毒性病理学中人工智能和机器学习的应用研究进展

毒性病理学是促进动物和人类健康发展最有价值的学科之一,药物非临床安全性评价毒性研究中对石蜡包埋、苏木精和伊红染色切片的组织病理学检查是毒性病理学评价的金标准。数字毒性病理学、人工智能(artificial intelligence, AI)尤其是机器学习(machine learning, ML)是全球颠覆性、快速发展的技术领域,其对组织病理学领域的影响正在迅速显现。组织病理学检查种类繁多算法的发展和应用,表明人工智能病理学平台可深度影响将来数字毒性病理学、精准医疗和个性化医疗。然而,与所有其他革命性的技术相同,人工智能病理学平台在实施和应用过程中存在诸多挑战。本文综述了人工智能和机器学习的发展、人工智能在毒性病理学中的应用、机器学习在数字毒性病理学中的应用以及人工智能对数字毒性病理学的影响,以期为我国毒性病理学中人工智能和机器学习的应用提供一定参考。     

人工智能在抗肿瘤药物研发中的应用与进展

随着人工智能的飞速发展以及人们对肿瘤疾病机制的认识逐渐加深,人工智能在抗肿瘤药物的研发中起到了重要作用。本文简要介绍了人工智能的主要模型及在药物研发方面的优势,并基于结构、配体、肿瘤细胞表型及电子健康记录四大方面综述了近年来人工智能在抗肿瘤药物研发中的应用与进展,并总结了人工智能应用于抗肿瘤药物研发中的机遇与挑战,以期为从事相关领域的科研技术人员提供思路与参考。     

从人工智能角度看磁导航气管镜的应用和发展

电磁导航支气管镜的问世给外周型肺结节的诊断、定位甚至治疗带来了令人振奋的解决方案,突破了传统支气管镜检查的应用瓶颈,在对外周型肺结节活检过程中,使操作者有了实时的图像引导。磁导航系统可智能识别并重建患者的支气管树,可生成可视化数据给予操作者虚拟视觉引导,并能够实时感知磁定位信号,从而精准地引导导航或活检工具,本研究以Veran电磁导航系统为例,介绍了其相关人工智能配置及应用,并针对该系统仍存在的一些不足提出改进设想与展望,以期促进电磁导航气管镜研发及更好的临床应用。     

动态人工智能超声辅助诊断系统对甲状腺结节诊断价值研究

目的 探讨动态人工智能（AI）超声辅助诊断系统（以下简称动态AI）对甲状腺结节良恶性鉴别诊断价值及对治疗策略的指导意义。方法 选取2021年11月1日至2021年12月31日于中国人民解放军总医院第一医学中心甲状腺（疝）外科接受手术治疗的193例（共346枚结节）甲状腺结节病人,应用动态AI对结节进行良恶性鉴别,对比不同性别、年龄的病人其不同大小、性质的结节的动态AI检查结果、术前细针穿刺细胞学检查结果及术后病理学检查结果,评价动态AI诊断效能。结果 动态AI诊断甲状腺结节的灵敏度为88.5%,特异度为 76.5%,准确率为 85.0%,与术后病理学检查结果有较高一致性（Kappa＝0.643,P＜0.01）。对比动态AI检查和术前穿刺活检的灵敏度（χ2=0.210,P=0.647）和准确率（χ2=1.699,P=0.192）差异无统计学意义,特异度差异有统计学意义（χ2=7.238,P=0.007）。动态AI检查在不同性别（χ2=0.002,P=0.968）及年龄（χ2=3.913,P=0.41）人群中准确率差异无统计学意义,稳定性较好。良性结节的准确率（76.5%）较恶性结节的准确率（88.5%）低（χ2=8.184,P=0.004）。动态AI检查准确率随着结节大小增加有上升趋势（χ2=7.357,P=0.007）,直径＞1 cm结节准确率可达94.4%。结论 动态AI检查对甲状腺结节的良恶性有较高的诊断价值,且无创可重复、高效便捷、安全可靠,可减少不必要的穿刺,节约医疗资源及社会成本,可有效辅助外科医师为病人制定科学合理的个体化诊治策略。     

人工智能辅助手术规划系统在个体化全髋关节假体精准植入中的应用

目的 与传统二维胶片模板测量术前计划比较,探讨人工应用智能辅助三维数字化手术规划系统在个体化全髋关节置换术（total hip arthroplasty,THA）假体植入中应用的准确性。方法 回顾性分析88例行单侧THA手术病人的临床资料,其中传统模板组（44例）,人工智能组（44例）,记录比较两组在假体型号大小选择、植入位置、患侧偏心距、双下肢等长重建等方面的差异。结果 人工智能组髋臼杯和股骨柄假体型号的预测吻合率分别为95.5%、88.6%,均高于传统模板组的75.0%、65.9%,差异有统计学意义（P＜0.05）。人工智能组手术后偏心距和肢体长度的差值分别为（4.73±2.97） mm、（3.42±2.32） mm,均较传统模板组更小,差异有统计学意义（P＜0.05）。结论 人工智能辅助手术规划系统对人工髋关节假体型号的预测、患侧肢体偏心距的恢复、双下肢等长重建更加精准。     

基于深度学习情感分类模型的个性化抑郁症护理策略

目的 探讨人工智能技术在个性化抑郁症护理中的应用,实现精准护理以加速抑郁症患者的康复。方法 将60例抑郁症患者按病种和病情分层随机分配为对照组和观察组各30例.对照组采用传统护理方法;观察组采用基于深度学习情感分类模型分类后的个性化护理方案,即利用脑电图像（EEG）采集设备获取大量带标记的脑电信号数据构建EEG情感训练库,标记抑郁症类型;通过深度学习情感分类模型识别抑郁症患者EEG信号对应的情感类别;根据其识别结果,采取相应的个性化护理措施。对两组患者在住院期间进行等间隔的抑郁量化评估和护理满意率调查。结果 干预4周时,观察组汉密尔顿抑郁量表（HAMD）和自评抑郁量表（SDS）的评分显著低于对照组（均P<0.05）;观察组干预8周时的康复率高于对照组,但两组比较,差异无统计学意义（P>0.05）。结论 基于深度学习情感分类模型的个性化护理方法能显著缓减患者的抑郁程度,加快抑郁症患者的康复速度。     

人工神经网络在护理领域的应用研究进展

综述人工神经网络与循环神经网络的概念、优势,以及在护理不良事件、延续护理、慢病管理、护理管理、护理教育方面的应用现状,旨在提高我国护理研究者对人工神经网络算法的认知,并为护理人员应用该技术提供参考依据。     

人工智能对胃肠疾病诊疗的推动作用

高速发展的计算机技术给日常生活及工作带来巨大变化。人工智能是计算机科学的一个分支,是让计算机去行使通常情况下具备智能生命才可能行使的活动,广义的人工智能涵盖机器学习和机器人等等,本文主要聚焦于机器学习与相关的医学领域,深度学习是机器学习中的人工神经网络,卷积神经网络(CNN)是深度神经网络的一种,是在深度神经网络基础上,进一步模仿大脑的视觉皮层构造和视觉活动原理而开发;目前在医疗大数据分析中应用的机器学习方式主要为CNN。在未来数年内,人工智能作为常规工具进入医学图像解读相关的科室是发展趋势。本文主要分享人工智能与生物医学的融合进展,并结合实际案例,重点介绍CNN在胃肠道疾病的病理诊断、影像学诊断及内镜诊断等方面的应用研究现状。