基于神经网络和支持向量机的中医体质辨识模型研究＊

目的 提出基于舌象和形体特征的中医体质辨识模型，探讨中医以舌辨质客观化、规范化方法。方法 提取客观化的舌象特征（舌质与舌苔的色度和饱和度、舌苔纹理的平均亮度、平滑度以及齿痕特征）和形体特征，建立基于神经网络和支持向量机的客观化舌象和形体特征的辅助中医体质识别模型。结果 对平和质、气虚质、阴虚质和气淤质四种体质进行模型的训练和测试，结果表明融合舌象特征和形体特征的中医体质辨识模型能有效地辅助中医体质识别，且支持向量机对四种体质辨识效果总体上优于神经网络。结论 基于客观化的舌象特征和形体特征辅助中医体质辨识有利于提高中医体质辨识的客观化水平，合理选择机器学习算法可以提高中医体质辨识的准确性。     

基于粒子群优化的BP神经网络对血脂异常气郁痰阻型中医证候的疗效预测＊

目的 选用两种药物分析对血脂异常、中医证候的疗效，以中医证候积分为基础建立血脂异常气郁痰阻型的疗效表征模型，进而提出基于粒子群优化的BP神经网络预测两种方法的疗效。方法 收集50名符合血脂异常气郁痰阻型患者的基本资料，将患者随机分为解郁祛痰化浊方组（JQHP）、血脂康胶囊组（XZKC），每组25例，观察疗程12周治疗前后的血脂水平，治疗前及治疗期间每4周记录一次中医证候积分，共4次。定性疗效分析参考血脂防治指南和中医疗效积分，采用t检验、非参数检验及X²分析的方法；神经网络模型采用粒子群优化的BP神经网络，定量构建血脂异常气郁痰阻证的预测模型，设置为三层网络，输入层节点数为15，隐含层节点数为6，输出层节点数为1。针对JQHP组和XZKC组的数据，分别选择80%的数据进行训练，20%的数据进行验证。结果 两组治疗前、治疗4周、治疗8周、治疗12周的中医证候积分随治疗周期的增加而下降（P < 0.05）。JQHP组除了“形体肥胖”外，其余14项症状均有显著的改善（P < 0.05），XZKC组治疗前后比较除“形体肥胖”、“头晕”、“胸闷”外，其余12项均改善（P < 0.05）。以中医证候积分建立的基于粒子群优化BP神经网络的预测精度高、稳定性佳，可以定量预测两种药物对未知患者的疗效。结论 JQHP和XZKC可以改善血脂异常患者的血脂水平，改善气郁痰阻型患者的症状，此为定性分析。利用中医证候积分建立的基于粒子群优化BP神经网络两种治疗方法的预测模型，可定量预测未知患者的疗效。以此思路将有助于找到一种特定治疗方法的适应人群，从而提高该治疗方法的针对性，实现中医药的智能化、精准化、定量化。     

基于生成对抗网络的肝脏CT图像分割

目的 从腹部计算机断层扫描(computed tomography,CT)图像中分割出肝脏区域,对于肝脏疾病早期诊断、肝脏大小估计以及3D重建十分重要,精准快速地分割出肝脏边缘成为研究要点.方法 采用公开发表的肝脏肿瘤数据集为研究对象,融合生成对抗网络和Unet网络对CT图像实现肝脏的自动分割.首先将腹部CT图像输入到Unet网络进行分割预测,然后通过生成对抗网络(generative adversarial networks,GAN)进行对抗训练,使得预测结果更加接近于真实结果,同时在进行对抗训练的过程中探索了不同的距离约束函数对于分割结果的影响;预测的分割结果通过Dice分数(dice similarity coefficient,Dice)、IoU分数(intersection over union,IoU)、像素精确度(pixel accuracy,PA)、相对体积误差(relative volume difference,RVD)以及相对表面积误差(relative surface area error,RSSD)在CT-核磁健康腹部器官分割挑战数据集[combined(CT-MR)healthy abdominal organ segmentation challenge data,CHAOS]数据集上进行评价.结果 L2距离约束的Gan-Unet网络可以很好地对肝脏进行分割,其Dice、IoU和PA分别达到了94.9％、91.3％、99.4％,相比于Unet的Dice、IoU和PA为92.3％、86.7％、95.8％有明确的提升.在三维指标中,本文的方法在RVD、RSSD为0.026、0.079,相比于Unet的0.042、0.191有明显下降.结论 通过对Unet网络进行生产对抗训练以及在训练过程中引入距离约束函数可以提高肝脏分割的性能,肝脏分割结果可以应用于计算机辅助诊断系统中.     

基于交叉对比神经网络的心音分类

目的:通过交叉对比神经网络（CCNN）实现心音信号的自动分类，从而对心血管疾病进行早期诊断。方法:实验基于PhysioNet/Cinc 2016心音数据库。训练集和测试集数据来自互斥的健康受试者/病理患者，并以4:1的比例进行划分，输入CCNN。CCNN利用深度卷积神经网络进行特征提取，结合基于信息的相似度度量理论（IBS），对特征向量间的相似性进行度量并分类。结果:实验结果得出灵敏度为0.834 6，特异性为0.962 3，最终大赛综合得分为0.898 5。结论:CCNN使用交叉对比的输入模式扩充数据量，引入信号间的对比信息，同时在神经网络的训练过程中应用统计学思想，使网络具备良好的泛化性，更加适应医学数据量较少的场景，在心音分类中取得较好的结果。     

直肠癌淋巴结转移的深度神经网络评判研究进展

正目前,临床上对于直肠癌常用的影像评估方法有MRI、螺旋CT、PET-CT、直肠腔内超声(ERUS)等。而MRI作为首选检查方式,对肿瘤位置、浸润深度、淋巴结转移、血管侵犯、环周切缘及周围器官侵犯等方面的评估均具有明显优势~([1-2])。通过MRI诊断淋巴结的方法通常是影像科医师逐层浏览每一幅图像,从中识别淋巴结的形状、界限及密度来判断,这种传统方式耗时较长且存在主观偏倚,导致     

基于卷积循环神经网络的阿尔茨海默症早期诊断

早期准确诊断能延迟阿尔茨海默症(Alzheimer′s disease,AD)病情的恶化。磁共振成像(MRI)和正电子发射断层扫描(PET)已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。     

人工神经网络在医学统计与信息处理方中的应用综述

神经网络作为一种新型的统计计算和信息处理方法有其独特的优越性,这里举出近年来我国和国际医学工作者在使用神经网络进行医学统计和信息处理的几个案例。由此说明神经网络将是很有前途的统计和信息处理方法,并对其未来做展望。     

2019年度百篇中华医学优秀论文获奖名单

本刊2018年51卷4期杨剑等“基于卷积神经网络的阿尔茨海默病与行为异常型额颞叶痴呆的鉴别诊断模型研究”、4期王莹等“精神分裂症首次发病患者及其同胞的脑静息态局部一致性分析”和1期王勋等“2016年全国严重精神障碍患者管理治疗现状分析”3篇论文被评为“2019年度百篇中华医学优秀论文”。     

院内感染预测模型的应用探讨

<正>2003年非典之后,医院感染及其管理等相关概念正式引入我国[1],由于我国整体的感染控制工作起步较晚,基础相对薄弱,虽然在法律法规硬性要求下整体体系框架建设较快,但从业人员整体素质、实质能力、专业程度及文化程度相对于已经成熟的医护体系均显羸弱。简洁明晰的辅助工具的运用,不但能够弥补医院感染管理人员专业素质的不足,更能