医疗大数据的“欺骗性”及其对策

当前,针对医疗大数据的研究和应用越来越广泛,但毋庸置疑,医疗大数据本身具有一定欺骗性,在某些特殊场景下,可能会产生错误的结论和影响。本文从数据本身的欺骗性以及机器学习可能存在的陷阱展开,对医疗大数据产生欺骗性的原因进行分析;针对医疗大数据的欺骗性,从统计学角度阐述如何避免大数据陷阱;从模型角度分析模型被攻击的应对策略以及模型可解释性在医疗领域的重要性和方法。     

现代老年人健康检查评估与老年内科医疗

目的本文旨在阐明中国现代老年人的健康检查与评估及老年内科学。方法在现实条件下为实际老年人建立一种计算机化的老年内科医学的评估方法。结果一种可靠系统的可拓学估用了可拓学的关联函数及距离概念。详尽的健身检查与评估可成功地利用可编程程序及市、区里的卫生管理来诊断其老年医学问题，并且机器学习系统也已利用7种算法有效地为现代中国病人的先进生物医学工程应用。结论用关联函数在正域与负域的集合于可拓学中评估，可对各种健康情况的中国老年人进行综合诊断。     

大数据哈希学习:现状与趋势

随着信息技术的迅速发展,各行各业积累的数据都呈现出爆炸式增长趋势,我们已经进入大数据时代.大数据在很多领域都具有广阔的应用前景,已经成为国家重要的战略资源,对大数据的存储、管理和分析也已经成为学术界和工业界高度关注的热点.收集、存储、传输、处理大数据的目的是为了利用大数据,而要有效地利用大数据,机器学习技术必不可少.因此,大数据机器学习(简称大数据学习)是大数据研究的关键内容之一.哈希学习通过将数据表示成二进制码的形式,不仅能显著减少数据的存储和通信开销,还能降低数据维度,从而显著提高大数据学习系统的效率.因此,哈希学习近年来成为大数据学习中的一个研究热点.本文对这方面的工作进行介绍.     

血浆微小 RNA-223(miR-223)及叉头框蛋白3a水平与冠心病病人心脏结构变化的相关性研究

人工智能在心电图中的应用是心血管领域正在发生变革的一个重要方向。近年来,先进的人工智能技术,如深度学习,卷积神经网络等,已经实现了对心电图的快速、类似于人类的判读,而多层神经网络可以精确地检测到人类判读者基本无法识别的信号和模式,使心电图成为一个强大的“生物标志物”。大量的数字化心电图已经被用于开发人工智能模型,可检测阵发性心房颤动、左心室功能障碍、心肌病以及高钾血症、瓣膜疾病等异常情况。在这篇综述中,我们总结了人工智能辅助的心电图诊断在心血管疾病中的应用现状,讨论并评估了其临床意义、局限性和发展前景。     

人工智能与心律失常研究进展

近年来,人工智能在心律失常领域展现出巨大的潜力。智能研究和心律失常的结合给疾病的预防、诊断和治疗带来巨大变革。本文将就人工智能分别在心律失常诊断、挖掘疾病新特征、建立疾病预测模型、局限性及展望四个方面作一阐述。     

机器学习在放射治疗中的临床应用

放射治疗是癌症的主要治疗手段之一,以机器学习为代表的人工智能飞速发展,可应用于放射治疗临床实践的各个环节,包括临床决策支持、自动勾画靶区、预测疗效和副反应等,提高准确性与效率。尽管面临着结构化数据缺乏、模型可解释性差等挑战,机器学习在放射治疗中的应用将日趋深刻而广泛。本文从机器学习简介、在放射治疗中的临床应用研究进展和挑战与解决之道等3个方面展开综述。     

RSNA2020腹部影像学

RSNA2020腹部影像学对腹部多个脏器(肝脏、胆囊、胰腺、肾脏、前列腺、结直肠)从诊断及治疗方面进行研究,其中基于机器学习的影像学研究为肿瘤治疗相关的影像学组学及肿瘤预后等热门研究领域的有力分析工具。     

RSNA2022分子影像学

2022年RSNA年会以分子影像为主题的报告主要集中于以下几个方面：核医学在儿童疾病诊断及分型的应用;PET/CT在淋巴瘤分期与预后预测的应用;分子影像在前列腺癌诊断、治疗管理、评估远处转移的应用;脑肿瘤的诊断、分级、MTV自动分割;分子靶向PET/CT在神经内分泌肿瘤评估肝转移、监测PRPP治疗效果、预测预后的作用;分子影像在甲状腺疾病的应用;分子成像技术新进展主要包括新型对比剂及新的影像学成像方法在肿瘤中的应用。本文将对上述相关研究进展进行综述。     

基于CT平扫影像组学模型对早期急性坏死性胰腺炎的鉴别诊断价值

目的:基于急性胰腺炎(AP)首次发作时CT平扫图像,比较间质水肿性AP与出血坏死性AP的影像组学特征差异,探讨基于CT平扫影像组学模型对早期坏死性胰腺炎的鉴别诊断价值。方法:搜集2017年1月-2020年6月被诊断为AP的300例患者,回顾性分析AP患者腹痛症状发作24h内首次CT平扫图像和临床一般资料。以72～96h内增强CT及改良CT严重指数(MCTSI)评分为评判标准,将300例AP患者分为间质水肿性AP(230例)和出血坏死性AP(70例)。在联影科研平台下,手动逐层分割整个胰腺形态轮廓,得到感兴趣区体积(VOI),提取特征参数,按照7:3的比例将影像资料随机分为训练组与验证组,通过随机森林(RF)模型进行训练,采用五折交叉法对其进行验证,采用ROC曲线分析模型对出血坏死性AP的诊断效能,并计算准确度、敏感度和特异度。结果:性别、年龄在间质水肿性AP与出血坏死性AP患者间差异无统计学意义。通过构建RF组学模型,训练组及验证组中区分间质水肿性AP与出血坏死性AP的ROC曲线下面积分别为0.979和0.936。结论:基于CT平扫影像组学特征结合机器学习随机森林模型建立的鉴别诊断模型...     

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...