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。     

应用人工神经网络预测ESWL单次治疗肾结石的成功率

目的:建立预测ESWL治疗肾结石成功率的人工神经网络,并转化为临床应用。方法:2008年1月～2010年2月接受ESWL治疗的肾结石患者325例,将治疗前的临床资料共10项(性别、尿路刺激症、血尿、肾绞痛、结石位置、结石患侧、年龄、体重指数、病程时间、结石大小)纳入预测参数,建立人工神经网络。绘制预测拟概率的ROC曲线,计算曲线下面积(area under curve,AUC),计算约登指数,结合临床要求,得到适宜的概率分界值。结果:人工神经网络得到预测参数重要性的前5位依次是结石大小、病程时间、血尿、结石位置、体重指数。ANN的AUC为0.856,95%可信区间为0.774～0.917,与AUC为0.5进行显著性检验,P<0.001。确定概率分界值为0.595时,ANN的敏感度和特异度达到较为理想状态,分别为92%和60%。结论:人工神经网络预测ESWL单次治疗肾结石成功率有较好的准确性,选择恰当的概率分界值,可提高人工神经网络的预测效能。     

人工神经网络与灰色理论模型在传染病中的应用

目的探究人工神经网络模型(ANN)及灰色理论在乙型肝炎(乙肝)、丙型肝炎(丙肝)及梅毒三种流行性疾病诊断中的应用。方法对2011-2013年郑州第一附属医院三种流行性疾病进行统计,建立BP神经网络及GM(1,1)预测发病模型。结果建立了拓扑结构为1-5-1的BP神经网络及GM(1,1)模型,并对预测效果进行了验证对比。结论人工神经网络模型对三种流行病的预测精确度高于灰色理论,具有很好的预测效果。     

人工智能在眼科疾病诊疗的应用现状

近年来，人工智能（artificial intelligence，AI）在医学领域的应用范围不断扩大，已成为医疗行业关注的焦点，在心血管疾病、乳腺癌、皮肤癌、糖尿病视网膜病变、白内障、青光眼及早产儿视网膜病变等诊疗中均有新进展。本综述旨在了解AI在眼科领域的应用现状、优势、进展及不足，为AI在眼科领域的进一步应用及推广提供更多信息。     

基于人工神经网络模型的鼻咽癌VMAT计划质量控制方法

目的训练放疗计划个体化三维剂量预测模型,并使用该模型建立计划质量控制方法。方法回顾性分析99例已临床实施的早期鼻咽癌同步加量容积旋转调强放疗(VMAT)计划,提取7个几何特征,包括各危及器官(OARs)到PTV、加量靶区和外轮廓的最小距离,及4个坐标位置关系特征。训练(89例)并验证(10例)基于人工神经网络(ANN)的三维剂量分布预测模型;然后基于该预测模型建立放疗计划质量控制方法。以各危及器官剂量学参数D2%、D25%、D50%、D75%和平均剂量(MD)为质量控制指标,通过标准为人工计划和预测剂量差别≤10%。采用由低年资物理师设计的10例计划,对该质量控制方法进行测试。结果18个头颈部OARs的主要剂量学指标,预测剂量与专家计划结果差异无统计学意义。剂量预测结果与专家计划相比,D2%、D25%、D50%、D75%和平均剂量(MD)的差别均控制在1.2 Gy以内。由低年资物理师设计的10例计划均达到常规临床剂量限值的要求,而利用建立的质量控制方法检出1例计划的脊髓、脊髓危及器官的计划体积(PRV)、脑干和脑干PRV剂量限制有待改善。根据模型预测值重新优化计划后,脊髓和脑干D2%分别降低了8.4和5.8 Gy。结论提出了一种简单易行的放疗计划质量控制方法,能克服统一性剂量限值未考虑患者特异性的缺陷,可提高个体化计划质量和稳定性。     

人工智能在胰腺疾病诊断及治疗中的应用及展望

人工智能是计算机科学的一个分支,是一门新的技术科学。以强大的计算和学习能力而广泛应用于临床实践的各个领域。本文回顾了人工智能在胰腺疾病诊断及治疗中的应用,特别是在急性胰腺炎的严重程度及预后评估、胰腺癌的诊断和预后等方面。然而人工智能是以“大数据”为基础的,多中心数据库的建立仍需要我们进一步努力。此外,随着人工胰腺在糖尿病应用中的普及,人机关系在医疗实践中占的比重也会越来越大。人工智能技术将会给临床诊疗活动带来更多的便利。     

机器学习在肺癌VMAT计划中对危及器官剂量预测的可行性

目的:探讨机器学习在肺癌容积旋转调强（VMAT）治疗计划对心脏和肺的剂量体积直方图（DVH）预测的可行性。方法:选取51例肺癌VMAT计划,随机选取其中43例为训练组,剩余8例为验证组。分析训练组中患者的解剖信息与两侧肺V5、V20和心脏V30、V40的相关性。采用机器学习方法,以解剖信息为输入、危及器官（OAR）的DVH为输出,分别构建并训练关于两侧肺以及心脏的人工神经网络模型。将验证组中8例VMAT计划中的解剖信息分别输入到已经构建好的人工神经网络模型,分别预测OAR的DVH。结果:两侧肺V5、V20和心脏V30、V40受自身体积大小影响可忽略,受OAR与靶区的空间相对位置关系影响较大。患侧肺、对侧肺、心脏的人工神经网络结构模型中隐藏层分别含有41、38、34个神经结点,线性回归系数分别为0.994、0.975、0.986。对验证组中患侧肺和对侧肺的V5、V20的预测误差分别为2.70%[±]1.83%、2.84[%±]1.97%和13.7%[±]7.8%、0.72[%±]0.75%,对心脏V30、V40的预测误差分别为3.20[%±]0.63%、2.1[%±]1.5%,仅对侧肺V5的预测值和实际值差异有统计学意义（P<0.05）。结论:采用人工神经网络方法可以对肺癌VMAT计划中解剖信息与OAR的DVH数据进行学习,构建的人工神经网络模型可预测出患侧肺、心脏V25[~]V60和对侧肺V20的DVH数据,可为临床计划设计提供参考。     

人工神经网络技术诊断附件包块良恶性的可行性研究

目的 探索运用计算机智能人工神经网络技术建立诊断模型来判断附件包块良恶性的可行性.方法 180例附件包块患者随机分为训练组和测试组.训练组结合统计学多因素分析方法筛选出的参数建立人工神经网络诊断模型;测试组通过ROC曲线分析比较与恶性风险指数模型诊断性能的高低.结果 18项指标中单因素分析有14项指标对判断附件包块的性质有意义（P＜0.05）.由统计学多因素分析选出的参数（年龄、血清CA125、包块内壁突起、腹水及血流平均速度）共5项作为神经网络模型输入层参数,建立模型.ROC曲线证实神经网络模型较恶性风险指数模型的诊断性能高（P＜0.05）.结论 人工神经网络诊断模型对附件包块良恶性判断有良好的诊断性能.