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。     

基于T1WI增强影像组学在鉴别高级别胶质瘤复发与假性进展中的应用价值

目的：探讨基于T1WI（T1 weighted imaging）增强影像组学在术前无创鉴别高级别胶质瘤术后复发与假性进展的应用价值。方法：回顾性分析经病理证实为高级别胶质瘤的104例患者临床及磁共振成像资料,根据二次手术病理或神经肿瘤疗效评估标准（response assessment in neuro-oncology,RANO）将其分为复发组71例,假性进展组33例。按7∶3比例随机分为训练组和验证组。在T1WI增强图像上手动勾画肿瘤实质区的体积作为感兴趣区,用FeAture Explorer软件提取1 648个组学特征。 采用主成分分析（principal component analysis,PCA）及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行特征处理及筛选,采用支持向量机（support vector machine,SVM）构建影像组学模型。通过受试者工作特征曲线下面积（area under curve,AUC）及校准曲线评估模型的效能。结果：训练组鉴别高级别胶质瘤复发与假性进展的AUC为0.929, 准确率为 0.889,灵敏度为 72.7%,特异度为 100.0%。验证组的 AUC 为 0.853,准确率为 0.813,灵敏度为 90.9%,特异度为 71.4%。校准曲线显示模型预测值与实际值一致性较好。结论：基于T1WI增强影像组学模型具有较好的诊断效能,有助于鉴别高级别胶质瘤术后复发与假性进展。     

新生儿败血症休克预测模型的构建——1 695例患儿回顾性研究

目的 筛选新生儿发生败血症休克的危险因素,建立新生儿败血症休克临床预测模型。方法 选取2016年1月1日—2019年12月31日重庆医科大学7家附属医疗机构中患有败血症的新生儿,根据是否发生败血症休克分为研究组和对照组。采用单因素分析、LASSO和logistic回归分析筛选危险因素。采用logistic、极端梯度提升（XGBoost）、随机森林（RF）、分类回归树（CART）和人工神经网络（ANN）建立新生儿败血症休克预测模型,根据灵敏度、特异度、曲线下面积等指标评估模型性能。结果 本研究中,共有339名败血症新生儿发生败血症休克,1 356名败血症新生儿未发生败血症休克。单因素分析筛选出31项差异指标,多因素分析筛选出12项独立危险因素。测试集中,logistic、XGBoost、RF、CART、ANN模型的曲线下面积分别为0.856 (0.809～0.903),0.861 (0.819～0.904),0.880 (0.838～0.922),0.835 (0.790～0.881),0.808 (0.756～0.860)。结论 本文构建的五种预测模型相对稳定,其中,RF模型的预测性能最佳,能为新生儿败血症休克提供较好的预测。     

机器学习在骨科诊疗中的应用进展

近年来,人工智能相关技术与医学领域的深度融合使得医工交叉成为热点。骨科疾病诊疗存在数据量大和决策困难等问题。机器学习作为人工智能领域的重要方法,具有对医学大数据自动分析和预测的能力,被广泛应用于骨科等临床学科领域,辅助医生高效地完成疾病诊断和治疗工作。介绍了机器学习在骨科术前、术中和术后诊疗中的应用进展,为探索更加合理的诊治策略提供新的思路。     

基于机器学习算法的NT-proBNP灰值患者心力衰竭判别模型评价

目的 应用机器学习算法构建氨基末端脑钠尿肽(N-terminal pro-brain natriuretic peptide,NT-proBNP)灰值患者心力衰竭判别模型并评价.方法 收集2013年1月至2018年12月在上海市浦东新区公利医院进行NT-proBNP 实验室检测的患者临床资料和实验室检测信息,数据清洗后...     

基于光谱CT和影像组学特征的机器学习模型和列线图预测甲状腺结节良恶性

目的：构建光谱CT参数和影像组学机器学习模型预测甲状腺结节良恶性。方法：回顾性分析行光谱CT增强扫描的118例甲状腺结节患者（143个结节,其中包括46例良性结节和97例恶性结节）影像及临床资料,7∶3随机分为训练集 （n=100）和验证集（n=43）。采用差异性检验、组间一致性评估以及最小绝对收缩和选择算子算法（least absolute shrinkage and selection operator,LASSO）筛选特征并计算影像组学评分。运用决策树（decision tree,DT）、随机森林（random forest,RF）、极端梯度提升树（extreme gradient boosting,XGBoost）、支持向量机（support vector machine,SVM）、K 最近邻（K-nearest neighbor, KNN）和逻辑回归（logistic regression,LR）6种机器学习算法进行建模,筛选最佳的模型并构建列线图。结果：XGBoost模型在验证集中性能最好（曲线下面积：0.938;准确度：86.05%;灵敏度：89.29%;特异度：80.00%）,标准化碘值、影像组学评分与年龄是重要且有效的预测因素,构建的列线图具有良好的性能。结论：结合光谱CT和影像组学的机器学习模型及列线图能够为甲状腺结节良恶性的非侵入性预测提供高准确性的参考。     

非酒精性脂肪性肝病及动脉粥样硬化的基因串扰综合分析

目的]使用生物信息学的方法寻找非酒精性脂肪性肝病(NAFLD)和动脉粥样硬化(As)的共同转录特征,通过两种疾病的基因串扰分析,挖掘NAFLD相关As新的潜在机制和关键靶点,并进一步在动物组织和人血清样本中验证关键靶点的表达水平。 [方法]GEO数据库下载NAFLD(数据集GSE89632)和As(数据集GSE43292)的基因表达谱,进行差异基因分析和加权基因共表达网络分析,筛选两种疾病的共享基因。通过String数据库、蛋白质互作分析和R软件等工具对共享基因进行富集分析。利用Cytoscape软件计算、外部数据集(GSE100927)验证及机器学习方法(LASSO回归)筛选出核心基因。最后,通过构建高脂饮食非酒精脂肪肝和As小鼠模型以及收集NAFLD合并冠心病患者的外周血清,验证重要的核心基因。 [结果]识别出两种疾病的75个共享基因,发现共享基因的主要富集通路,包括细胞因子-细胞因子受体相互作用、IL-17信号通路、脂质和As、NF-κB信号通路等。综合多种生物信息学方法,最终筛选出2个重要的核心基因(MMP-9和CCL3)。动物实验验证结果表明,高脂饮食组小鼠肝脏和主动脉窦组织的MMP-9和CCL3含量都明显升高,高脂饮食组小鼠肝脏组织的MMP-9和CCL3含量分别为对照组的2.43倍(P＜0.001)和1.35倍(P＜0.01),高脂饮食组小鼠主动脉窦组织的MMP-9和CCL3含量分别为对照组的2.10倍(P＜0.001)和1.58倍(P＜0.01)。人血清样本验证结果表明,NAFLD合并冠心病患者血清中的MMP-9和CCL3含量分别为单纯冠心病患者的1.21倍(P＜0.01)和1.29倍(P＜0.01)。 [结论]本研究基于生物信息学分析发现MMP-9和CCL3可能是NAFLD相关As中发挥关键作用的核心基因,为研究NAFLD相关As提供一定的靶点参考。     

基于脉搏波信号的无创血压测量的研究进展与展望

脉搏波蕴含着许多人体生理与病理的重要信息,大量研究通过光电容积描记法(photoplethysmography, PPG)来利用脉搏波特征参数进行无创血压监测。为此,我们总结了脉搏波的特征参数及利用其进行血压测量的基本原理。然后,我们对利用脉搏波特征参数进行血压测量的有线性回归(linear regression, LR)模型、随机森林(random forest, RF)模型、支持向量机(support vector machines, SVM)模型和神经网络模型及不同模型的优缺点和研究进展进行综述。最后,对基于脉搏波信号的无创血压测量的研究进行展望。     

基于机器学习的阿尔兹海默症初期行为辨识方法

本研究基于机器学习的阿尔兹海默症初期行为辨识方法,及时发现患者大脑的早期病变,把握最佳治疗机会.从ADNI公共数据库获取阿尔兹海默症、轻度认知障碍以及正常对照组的结构性磁共振成像(sMRI)图像,将其通过Freesurfer软件执行图像平滑、分割、时间层校正等操作,转换为sMRI数据,使用内核局部Fisher判别分析算...