435例原发性高血压患者脉图参数与心血管危险分层的相关性分析

目的 本研究旨在探讨原发性高血压患者脉图参数与心血管危险分层的相关性，为原发性高血压患者心血管风险事件预警提供中医特色的依据。方法 采集435例原发性高血压患者的症状体征、脉象信息、生化指标等，分为低中危组、高危组、很高危组，采用单因素方差分析、秩和检验、有序logistic回归分析等方法，探讨原发性高血压患者脉图参数与心血管危险分层的相关性。结果 ①高血压低中危组→高危组→很高危组患者病程逐渐延长，两两组间比较有统计学差异；②高血压低中危组→高危组→很高危组患者的脉图参数H3/H1、H4/H1逐渐上升；高血压患者很高危组H5/H1、T1/T低于低中危组；③有序logistic回归分析结果显示，脉图参数T1、T4、T5、T为影响因素。结论 病程、血脂、肾功能是高血压患者心血管危险分层的影响因素之一。心血管危险分层等级的升高与脉图参数H3/H1、H4/H1、T5、T的升高及H5/H1、T4、T1的降低相关，说明脉图能一定程度上反映原发性高血压患者血管壁增厚、血管内壁受损、血管硬化及左心室收缩功能的减退程度。     

基于联合点线特征的医疗服务机器人同时定位与地图构建算法研究

目的 为提高医疗服务机器人同时定位与地图构建（SLAM）算法全局定位精度和实时性,提出基于点线特征SLAM（PL-SLAM）算法,并与ORB（oriented FAST and rotated BRIEF）-SLAM2算法进行比较。方法 PL-SLAM算法在特征提取过程中在点特征的基础上增加线段特征,根据融合后的点线特征,在复杂医疗环境内进行地图创建与全局定位。利用公开数据集EuRoc和KITTI对比PL-SLAM算法与ORB-SLAM2算法,测试医疗服务机器人的自主导航综合性能。结果 与ORB-SLAM2算法相比,PL-SLAM算法在弱纹理环境下能够提取较多的点线特征,定位精度和实时性均有较大提升。其中旋转误差较ORB-SLAM2算法减小42.2%,运算速度提高55.9%。结论 PL-SLAM算法能够有效提高医疗服务机器人全局定位精度和实时性。     

最小二乘支持向量机算法在中医临床脉图参数-血压预测模型的应用

目的 提出基于最小二乘支持向量机（LSSVM）算法的学习模型,以提高中医临床血压数据预测的准确度和效率。方法 将LSSVM学习模型应用于中医临床血压数据预测。用LSSVM等式约束代替支持向量机不等式约束,将二次规划问题转化为线性方程求解问题,降低计算复杂性,加快算法收敛速度。收集320例患者的临床脉图参数及血压数据,以其中300例样本作为训练样本,训练得到LSSVM学习模型,以其余20例样本作为测试数据,用得到的LSSVM学习模型根据患者的脉图参数预测血压数据。结果 实验证明,LSSVM学习模型对血压数据有较好的预测准确度。其中基于多项式核函数的LSSVM学习模型较基于径向基核函数LSSVM学习模型表现出更好的学习和预测能力,基于多项式核函数的LSSVM学习模型中收缩压、舒张压、平均动脉压预测结果的平均预测误差分别为7.88%、8.40%、6.67%,低于基于径向基核函数的LSSVM学习模型的预测误差（分别为7.95%、9.70%、7.48%）。结论 本实验提出的基于LSSVM的学习模型仅通过患者的临床脉图参数就可预测患者血压数据,对中医学临床诊断有一定的参考价值。     

基于集成神经网络的类风湿关节炎中医证候分类研究

目的 针对基于AI技术的类风湿关节炎（RA）中医证候多标签分类中存在标签关联性差、泛化性能低等问题,提出构建一种集成神经网络模型来实现RA中医证候分类,并探究其中的特征重要性和风险因素,为RA的诊断和治疗提供参考。方法 本文提出一种集成神经网络模型实现RA中医证候分类。该模型采用一种基于多层神经网络的基分类器提取临床RA多标签样本的深层特征,增强RA特征区分度,根据协方差理论衡量标签相关性,调节分类器链的输入空间,减少RA错误信息传播和冗余度,采用集成学习方法减小分类器链中不合理标签序列对RA特征分类的影响。结果 该模型在10折交叉验证性能参数中表现出优秀的性能,其中汉明损失、1-错误率、准确率和F1值分别为0.0036、0.0248、97.52%、99.18%。与其他常用多标签分类器相比,该模型的性能更为优秀具有更好的分类性能。此外,本文分析了RA中医证候特征重要性,并挖掘了潜在的风险因素。结论 基于集成神经网络模型的RA中医证候分类器具有较高的分类精度和效率,对于RA的临床诊断和治疗具有重要参考价值。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

基于网格的运动统计特征配准算法在医疗服务机器人中的应用

目的 针对医疗服务机器人目标识别中特征匹配准确率低、实时性差等问题,提出一种基于评分框架的基于网格的运动统计（SF-GMS）特征配准算法。方法 SF-GMS算法使用网格对特征点邻域进行分割,统计每个邻域中特征点的数量,设置评分框架函数,根据邻域特征点数量和评分阈值判断特征匹配准确性。结果和结论 与典型性特征配准算法随机采样一致性（RANSAC）算法相比,SF-GMS算法能有效提高特征成功匹配率,并具有较好的实时性;对光照视角、遮挡、仿射、比例尺度缩放和旋转等环境变化具有较好的稳定性,能满足模拟医院病房场景下服务机器人自主导航的需求。     

人工智能在临床医学中的应用与思考

人工智能（AI）已成为发达国家的国家战略。在医疗健康领域的各个环节（如虚拟助理、医学影像、药物挖掘、营养学、医院管理、健康管理、精神疾病、可穿戴设备、风险管理、病理学和临床诊疗活动等）,AI已取得极大的发展。本文就医疗活动中较为成功的AI研究,即AI与病理诊断、眼部疾病、皮肤疾病、医学影像、中医药、心电监测、手术机器人、肿瘤治疗、医学科学研究作一系统性的评述,阐述医疗领域AI应用存在的问题与展望。相信随着AI技术的发展,AI将会推动医疗领域革命性的进步,使广大病患受益。