基于多序列MRI影像组学评分及临床参数预测肝细胞癌微血管浸润的nomogram模型研究

目的:基于肝细胞癌(HCC)患者的临床资料及多模态肝脏影像组学分析建立机器学习模型,探讨此模型术前预测HCC微血管浸润(MVI)的价值。方法:回顾性分析2020年3月-2021年9月在本院经病理证实为原发性HCC的130例患者的术前肝脏MRI及临床资料。基于病理检查结果,将患者分为MVI阳性组及MVI阴性组。记录患者的各项术前临床资料。所有患者术前行MRI检查,检查序列包括T₂WI、DWI和ADC以及Gd-EOB-DTPA对比增强动脉期、门脉期、延迟期和肝胆期T₁WI共7个序列。由放射科医师评估肿瘤的常规影像特征。自7个序列的图像上分别提取影像组学特征并进行降维,然后采用线性支持向量机(SVM)方法构建预测MVI的预测模型。再将所有序列图像提取的特征整合,经降维分析后最终筛选出6个最佳组学特征并采用线性SVM方法构建多序列联合组学模型,然后基于此多序列联合组学模型计算每例患者的放射组学评分(Radscore)作为后续建模特征。最后共采用了5种机器学习算法对上述三类资料(即临床资料、常规影像特征、组学特征)中筛选出的特征进行综合模型的构建,包括...     

基于对比增强T1WI图像纹理建立机器学习模型诊断脑转移瘤原发灶来源

目的 探讨基于对比增强T1WI图像纹理特征建立机器学习模型诊断脑转移瘤原发灶来源的价值。资料与方法 回顾性分析2016年8月—2020年2月南京鼓楼医院集团宿迁医院肺癌、乳腺癌和消化系统肿瘤脑转移患者112例,共137枚脑转移瘤。利用Mazda软件提取对比增强T1WI图像纹理特征,通过组内相关系数检验选取重复性良好的纹理特征。按照7∶3分为训练集（n=96）和验证集（n=41）。对训练集中的特征进行降维,并采用OneVsRest多分类策略,分别训练Logistic回归、随机森林和支持向量机3种机器学习模型。建立的模型在验证集中进行验证。绘制3种脑转移作为阳性分类时的受试者工作特征曲线,比较3种模型曲线下面积（AUC）的差异。通过计算3种模型的宏平均AUC评价模型的整体分类性能。结果 3种模型中随机森林模型诊断效能最好,验证集中对肺癌、乳腺癌和消化系统肿瘤脑转移的AUC分别为0.801、0.928、0.817,宏平均AUC为0.87。3种模型AUC差异均无统计学意义（P>0.05）。结论 基于对比增强T1WI图像纹理特征建立机器学习模型能够有效诊断脑转移瘤原发灶来源,其中随机森林模...     

检验医学在亚健康诊疗中的应用展望

随着现代生活节奏的加快和生活压力的增大，越来越多的人处于一种介于健康与疾病之间的状态，现代医学称之为"亚健康"。亚健康状态如果持续时间过长且未被及时干预最终会发展成为疾病，因此识别亚健康状态并尽早干预对于预防疾病、保持机体健康状态具有重要意义。亚健康的检测方法有多种，利用医学检验技术通过实验室指标评估机体的健康状态是较为客观的评价方法。目前针对亚健康状态的实验室检测参数及参考值范围尚无明确标准，未来有望通过大数据分析结合机器学习实现对亚健康状态的科学评估。     

机器学习和传统列线图预测软骨肉瘤肺转移风险的预测模型的建立与评估

目的 探讨开发Nomogram和机器学习的软骨肉瘤患者的肺转移风险对的预测模型,为临床工作提供帮助.方法 2010年至2016年的监测,流行病学和最终结果(The Surveillance,Epidemiology,and End Results,SEER)数据库获得的软骨肉瘤患者数据,然后通过单因素和多因素Logis...     

基于生信分析和动力学模拟鉴定阿尔茨海默病免疫标志物及靶向药食同源中药预测

目的 分析阿尔茨海默病(Alzheimer’s,AD)免疫相关的生物标志物、发病机制、免疫浸润水平和潜在的靶向药食同源中药。方法 从GEO数据库中下载GSE5281、GSE132903数据集的表达谱,获得AD差异表达基因(differentially expressed genes,DEGs)。采用加权共表达算法鉴定出AD重要模块基因,再从Imm Port Portal数据库获取免疫相关基因(immune-related genes,IRGs),将这些基因取交集得到免疫重要差异基因;随后应用最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)及机器学习-支持向量机递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)方法进行分析,筛选出AD共同的免疫相关标志物,并通过基因本体(gene ontology,GO)和京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes,KEGG)...     

流感病毒性肺炎线粒体相关生物标志物识别及银翘败毒散潜在作用机制

目的 鉴定识别流感病毒性肺炎（influenza virus pneumonia,IVP）线粒体相关生物标志物及银翘败毒散（Yinqiao Anti-infective Powder,YQAIP）潜在治疗IVP的作用机制。方法 使用机器学习算法[随机森林（random forest,RF）模型、支持向量机（support vector machines,SVM）、分布式梯度增强模型（e Xtreme gradient boosting,XGBoost）、广义线性模型（generalize linear model,GLM）]分析IVP小鼠的4个基因表达数据集（GSE63786、GSE37572、GSE43302和GSE97555）,以识别IVP和线粒体相关的生物标志物。从TCMSP、PubMed、中国知网数据库获取银翘败毒散化学成分。通过分子对接研究IVP相关线粒体基因与YQAIP化学成分的相互作用。将BALB/c小鼠随机分为对照组,模型组,YQAIP低、中、高剂量（相当于生药15、30、60 g/kg）组和奥司他韦组,除对照组外,流感病毒感染小鼠,采用HE染色观察IVP小鼠病理的变化...     

复合系统智能诊断方法研究

随着电子设备系统的日益复杂化,依靠单一的推理技术的故障系统已难以满足复杂系统的诊断要求.将多种不同的推理技术结合起来的集成诊断系统,能够充分利用各自的优点,从而提高系统诊断的正确性和效率,是目前智能诊断研究的一个发展趋势.本文将研究复合系统的智能诊断问题,提出在一个复合系统的诊断过程中,运用基于规则的诊断和基于模型的诊断,两种诊断技术相结合将在诊断的不同阶段发挥出各自的作用,从而建立一个融合了RBD和MBD技术优点的、具有一定学习能力的智能诊断系统.     

改进的Apriori算法在中药复方数据挖掘中的应用

利用现代信息技术,特别是数据挖掘技术,对中药方剂配伍进行发掘是中医药现代化的重要方法。数据挖掘技术是解决机器学习、模式识别、数据库技术等各种领域中的大型实际应用问题而提出的科学方法的集合。其主要目标是为了从大型数据库中高效地发现隐含在其中的知识或规律,并为人类专家的决策提供支持。在中药方剂数据库中挖掘关联规则是中医药数据挖掘领域中一个非常重要的研究课题。关联规则中最经典的关联规则提取算法是Apriori算法。其思想是利用已知的高频数据项集推导其他高频数据项集。然而在学者们Apriori算法进行关联规则的挖掘的过…     

基于T1WI增强影像组学在鉴别高级别胶质瘤复发与假性进展中的应用价值

目的：探讨基于T1WI（T1 weighted imaging）增强影像组学在术前无创鉴别高级别胶质瘤术后复发与假性进展的应用价值。方法：回顾性分析经病理证实为高级别胶质瘤的104例患者临床及磁共振成像资料,根据二次手术病理或神经肿瘤疗效评估标准（response assessment in neuro-oncology,RANO）将其分为复发组71例,假性进展组33例。按7∶3比例随机分为训练组和验证组。在T1WI增强图像上手动勾画肿瘤实质区的体积作为感兴趣区,用FeAture Explorer软件提取1 648个组学特征。 采用主成分分析（principal component analysis,PCA）及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行特征处理及筛选,采用支持向量机（support vector machine,SVM）构建影像组学模型。通过受试者工作特征曲线下面积（area under curve,AUC）及校准曲线评估模型的效能。结果：训练组鉴别高级别胶质瘤复发与假性进展的AUC为0.929, 准确率为 0.889,灵敏度为 72.7%,特异度为 100.0%。验证组的 AUC 为 0.853,准确率为 0.813,灵敏度为 90.9%,特异度为 71.4%。校准曲线显示模型预测值与实际值一致性较好。结论：基于T1WI增强影像组学模型具有较好的诊断效能,有助于鉴别高级别胶质瘤术后复发与假性进展。     

不同机器学习模型鉴别结肠型克罗恩病与溃疡性结肠炎的价值

目的 比较不同的机器学习模型在鉴别结肠型克罗恩病(CCD)与溃疡性结肠炎(UC)中的价值。方法 收集2019年6月至2021年12月在安徽医科大学第一附属医院消化科就诊的有完整CT小肠成像(CTE)且经病理证实炎症性肠病(IBD)患者44例(CCD 25例,UC 19例)。利用ITK-Snap软件在静脉期病灶最明显肠段进行勾画,共计勾画106个病变肠段(CCD 58个、UC 48个)。利用AK软件提取勾画区影像组学特征,以7∶3比例随机分为训练集和测试集;对训练集用Correlation＿xx和MultiVariate＿Logistic算法进行数据降维,筛选组间差异明显的影像组学特征构建6种机器学习模型,用测试集的特征对其进行验证。结果 175种组学特征中有4种组间差异有统计学意义(P<0.05)。6种模型中有4种模型曲线下面积均>0.90。训练集中邻近算法(KNN)模型鉴别CCD与UC的受试者工作特征曲线下面积(AUC)为0.958 (95%CI:0.917～0.992),准确率、特异度、灵敏度分别为87.7%、100%和72.7%;在测试集的AUC为0.904(95%C...