基于增强图卷积神经网络的病毒形态识别方法研究

背景 透射电子显微镜（TEM）是检测病毒的重要手段,传统TEM检测常依靠专家手工观察,操作步骤繁琐,且已有机器学习方法易受到背景、噪声的影响,导致病毒检测方法准确率差、效率低且耗时长。 目的 探讨增强图卷积神经网络（EGCN）对TEM图像中的病毒形态自动识别问题,以提高TEM病毒检测的效率。 方法 EGCN模型利用卷积神经网络（CNN）提取像素间的局部特征信息,并结合样本特征之间的最近邻关系利用图卷积网络（GCN）进行图特征学习。在模型优化中联合优化群体超分类损失和分类交叉熵损失以提高EGCN模型对病毒类别信息特征的提取能力,较CNN对TEM病毒图像特征具备更强的特征提取能力。 结果 通过不同方法在15类TEM病毒图像数据集上开展实验,EGCN达到3.40%的top-1错误率、1.88%的top-2错误率、96.65%的精确度和96.60%的召回率,并通过一系列对比实验表明EGCN模型可以有效避免TEM图像中背景、噪声等的影响,提高对病毒识别的准确率。 结论 EGCN可以有效解决病毒形态识别任务,为病毒的诊断提供重要的参考价值。     

基于卷积神经网络的手势识别算法

手势识别是人机交互、智能假肢、医疗康复等领域的研究热点。为了满足手势识别实时性和准确性的需求,本文以成本较小的加速度信号作为数据,在对LeNet-5卷积神经网络进行分析的基础上,提出了一种适合加速度信号的LeNet-A网络。该网络针对基于加速度的手势分类特有的复杂性,增加Dropout层,改变卷积核大小、卷积核数量、激活函数以及分类器。在Ninapro数据集上的实验结果表明,该网络在正常受试者和截肢者的识别率上均表现出很大的优势,平均精度分别为90.37%和79.99%,比目前最佳分类器提升了12%和31%左右。该网络还具有较好的实时性和抗噪性。     

基于卷积神经网络的人工智能技术在早期胃癌识别中的应用

目的 构建及验证一个用于早期胃癌识别的卷积神经网络模型,旨在提高早期胃癌的检出率.方法 从陆军军医大学西南医院内镜中心数据库收集2016年1月至2020年8月的电子胃镜图片和胃镜检查视频.选取928例患者共5496张包含早期胃癌、良性病变和正常的图片.随机分为训练集(662例患者共4167张包含早期胃癌、良性病变和正常...     

基于卷积神经网络的肺结节良恶性分类

目的研究基于卷积神经网络的肺结节良恶性分类方法。方法首先对肺部图像数据库联盟(LIDC)中的肺癌CT图像进行分割获得肺结节图像;然后利用卷积神经网络进行特征提取;最后利用Logistic分类器进行模型构建与测试。结果该文所提出方法取得了84.4%的分类结果。结论利用卷积神经网络可以自动提取肺结节特征,辅助医生的临床诊断。     

基于卷积神经网络的白光内镜下早期胃癌检测

目的 开发一种基于区域卷积神经网络(Mask R-CNN)的内镜下自动检测早期胃癌(EGC)系统。方法 首先从安徽医科大学第一附属医院获得3 579张和892张EGC白光图像(WLI),分别进行训练和测试。随后前瞻获取10个WLI实时视频以测试动态性能。另外再随机选取400张WLI图像,用于Mask R-CNN系统和内镜医师对照。诊断能力以准确率、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)进行评估。结果 在WLI图像诊断中,Mask R-CNN系统准确率、敏感度和特异度分别为90.25%、91.06%和89.01%,与病理诊断差异无统计学意义。在WLI视频中,诊断EGC的准确率为90.27%,实时测速可达35帧/s。在对照实验中,Mask R-CNN系统的敏感度明显高于高年资组医师(93.00%vs 80.20%,χ²=7.059,P<0.001),特异度高于低年资组医师(82.67%vs 71.87%,χ²=9.955,P<0.001),总体准确率高于中年资组医师(85.25%vs 78.00%,χ^2<...     

基于卷积神经网络的溃疡性结肠炎证候预测模型研究

目的：基于卷积神经网络建立溃疡性结肠炎证候预测模型,为研究该病种中医临床诊治提供依据。方法：收集北京中医药大学东方医院临床诊断为“溃疡性结肠炎”的9 186例患者的电子病历,利用卷积神经网络和循环神经网络分别构建基于刻下症的证候分类模型,然后利用该模型对测试集进行6种证型诊断分类预测,同时验证其准确性。结果：卷积神经网络的证型预测准确率为88%、召回率为88%,F1值为0.88,循环神经网络的准确率和召回率均为86%,F1值为0.86。结论：卷积神经网络在进行分类预测方面的表现要略优于循环神经网络,而且从时间成本来看具有更好的实用性。该模型不仅为中医临床治疗溃疡性结肠炎辨证规律的研究提供了有益的参考,也是中医治疗溃疡性结肠炎辅助决策系统构建的关键环节。     

基于卷积神经网络的智能医疗护理研究

为了提高智能医疗护理水平,减少护理工作量,节约医院成本。提出一种基于卷积神经网络的病人体态行为特征提取算法,该算法采用双网络模型设计,包括病人检测网络模型和病人体态行为特征提取模型,应用该算法到病人体态行为检测系统中,从而实现对病人的识别监控,提高智能医疗护理水平。最后,通过开源框架平台,对病人行为检测系统进行测试,实验结果表明,测试数据集合越大,病人体态行为特征提取精度越高,对病人体态行为类别的平均识别率97.6%,从而验证了系统的有效性和正确性。     

基于卷积神经网络的采血管铝箔帽状态检测方法

目的 针对医学实验室自动化生化免疫检验流水线识别准确率和识别速度要求极高、采血管类型众多、采血管铝箔帽状态复杂以及管壁挂液干扰严重的问题,提出一种基于卷积神经网络的采血管铝箔帽状态检测方法,以实现采血管铝箔帽状态的识别。方法 首先采用轻量化的模型设计思想,通过减少模型的深度降低参数量和计算量,同时引入通道注意力机制,以提高样本特征的提取能力;其次采用Focal Loss损失函数解决难例样本挖掘的问题,进一步优化模型的性能;最后,通过教师网络指导学生网络进行知识蒸馏,得到最终轻量化的小模型。结果 对学生网络模型的轻量化设计使该检测方法适用于资源有限的边缘计算设备,模型的参数量仅为0.354 M,计算量为0.165 GFlops,对Jetson Nano设备的识别速度为3.42 ms,且其在复杂的采血管情况下,识别准确率可达100%。结论 本研究充分验证了该模型的轻量化、高效性和实用性,说明基于轻量化卷积神经分类网络模型的检测方法可准确识别采血管铝箔帽状态,是医学实验室自动化生化免疫检验流水线中采血管铝箔帽状态检测的解决方案。     

基于卷积神经网络的小细胞型肺癌辅助检测方法

肺癌是世界上患病率并且死亡率最高的疾病之一,而小细胞型肺癌由于密度差最大以及涉及较多的图像因素,是脏器中最容易诊断的癌症。创新性地提出一种新的辅助检测方法,即采取卷积神经网络算法辅助检测小细胞型肺癌,该算法己经在人脸识别、车辆识别和文字判别等领域取得了丰硕的成果。卷积神经网络很好地结合了之前检测算法的优点,又能兼顾准确性,更好地减少误诊率,提高学习效率。此外当有新的学习样本加入,在保持原有学习结果的基础上,只调整神经元的权值就能明显提高诊断率。     

基于遗传算法和BP神经网络的CTG识别研究

目的:针对正常类、非典型类和异常类3类胎心宫缩监护图(Cardiotocography,CTG),利用BP神经网络建立分类识别模型。方法:根据遗传算法(Genetic algorithm,GA)具有全局寻优的特点,引入遗传算法对神经网络权值和阈值进行优化,形成一种训练神经网络的混合算法(GA-BP算法),以克服BP算法易陷入局部最优解的缺陷,并以UCI数据库中的CTG数据集为例进行测试。结论:仿真结果表明,对于正常类、非典型类和异常类3类样本,BP算法的分类准确率分别为97.32%、71.97%和95.45%,而GA-BP算法的分类准确率分别提高到98.24%、82.67%和95.65%。可见GA-BP分类模型具有较强的学习能力和泛化能力,分类准确度更令人满意,所提出的方法是可行的。     

基于常用得分矩阵的神经网络法预测蛋白质的二级结构

本文用常用的得分矩阵代替传统的Qian编码作为神经网络的输入层预测了200个蛋白质二级结构。结果表明:以常用得分矩阵作为输入层的预测结果要优于Qian编码的预测性能。在200个蛋白质中,共有9个蛋白质的预测精度达到目前国际先进水平,即80%。这说明该方法具有一定的可行性。     

基于人工神经网络的胎儿窘迫预测研究

目的 探讨人工神经网络在预测胎儿宫内窘迫中的应用价值。方法 选取2013年6月至2015年6月南京市浦口医院因分娩前诊断为胎儿窘迫而行产科干预分娩,新生儿Apgar评分<8分的产妇198例,将全部样本按奇偶数分为两组（训练组99例,验证组99例）。选择11个输入参数,羊水性状：清、Ⅰ度、Ⅱ度、Ⅲ度,胎心监护：正常、基线变异减弱或消失、基线>160次/min、基线<110次/min、早期减速、变异减速、晚期减速。将训练组用数值法构建网络,然后以验证组来测试诊断符合率。另取同期因分娩前诊断胎儿窘迫而行产科干预,分娩后未发现胎儿宫内窘迫依据的产妇220例为临床假阳性组,输入参数测试假阳性率。结果 验证组诊断符合率87.88%,假阴性率12.12%;假阳性组假阳性率20.53%,诊断符合率79.47%。结论 采用人工神经网络预测胎儿窘迫有很好的研究价值和应用前景,增加临床检测指标及样本量的输入可能会进一步提高网络精度。     

基于句子级Lattice-长短记忆神经网络的中文电子病历命名实体识别

目的 提出一种基于Re-entity新分词方法的条件随机场（CRF）模型,并与双向长短记忆神经网络（BiLSTM）-CRF和Lattice-长短记忆神经网络（LSTM）进行比较。方法 比较了现有实体识别方法和模型后,针对2018年全国知识图谱与语义计算大会（CCKS2018）任务一“电子病历命名实体识别”,提出基于Re-entity的CRF、BiLSTM-CRF、Lattice-LSTM方法,并在不同语料库训练不同参数级别的字符向量集。分别将各方法引入神经网络模型中进行模型性能对比实验,最后分别基于句子级和篇级输入句长进行对比研究。结果 CRF模型在最优特征工程的结果下引入Re-entity方法后性能得到提高,句子级的Lattice-LSTM模型在该任务上取得了89.75%的严格F1-measure,优于CCKS2018任务一的最高结果（89.25%）。结论 基于Re-entity新分词方法的CRF模型可利用中文临床药物知识库有效提高电子病历中药物的识别率,Re-entity方法可改善数据预处理阶段分词导致的错误累加,Lattice结构可以更好地结合字符和词序列的潜在语义信息,同时句子级输入能有效提高神经网络模型的识别准确率。     

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。     

基于复杂网络的原发性高血压腧穴配伍规律分析

[目的]探索针刺治疗原发性高血压腧穴配伍规律。[方法]计算机在线检索知网、万方、维普数据库。根据纳入/排除标准选择合格文献,按照设定表格内容提取相关数据建立数据库,利用复杂网络分析方法研究原发性高血压腧穴配伍规律。[结果]纳入161篇文献,提取出221个针灸治疗原发性高血压的处方,复杂网络分析拓扑结构后发现太冲、曲池、足三里、风池、合谷、百会、太溪、三阴交、内关、人迎、丰隆为核心节点,提示头颈部腧穴+四肢部腧穴的配伍方法是临床使用的主要配穴方法。[结论]针刺治疗原发性高血压腧穴配伍复杂网络分析结果与临床基本一致,复杂网络分析可作为腧穴配伍研究的常用方法。     

Application of serum protein fingerprinting coupled with artificial neural network model in diagnosis of hepatocellular carcinoma

Background Hepatocellular carcinoma tends to present at a late clinical stage with poor prognosis. Therefore, it is urgent to explore and develop a simple, rapid diagnostic method, which has high sensitivity and specificity for hepatocellular carcinoma at an early stage. In this study, the serum proteins in patients with hepatocellular carcinoma or liver cirrhosis and in normal controls were analysed. Surface enhanced laser desorption/ionization time-of-flight mass (SELDI-TOF-MS) spectrometry was used to fingerprint serum protein using the protein chip technique and explore the value of the fingerprint, coupled with artificial neural network, to diagnose hepatocellular carcinoma.Methods Of the 106 serum samples obtained, 52 were from patients with hepatocellular carcinoma, 22 from patients with liver cirrhosis and 32 from healthy volunteers. The samples were randomly assigned into a training group (n=70, 35 patients with hepatocellular carcinoma, 14 with liver cirrhosis, and 21 normal controls) and a testing group (n=36, 17 patients with hepatocellular carcinoma, 8 with liver cirrhosis, and 11 normal controls). An artificial neural network was trained on data from 70 individuals in the training group to develop an artificial neural network diagnostic model and this model was tested. The 36 sera in the testing group were analysed with blind prediction by using the same flowchart and procedure of data collection. The 36 serum protein spectra were clustered with the preset clustering method and the same mass/charge (M/Z) peak values as those in the training group.　 Matrix transfer was performed after data were output. Then the data were input into the previously built artificial neural network model to get the prediction value. The M/Z peaks of the samples with more than 2000 M/Z were normalized with biomarker wizard of ProteinChip Software version 3.1 for noise filtering. The first threshold for noise filtering was set at 5, and the second was set at 2. The 10% was the minimum threshold for clustering. The statistical analysis of the data of serum protein mass spectrum was performed in the groups (normal vs. hepatocellular carcinoma, and liver cirrhosis vs. hepatocellular carcinoma) with the t test. Results Comparison between the groups of hepatocellular carcinoma and normal control: The mass spectra from 56 samples (hepatocellular carcinoma and normal controls) in the training group were analysed and 241 peaks were obtained. In addition, 21 peaks from them were used for comparison between the groups of hepatocellular carcinoma and normal controls (P&lt;0.01). Only 2 peaks at 3015 M/Z and 5900 M/Z were selected with significant difference ［P&lt;10（-9）］. A model was developed based on these two proteins with different M/Z. It was confirmed that this artificial neural network model can be used for comparison between the groups of hepatocellular carcinoma and normal controls. The sensitivity was 100% (17/17), and the specificity was 100% (11/11). Comparison between the groups of hepatocellular carcinoma and liver cirrhosis: The mass spectra from 49 samples in the training group (including patients with hepatocellular carcinoma and liver cirrhosis) were analysed and 208 peaks were obtained. In addition, 21 peaks from them were used for comparison between the groups of hepatocellular carcinoma and liver cirrhosis (P&lt;0.01). Only 2 peaks at 7759 M/Z, 13134 M/Z were selected with significant difference ［P&lt;10（-9）］. A model was developed based on these two proteins with dfferent M/Z. It was confirmed that this artificial neural network model can be used for comparison between the groups of hepatocellular carcinoma and liver cirrhosis. The sensitivity was 88.2% (15/17), and the specificity was 100% (8/8).Conclusions The specific biomarkers selected with the SELDI technology could be used for early diagnosis of hepatocellular carcinoma.     

基于半监督卷积神经网络进行人机不同步的识别

目的 基于半监督卷积神经网络(semi-supervised convolutional neural network, semi-CNN)构建人机不同步现象(patient-ventilator asynchrony, PVA)识别模型,评价其在压力支持通气(pressure support ventilation,PSV)模式下的诊断效能。方法 分析85例接受PSV通气脑损伤患者的机械通气数据,结合食道压监测数据进行人工标识。使用Transformer时间序列预测模型对已标识的正常或发生PVA的呼吸进行转化,转化后的数据输入semi-CNN模型判断是否发生PVA。在测试集中验证模型的准确性、灵敏度、特异度以及与专家标识结果的一致性。结果 初始训练集包含正常呼吸513次,异常呼吸69次,经过500次迭代后模型收敛。测试集包含正常呼吸48次,异常呼吸24次。在测试集中,Transformer联合semi-CNN模型识别PVA的准确率为0.92(0.83~0.97),灵敏度为0.79(0.58~0.93),特异度为0.98(0.89~1.00),Kappa值为0.80 (0.65~0.95),测试结果与专家人工标识结果具有高度一致性。结论 本研究提供了一种基于semi-CNN算法的PVA识别模型,其识别PVA的准确率和特异度高,识别结果与专家人工标识结果的一致性好,可用于临床实时PVA监测。     

基于径向基函数神经网络的心脏早搏分类诊断研究

早搏是常见的心律失常,根据发生部位分为窦性早搏、房性早搏、交界性早搏和室性早搏。心肌细胞特有的电生理特性和心律失常中常有的一些心电现象,使一部分早搏的心电图失去其固有的特征,临床上通过心电图对其分类诊断存在一定的不确定性。基于Matlab平台,采用径向基神经网络方法,对所搜集的82个早搏分类确诊病例进行研究,建立了心脏早搏分类的辅助诊断模型,其准确率达到96％。为临床心脏早搏分类诊断提供了一种新的方法。     

蛋白质相互作用网络研究的引文分析

目的:通过对蛋白质相互作用网络文献的同被引分析,得出其研究热点.方法:下载SCI数据库中蛋白质相互作用网络文献及其引文,统计引文频次,取被引频次超过33、累计百分比约为10%的58篇文献作为高被引论文,对来源-引文矩阵进行层次聚类分析,利用Ucinet软件对高被引文献的同被引矩阵进行k核分析,阅读文献得到该主题的研究热点.结果:高被引文献聚类分析得到6个研究热点.结论:蛋白质相互作用网络的热点主要集中于蛋白质相互作用网络数据的分析处理、生物网络中功能模块的研究、蛋白质相互作用的数据库建立、蛋白质相互作用网络拓扑结构的分析、关于蛋白质相互作用数据的分析软件、蛋白质相互作用网络的预测.