机器学习在医学中的应用现状

人工智能在近年来已广泛应用于社会各个领域,取得巨大成就。但公众对人工智能的认知仍存在一定误区,笔者就人工智能的当前定义、主要思想及方法做了简要回顾;对当前主流的人工智能技术——机器学习及不足做简要介绍。介绍当前人工智能在医学领域中的应用。相信随着技术的进步,在可见的未来,人工智能将作为医师的强有力的助手,减轻医师负担,减少误诊、误治,提高医疗救治水平。     

基于人工智能和临床诊断的上肢康复评估方法研究进展

脑卒中导致患者肢体运动功能障碍或缺失,严重影响了患者的生活质量。在上肢康复治疗中,医生需要对患者的上肢进行主观康复评估,但这种方法误差大、成本高。因此,人们将人工智能技术应用到医疗康复领域。本文总结了基于s EMG信号特征、运动轨迹误差特征、关节运动角度特征、关节角速度特征的客观评估方法,以及Brunnstrom等级评价法、上田敏评价法、Fugl-Meyer量表评价法、Wolf运动功能测试评价方法等主观评估方法。最后,本文认为现有的客观评估方法普遍受到训练资料过少、特征单一等因素影响。主观评估方法普遍受到评估时间过长、易受主观影响等因素影响。未来的客观评估算法还应在算法准确性、训练资料规模、多特征融合等方面继续改进。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。     

基于光学体表监控和X射线透视影像的膈肌运动自动跟踪

目的:基于直线加速器的光学体表监控系统和X射线透视影像利用人工智能构建膈肌顶点运动的自动跟踪模型。方法:同步采集7例肝肿瘤患者胸腹部的光学体表运动信息和千伏级X射线透视影像,选取其中3例患者数据利用主成分分析与偏最小二乘回归结合的方法计算不同体表感兴趣区域与膈肌运动的相关系数,选择相关系数最大的体表感兴趣区域作为光学体表监控区。首先,使用全卷积网络模型自动识别透视图像中膈肌顶点的位置;再利用随机森林方法建立体表与膈肌顶点运动的关联模型,基于体表运动信息实时预测膈肌顶点运动轨迹;最后,把自动跟踪的膈肌顶点位置与放疗医生手动勾画位置进行对比,以评估模型精度。结果:3例患者的体表感兴趣区域与膈肌运动的平均相关系数在前后（AP）方向最高达到（0.73±0.01） mm,上下（SI）方向最高达到（0.88±0.01） mm。自动跟踪模型预测结果与手动勾画位置的平均绝对误差和均方根误差SI方向分别为（3.09±0.79） mm和（3.89±0.89） mm,AP方向分别为（1.42±0.43） mm和（1.78±0.46） mm。结论:体表呼吸运动与体内膈肌运动是相关的,在放疗过程中基于光学体表运动信息可以实时跟踪体内膈肌顶点运动,该技术可用于胸腹部肿瘤放疗期间膈肌附近肿瘤的实时及无创运动管理。     

一种基于肝分段和肝癌轮廓融合的放疗靶区数据库建立方法

提出一种基于肝分段和肝癌轮廓融合的放疗靶区数据库建立和全过程数据质量管理方法,为后续人工智能靶区勾画或评估当前手工勾画提供数据支持。从肝癌数据库中取出原始图像,分别对其做带有肝脏放疗靶区勾画和分区分段轮廓标注工作,并通过图像融合技术使肝癌的放射治疗精确到肝段,最后使用深度学习的方法训练Unet网络以得到精准肝分割的神经网络模型,以实现针对肝癌的精准放疗。     

机器人辅助胸腔镜技术应用于胸外科初步经验

目的评价人工智能机器人外科手术系统在普胸外科手术领域的可行性及安全性。方法 2009年5月至2010年5月共使用达芬奇外科手术系统完成15例普胸外科手术,包括8例肺部手术,6例纵隔肿瘤手术,1例食管癌手术。结果所有15例患者均成功运用达芬奇机器人顺利完成手术,无一例中转开胸。15例患者手术平均耗时120.9min,术中平均失血75.3ml,平均住院时间7.8d。术后1例肺癌患者出现支气管胸膜瘘,术后第16天行支气管瘘修补术,修补成功后出院。无术后死亡,中期随访结果生存率与普通胸腔镜手术差异无统计学意义。结论虽然人工智能手术系统还需要进一步的研究来证实其优势,但是我们的结果表明运用人工智能外科系统进行普胸外科手术是安全可行的。该文为进一步运用人工智能外科手术系统进行胸部肿瘤手术提供了初步经验。     

深度学习在小儿中枢神经系统影像学的应用进展

【摘要】多模态医学影像信息在中枢神经系统疾病的辅助诊断以及预后预测中发挥着不可替代的作用。近些年来,人工智能的高速发展对医学大数据的处理以及精准医疗的发展带来巨大潜力。深度学习提取影像信息中高通量数据客观分析,在影像学中取得了长足的进展。本文就深度学习技术在小儿中枢神经系统影像学的应用现状进行综述,包括小儿脑组织分割、脑发育、小儿脑肿瘤、脑积水、癫痫、自闭症等,并结合临床实际总结目前存在的问题,以及对其应用前景进行展望,旨在为未来深度学习的相关影像学研究提供参考。     

心肌桥近端冠脉狭窄程度预测模型的建立及其临床应用价值

目的:探讨基于传统logistic回归分析和机器学习方法建立心肌桥(MB)近端冠脉狭窄程度预测模型的可行性及其临床应用价值。方法:选取2019年10月-2021年5月在本院行冠状动脉CTA及侵入性冠状动脉造影(ICA)检查并确诊存在MB的152例患者作为研究对象,将患者按照7︰3随机分为训练集(107例)和验证集(45例)。选取16个临床和影像特征为模型输入变量,以ICA检查获得的心肌桥所在血管近段狭窄程度(轻度与中重度)作为二分类输出变量,采用传统logistic回归分析和基于不同分类算法的机器学习方法构建了12个预测模型,采用ROC曲线分析各模型的诊断效能并进行验证。对logistic回归预测模型中的16个特征进行重要度排序,对最重要的3个特征在轻度组和中重度组间的差异进行统计学分析。最后,在验证集中比较了传统logistic回归预测模型与CTA医师阅片分析对评估心肌桥所在血管近段狭窄程度的效能。结果:12种分类预测模型的预测性能均较好,AUC介于0.7至0.9之间。其中以传统logistic回归模型的预测效能最佳,其在训练集和验证集中的AUC分别为0.923和0.872,在验证组...     

Introduction: Artificial intelligence-guided signaling on the response of multisystem inflammatory syndrome andKawasaki disease co-host immune response in children北大核心CSCD

2022年5月16日发表于Nature Communication题为“An artificial intelligence-guided signature reveals the shared host immune response in MIS-C and Kawasaki disease”的这篇文章[1]探讨了人工智能引导信号在儿童多系统炎症综合征(multisystem inflammatory syndrome in children,MIS-C)和川崎病(Kawasaki disease,KD)中的研究及其对临床诊断的指导价值,立题创新,对儿科临床工作有较大的指导意义。现对其进行解读,供儿科同仁参考。     

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。