宝宝多运动,脑子更聪明

脑科学研究证明:大脑90%的神经连接,是在生命最初几年形成的,这些神经连接的通路,连同遗传密码,把儿童塑造成不同身体素质、能力、兴趣、生活态度等。这些都源自于生命早期基于运动与感官体验建立起来的神经网络。这就意味着运动是继呼吸、心跳、消化等生存功能后的优先项之一,宝宝多运动,脑子更聪明。     

深度学习模型对纯磨玻璃结节肺腺癌病理亚型的预测分析

目的 利用深度学习对CT上表现为纯磨玻璃密度结节(pGGN)的肺腺癌进行分型,并与手术病理结果对比,探讨其对病理亚型的预测价值。方法 收集219例(共240个病灶)经病理证实且胸部CT上表现为pGGN的肺腺癌患者的CT影像与病理资料,根据病理分型,将其分为非浸润性腺癌组[包括浸润前病变(不典型腺瘤样增生和原位腺癌)以及微浸润腺癌]和浸润性腺癌组。首先对pGGN进行勾画与标记,然后将标记好的数据随机分为学习训练组(80%)及验证测试组(20%),其中验证测试组中的结果需与两位胸部影像专家的诊断结果进行对比。结果 深度学习模型对pGGN肺腺癌病理亚型的预测取得了较高的性能。深度学习模型对pGGN判断的准确率为0.8330,95%CI为0.7016~0.9157,专家1对pGGN诊断的准确率为0.5000,95%CI为0.3639~0.6361,专家2对pGGN诊断的准确率为0.5625,95%CI为0.4227~0.6931,两位专家联合对pGGN诊断的准确率为0.5417,95%CI为0.4029~0.6743,深度学习模型的准确率明显高于专家个人及专家组(P=0.002)。专家个人前后两次诊断的一致性Kappa值分别为0.939和0.799,专家个人前后两次的诊断一致性为良好;专家间的一致性Kappa值为0.667,专家间的诊断一致性为中等(P=0.000)。结论 深度学习模型能相对准确地判别pGGN的病理类型,诊断效能优于专家组判断。     

BP神经网络在卫生总费用分析中的运用

采用BP神经网络模型,对我国卫生总费用占GDP比重进行分析,以1978-2009年的历史数据作为样本数据对网络进行训练和检验,发现BP神经网络拟合度很高,能够实现对我国卫生总费用占GDP比重的有效预测.     

融合CNN和BiLSTM的心律失常心拍分类模型

为更加准确地从动态心电中提取异常心拍,设计一种融合卷积神经网络(CNN)和多层双边长短时记忆网络(BiLSTM)的心律失常心拍分类模型。心电信号首先被分割成0.75 s和4 s两种不同尺度大小的心拍信号,然后利用11层CNN网络和3层BiLSTM网络分别对小/大尺度心拍信号进行特征提取与合并,并使用3层全连接网络对合并特征进行降维,最后利用softmax函数实现分类。针对MIT心律失常数据库异常心拍类型分布不均衡的问题,采用添加随机运动噪声和基线漂移噪声的样本扩展方法,降低模型的过拟合。采用基于患者的5折交叉检验进行模型验证。MIT心律失常数据库116 000个心拍的分类结果表明:所建立的模型针对4类心拍(正常、房性早搏、室性早搏、未分类)的识别准确率为90.42%,比单独使用CNN(76.45%)和BiLSTM(83.28%)的模型分别提高13.97%和7.14%。所提出的融合CNN和BiLSTM的心律失常心拍分类模型,相比单一基于CNN模型或者BiLSTM模型的机器学习算法,有更好的异常心拍分类准确率。     

基于快速区域卷积神经网络萎缩性胃炎-胃癌胃镜图像自动识别模型的建立及临床测试＊

目的 验证基于快速区域卷积神经网络萎缩性胃炎-胃癌胃镜图像自动识别系统，并探讨其临床应用价值。方法 回顾性收集80例萎缩性胃炎-胃癌患者的640张胃镜图像序列，将所有图像序列作为训练组输入卷积神经网络系统，建立图像自动识别模型，通过读取图像进行验证，记录识别准确率，绘制精确回归曲线。结果 模型训练损失在12轮训练后基本趋于0，准确率在第29轮达到最大值98%，在42轮以后也基本稳定在最大值。结论 卷积神经网络系统能够帮助消化科医师对萎缩性胃炎-胃癌进行诊断，具有一定的临床应用价值。     

基于双流神经网络的颈动脉粥样硬化斑块稳定性区分方法

目的 训练双流神经网络自动区分颈动脉粥样硬化斑块的稳定性。 方法 使用颈动脉内膜剥脱术后经病理证实的115例稳定颈动脉粥样硬化斑块患者和110例易损颈 动脉粥样硬化斑块患者的844段超声造影视频，将其中744段视频作为训练集，训练双流神经网络， 得到在训练集上区分效果最佳的神经网络。将剩余的100段视频作为测试集，测试该神经网络自动区 分颈动脉粥样硬化斑块稳定性的价值。 结果 神经网络在训练集上区分颈动脉斑块稳定性的准确率、敏感度、特异度、阳性预测值、阴性 预测值、阳性似然比、阴性似然比分别为93%、87%、97%、96%、90%、29和0.13，在测试集上相应的 结果分别为80%、70%、90%、88%、75%、7和0.33。受试者工作特征曲线上，训练集和测试集中双流 神经网络判断斑块易损性的曲线下面积分别为0.99和0.84，均P＜0.001。 结论 利用已知病理结果的超声造影视频，将其输入到双流神经网络进行训练，能得到较好的自 动区分颈动脉粥样硬化斑块稳定性的模型。     

基于Curvelet变换的肺结节CT图像良恶性分类研究

目的早期肺癌患者的CT图像表现为结节状（在肺野内直径≤3cm的病灶），需要与结核球等良性病变鉴别开，以提高患者的5年生存率。方法本文基于Curvelet变换提取能量、熵、灰度均值及灰度标准差四种纹理特征值，按7：3比例将样本分为训练集与验证集。使用BP（back propagation）神经网络作为分类器。每一种纹理参数测试集的神经网络仿真值结合病理诊断结果绘制受试者工作特征曲线（receiver operator characteristic cllrve，ROC曲线），根据ROC下面积得到最优的几种纹理参数用于良恶性分类，并将分类结果与病理诊断结果进行比较。结果四种纹理参数构建的BP网络均具有诊断价值，每种纹理参数诊断价值各不相同，其中熵与灰度标准差的诊断价值优于能量与灰度均值，并且通过组合多种纹理参数可以提高诊断准确性。结论使用熵与灰度标准差两种纹理特征值构建BP神经网络能达到最好的分类效果，在一定程度上有利于肺癌的早期诊断。