基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。     

先天性眼球震颤眼动波形的层次聚类分析研究

目的探讨机器学习层次聚类算法用于先天性眼球震颤(CN)眼动波形自动分类和波形诊断的可行性。方法回顾性病例系列研究。收集2018年12月至2019年9月就诊于天津市眼科医院的90例(90只眼)CN患者资料, 其中男性67例, 女性23例, 年龄(12±9)岁。所有患者采用高速视频眼动仪记录眼动波形。对标准化后的眼动波形进行无监督机器学习层次聚类分析, 获得可视化分类结果并予以波形命名, 统计每种波形的发生比例, 分析波形成分与CN患者视功能的相关性。统计学方法为独立样本t检验和Pearson相关性分析。结果在90例(90只眼)CN患者的46 620个有效眼动波形中, 通过机器学习层次聚类算法自动分出7种波形, 分别命名为波形Ⅰ(14 259个, 30.59%)、波形Ⅱ(11 498个, 24.66%)、波形Ⅲ(4 083个, 8.76%)、波形Ⅳ1(5 430个, 11.65%)、波形Ⅳ2(3 451个, 7.40%)、波形Ⅳ3(3 015个, 6.47%)及波形Ⅳ4(2 663个, 5.71%);有2 221个(4.76%)波形未分类。波形Ⅰ、Ⅱ、Ⅲ分别与3种CN基本眼动波形即速度递增...     

机器学习算法在麻醉领域的应用

人工智能在医疗领域的应用逐步推动医疗变革,机器学习算法融入麻醉领域对于进一步提升麻醉发展意义重大。为了解机器学习算法在麻醉领域的应用现况及推动相关研究进展,本文总结了机器学习在围手术期麻醉管理和预测术后并发症方面的应用、基本概念和研究现状,指出了目前机器学习算法在医疗领域的不足之处。     

机器学习在脑血管病诊疗应用中的研究进展

正脑血管病以其高死亡率、高复发率和高致残率成为我国乃至全球最严重的疾病负担之一~([1-2])。快速评估、诊断和干预对改善脑血管病患者的结局至关重要,并高度依赖于特征性的神经影像表现,比如应用头颅CT快速鉴别缺血和出血性脑血管病、大血管闭塞和缺血半暗带的快速评估等~([3])。脑血管病神经影像特征的快速评估高度依赖经验丰富的血管神经病学医师和神经放射医师。然而,不断增加的脑血管病疾病负担和不断攀升的就诊量对医院尤其是基层医院的专业医师带来巨大的需求,但是     

基于预测剂量引导的宫颈癌自动计划研究

目的:使用机器学习方法建立宫颈癌计划剂量预测回归模型，并将预测剂量引导生成Monaco 计划系统（TPS）可调用 的优化模板文件，实现宫颈癌的自动计划设计。方法:对50例宫颈癌术后调强治疗计划中的危及器官采集基于重叠体积直 方图的几何特征值和基于剂量直方图的剂量目标值，建模后将模型预测剂量结果自动生成Monaco TPS模板文件，进而由TPS 调用优化。使用该方法对另外10例未参与模型训练的测试病例进行自动计划设计，并和人工设计的计划进行对比分析。 结果:自动计划比手动计划的平均设计时间减少了40 min（P<0.05），且平均调优次数降低了3次（P<0.05），剂量学指标和计 划执行效率上两者无明显差异（P>0.05）。结论:基于预测剂量引导的宫颈癌自动计划可以达到临床要求，并且提高了计划 设计效率。     

基于机器学习算法的脑出血相关肺炎预测模型研究

目的 建立基于机器学习的脑出血相关肺炎预测模型。 方法 选择中国国家卒中登记Ⅱ（China National Stoke Registry Ⅱ，CNSRⅡ）数据库中发病7 d内的急 性脑出血住院患者为研究对象，登记时间为2012年5月-2013年1月，研究覆盖我国219家医院。研究对 象按照8∶2比例随机分为训练集和测试集。采用多因素Logistic回归分析，筛选出候选预测因子。应用 基于机器学习的Logistic回归、CatBoost、XGBoost和LightGBM算法构建诊断预测模型，比较4种方法构建 的模型对脑出血相关肺炎的预测诊断价值。 结果 本研究共筛选2303例患者，平均年龄62.1±12.7岁，其中男性占62.1%。患者随机分为训 练集（n =1841）和测试集（n =462），两组脑出血相关肺炎发生率分别为15.6%和15.8%（χ 2=0.007， P =0.934）。根据多因素Logistic回归分析，候选预测因子为年龄（OR 1.03，95%CI 1.02～1.04）、NIHSS 评分（OR 1.02，95%CI 1.00～1.04）、白细胞计数（OR 1.11，95%CI 1.07～1.16）和吞咽功能障碍（OR 6.85，95%CI 5.01～9.39）。Logistic回归、CatBoost、XGBoost和LightGBM四种模型灵敏度分别为75.34%、 50.68%、80.82%和80.82%；特异度分别为68.64%、86.12%、52.96%和57.33%；ROC曲线下面积分别 为0.776、0.692、0.736和0.767。Logistic回归和LightGBM模型诊断效果显著高于CatBoost和XGBoost模型 （DeLong test，P <0.05）。 结论 基于机器学习建立的脑出血相关肺炎风险预测模型有较高的诊断价值，年龄、NIHSS评分、白 细胞计数和吞咽功能障碍为模型的候选预测因子，可将模型纳入脑出血相关肺炎诊断决策。本研究 结果的临床应用价值有待于更大样本的外部队列进行验证。     

基于机器学习和动力学模型的湖北省新型冠状病毒肺炎疫情分析

基于武昌方舱医院的一线数据和其他官方数据,我们首先利用机器学习对疫情规模进行预测,之后利用回溯传播模型和抽样检测模型对疫情规模进行估计,最后从宏观角度上用SIR和SIER模型结合MATLAB软件编程对疫情进行分析,采用元胞自动机模型在微观角度上的分析,从两个角度证明了中国政府强有力的防控措施的必要性。     

深度学习技术在医学影像中的应用

近十年来,人工智能(artificial intelligence,AI)在医学领域发展迅速,很大程度上得益于机器学习(machine learning,ML)技术的发展与进步,而机器学习也成为医学领域创新的新引擎。医学成像领域中,机器学习对图像重组、病变分割、计算机辅助检测(computer-aided detection,CADe)和诊断(computer-aided diagnosis,CADx)等方面的优化产生了积极影响[1,2]。与传统的医学图像分析技术相比,机器学习技术不需要由医学及技术领域专家为特定分析制定明确相关的功能。     

中医人工智能辨证研究现状与发展＊

目的 总结中医人工智能辨证领域的研究历史与现状、应用状况、所面临的挑战，为中医辨证智能发展提供帮助。方法 检索中国知网（China National Knowledge Infrastructure，CNKI）总库1980年-2020年人工智能与中医辨证相关文献，筛选出301篇，以时间为线索，从专家系统、机器学习、深度学习和知识图谱，对中医辨证算法研究进行分类；以地域为线索，结合文献计量学可视化分析，梳理出中医辨证人工智能地域发展态势。结果 通过三个阶段中医辨证算法的比较，机器学习的神经网络、决策树和贝叶斯等算法模型辨证准确率均值在90%以上，适用于中医辨证，未来深度学习与知识图谱在中医辨证方面极具潜力。结论 中医辨证信息化迅猛发展并处于持续深入的状态，但中医文本数据的处理和结构化工作滞后，缺乏评价系统来评判人工智能算法在辨证上的效果，需予以重视。     

利用机器学习鉴别胶质母细胞瘤标准化治疗后真假性进展的研究

目的:探讨基于T1加权增强成像(T1CE)的机器学习模型在鉴别胶质母细胞瘤(GBM)患者标准化治疗后真假性进展的诊断效能。方法:回顾性分析了我院2014年5月至2017年2月间经手术病理证实的77例胶质母细胞瘤患者,所有患者均行标准化治疗。利用ITK-SNAP软件划取全部强化部分为感兴趣区(VOI),应用A. K.软件提取9675个特征。此外,采集的临床信息包括:性别、年龄、KPS评分、切除范围、神经功能缺损和平均放疗剂量。利用随机森林分类器(RF)建立分类模型,以鉴别GBM标准化治疗后的真假性进展。通过计算受试者工作特征(ROC)的曲线下面积(AUC)、敏感度、特异度和准确性评估模型的诊断效能。结果:真性进展51例,假性进展26例。真假性进展患者的临床基线特征均无显著统计学差异。基于影像组学特征的机器学习模型诊断效能相对较高,AUC值、准确性、敏感度和特异度分别为0. 79(95%CI:0. 63-0. 98)、72. 78%、78.36%和61. 33%。结论:基于T1CE增强图像特征建立的机器学习模型对GBM标准化治疗后真假性进展的鉴别效能相对较高,有助于临床医生尽早制定适当的治疗方案。