生政策的调整提供证据。本文介绍了大数据在脑卒中领域的应用优势及方法、国家大型数据库在脑卒中领域的应用，以期为临床医务人员运用大数据开展高质量的脑卒中临床和护理研究提供参考。     

X线影像组学在鉴别乳腺良恶性病变中的应用价值及3种模型效能比较

目的探讨X线影像组学在鉴别乳腺良恶性病变中的应用价值,并比较3种预测模型的效能。方法回顾性分析296例乳腺病变患者的临床资料,包括恶性病变149例,良性病变147例。对病变头足位(CC)及内外斜位(MLO)的感兴趣区(ROI)进行手动分隔并最终提取影像组学特征,采用支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)进行分类学习,最后运用受试者工作特征(ROC)曲线下面积(AUC)比较不同模型的效能。结果经过特征筛选最后共纳入9个最优特征,分别为形态特征(球形、长轴长度)、一阶特征(均匀性、均值绝对偏差)和高阶特征[灰度级大小区域矩阵(大面积低灰度比)、相邻灰度色调差矩阵(强度)、灰度共生矩阵(对比度、集聚突变、群集趋势)]。SVM、LR、RF诊断效能的AUC分别为0.820、0.758、0.805。SVM与LR的AUC值比较,差异有统计学意义(P 0.05)。结论影像组学特征中一阶特征和高阶特征是由计算机分析提取,其中对比度、集聚突变、群集趋势均描述图像纹理粗糙程度,能更好地反映乳腺肿瘤的异质性,能够提高诊断的准确度、特异度。     

9种机器学习模型预测幕上深部自发性脑出血早期血肿扩张及预后不良的比较

目的 比较9种机器学习模型对幕上深部自发性脑出血（SICH）患者发生早期血肿扩张及预后不良情况的预测性能。方法 回顾性研究。纳入2015年1月—2019年5月4家医院幕上深部SICH患者420例。其中男275例、女145例,年龄25~90（61.0±12.9）岁。420例患者按照7∶3的比例,采用完全随机法分为训练集294例和验证集126例。患者在72 h内复查CT,若血肿体积比初始体积增长>6 mL或>33%,判定存在早期血肿扩张。采用改良的Rankin评分量表（mRS）评估预后,以mRS>3分判定为预后不良。比较训练集和验证集的基线资料。采用随机森林、极限梯度提升算法（XGboost）、梯度爬升决策树、自适应提升算法、朴素贝叶斯、logistic回归、支持向量机、K近邻、多层感知机9种机器学习算法对早期血肿扩张及预后不良分别构建预测模型;在训练集中,依据各模型的灵敏度和特异度绘制受试者操作特征曲线,采用3折交叉验证取曲线下面积（AUC）,比较各模型对早期血肿扩张及预后不良情况的预测性能,并在验证集测试模型的可靠性。结果 训练集和验证集患者基线资料比较差异均无统计学意义（P值均>0.05）。420例患者中,早期脑血肿扩张的患者有117例（27.86%）;399例患者获随访,其中预后不良的患者有210例（52.63%）。预测早期血肿扩张：训练集中,9种机器学习模型的AUC为0.590~0.685,其中以XGboost模型最高,AUC为0.685±0.024;在验证集中,XGboost模型AUC为0.686[95%可信区间（CI）0.578~0.721]。预测预后不良：9种机器学习模型的AUC为0.703~0.852,其中logistic回归模型最高,AUC为0.852±0.041;而在验证集中,logistic回归模型AUC为0.894（95%CI 0.862~0.912）。结论 9种机器学习算法模型中,XGboost对幕上深部SICH早期血肿扩张的预测性能最佳,而logistic回归模型对预后不良的预测性能最高;对于不同临床结局的预测,应选用合适的机器学习模型。     

基于一般线性模型的机器学习方法在BOLD-fMRI脑胶质瘤患者个体化运动功能区定位中的应用价值

目的 探讨基于一般线性模型（GLM）的机器学习方法在血氧水平依赖功能磁共振成像（BOLD-fMRI）定位脑胶质瘤患者个体化运动功能中的应用价值。方法 前瞻性研究。纳入2017年11月—2021年11月西安交通大学第一附属医院神经外科确诊为脑胶质瘤且病灶位于大脑运动功能区的38例患者作为机器学习模型的验证集（男25例、女13例,年龄24~69岁）,同期招募健康志愿者50例作为模型的训练集（男26例、女24例,年龄22~68岁）。采用独立成分分析法（ICA）,随机提取98例人类连接组计划（HCP）受试者的静息态功能核磁共振（rs-fMRI）特征。依据健康志愿者的rs-fMRI和基于任务的功能磁共振（tb-fMRI）的相关性,训练基于GLM的机器学习模型。观察项目：（1）采用Pearson相关系数（CC）分析比较GLM预测的激活与实际激活的相似度。（2）采用Dice系数（DC）作为模型预测效能的定量指标,比较GLM与ICA方法的预测效能。结果 （1）胶质瘤患者基于GLM的机器学习方法所预测的激活与实际tb-fMRI的功能激活相似度高[（89.47% （34/38）的患者CC值>0.30）]。（2）胶质瘤患者GLM预测任务态运动功能激活的效能,DC为0.34（0.27,0.42）,优于ICA方法的效能DC 0.26（0.16,0.30）,差异有统计学意义（Z=-3.88,P<0.001）;GLM在肿瘤半球的预测效能优于ICA方法,DC分别为0.36（0.17,0.48）和0.34（0.04,0.45）,差异有统计学意义（Z=-2.43,P=0.015）;2种方法在非肿瘤半球的预测效果均显著高于肿瘤半球（Z=-4.33、-3.59,P值均<0.001）。结论 基于GLM的机器学习方法能够很好地在术前利用rs-fMRI数据预测出胶质瘤患者的tb-fMRI运动功能激活,且其预测效果好于ICA方法。     

基于舌象参数与多指标特征联合的2型糖尿病风险预测模型

目的:将舌象参数与基本生理指标相结合,运用机器学习算法建立糖尿病风险预测模型。方法:应用TDA-1型数字舌象仪和舌诊分析系统获取舌象参数,分析糖尿病前期组与糖尿病组基本生理指标、实验室检查与舌象参数统计学差异,借助4种经典算法建立糖尿病风险预测模型。结果:生理指标与舌象参数联合特征支持向量机糖尿病前期预测模型性能最佳,F1为0.81,Precision为0.71,Recall为0.94。生理指标与舌象参数联合特征神经网络2型糖尿病预测模型曲线下面积(area under the curve,AUC)为0.83,Precision为0.73。结论:将基本生理指标与舌象参数特征结合可以提高支持向量机糖尿病前期预测模型和神经网络2型糖尿病风险预测模型的分类效果,符合临床对于2型糖尿病风险预测的实际需要。     

人工智能技术在宫颈细胞筛查中的应用进展和挑战

子宫颈癌是女性最常见的恶性肿瘤之一,通过人类乳头瘤病毒(human papillomavirus,HPV)检测和宫颈细胞学筛查,进行早期诊断和早期治疗能够控制宫颈癌的发病和死亡。由于缺乏宫颈细胞筛查人员,使其收效甚微。人工智能(artificial intelligency,AI)技术应用宫颈癌筛查,可望提供最佳的解决方案。通过文献复习和归纳,本文阐述了AI辅助宫颈癌筛查的进展,包括不同的AI算法模型的利弊,人工筛查与AI辅助筛查之间不同的人机交互筛查工作模式和应用于场景;分析了目前AI辅助宫颈癌筛查的结果和应用优势;例举了开发AI辅助宫颈癌筛查中遇到的问题和挑战。旨在为开发和利用AI辅助宫颈细胞筛查提供借鉴和思考,促进AI辅助宫颈癌筛查产品早日落地和应用,减少我国宫颈癌的发病率和死亡率。     

基于数据驱动的冠状动脉微循环阻力快速计算方法

目的 开发一种基于数据驱动的冠状动脉微循环阻力快速计算方法。 方法 构建和优化神经网络对冠状动 脉进行截面积特征提取,利用截面积特征、异速标度律和流量分配比例快速计算冠状动脉分支末端的微循环阻力, 并基于微循环阻力无创计算血流储备分数。 结果 为了验证神经网络的有效性,将 40 个临床收集的冠状动脉分 支测量的截面积特征与神经网络预测的结果进行比较,平均绝对误差为 1. 08 mm2 。 为了验证微循环阻力值的准确 性,将 15 位患者的临床血流储备分数与利用微循环阻力值计算的血流储备分数进行比较,计算准确性为 86. 6% 。 结论 本文提出的冠状动脉微循环阻力快速计算方法具有潜在的临床应用价值。     

基于机器学习的睡眠剥夺注意力易损性分类研究

目的:旨在寻找可以对睡眠剥夺后注意力易损与耐受个体进行准确区分的白质纤维束。方法:借助弥散张量成像技术获取各向异性分数、轴向扩散系数、径向扩散系数及平均扩散系数等反映白质弥散特性的特征参数,使用支持向量机分类算法构建睡眠剥夺易损性分类模型;采用准确性、敏感性、特异性、阳性预测值和阴性预测值等指标评价分类模型的性能表现;采用置换检验评估分类模型的显著性。结果:与只采用单一类型特征相比,使用组合特征构建的分类器表现性能最佳,其准确性、敏感性、特异性、阳性预测值、阴性预测值及曲线下面积分别为83.67%、80.00%、87.50%、86.96%、80.77%、88.67%。在组合特征构建的分类模型中对分类贡献较大的白质纤维束主要包括放射冠、内囊前肢、丘脑后辐射及皮质脊髓束等投射纤维、上纵束和扣带等联络纤维以及胼胝体和穹窿联合等联合纤维。结论:特定脑区间白质纤维束的微观结构特性可以作为区分睡眠剥夺后注意力易损与耐受个体的影像学标志物。