基于AI-SONICTM Thyroid 5.3.3.0版本的超声图像分析预测甲状腺结节恶性风险的临床应用

目的 探讨人工智能（artificial intelligence,AI）5.3.3.0检测系统基于超声图像分析,对不同类别甲状腺恶性结节风险评估的应用价值。方法? 选取2019年4月至2022年2月于海军军医大学（第二军医大学）第二附属医院普外科收治的453例甲状腺结节患者,共573例甲状腺结节。采用常规超声、AI-SONICTM Thyroid 5.3.3.0版本术前对甲状腺结节进行良恶性鉴别,对比不同性别、不同年龄患者及不同结节大小、不同标准切面对甲状腺恶性结节的诊断效果,术后病理按照2022年WHO甲状腺肿瘤分类为金标准,AI-SONICTM Thyroid 5.3.3.0与不同年资超声医师术前应用常规超声检查进行比较,分别计算其灵敏度、特异度、准确度,评价诊断效能。结果 在术前检查的573例甲状腺结节中,术后病理证实为恶性411例(76.5%)、良性162例(23.5%)。AI检测系统的准确度在不同性别、不同年龄患者中对甲状腺恶性结节评估的差异无统计学意义（P＞0.05）;对于不同大小结节分组中,结节最大直径为15≤D＜20mm时AI检测系统的ROC （AUC）最大,为0.761(95%CI为0.618~0.905),P＜0.001。不同年资超声医师诊断结果,低年资超声医师诊断甲状腺结节良恶性的灵敏度、特异度、准确度分别为 85.2% (350/411)、55.6%(90/162)、76.8%(440/573),AUC为0.721(95%CI为0.672~0.771);高年资超声医师诊断甲状腺结节良恶性的灵敏度、特异度、准确度分别为93.9%(386/411)、74.1%(120/162)、88.3%(506/573),AUC为0.865(95%CI为 0.825~0.904);AI检测系统诊断甲状腺结节良恶性的灵敏度、特异度、准确度分别为92.5%(380/411)、69.1%(112/162)、85.9%(492/573),AUC为0.809(95%CI为0.764~0.854)。通过DeLong检验统计,AI检测系统的AUC值高于低年资超声医师（P=0.0318）,与高年资超声医师差异无统计学意义。结论? AI检测系统的深度学习算法经过不断的迭代更新,它可模拟医师对甲状腺结节的良、恶性征象等特征进行识别评判,并将二维灰阶图像特征进行量化,其诊断效能接近高年资医师的诊断水平,对于非必要的穿刺活检的患者可以减少有创伤害,AI诊断系统有望作为临床术前预测甲状腺结节恶性风险的实用性工具。     

APPLE Ⅱe兼容微机对7S11A诱发电位信息处理机功能的扩展

作者用国产APPLE IIe兼容微机对7S11A(日本产)信息处理机的功能进一步扩展.该系统由7S11A信息处理机、APPLE IIe微机以及8位AD/DA卡组成.软件用BASIC语言及汇编语言编写.微机从7S11A的X-Y记录仪的Y通道采样,每扫描窗采样1024点数据,以保持7S11A原有的精度.扩展后,该系统能将诱发电位模拟信号数字化后存盘,波形自动分析、打印,波形展宽,存盘资料处理及听觉诱发电位的频阈分析等功能,为临床及科研提供更方便、更先进的分析手段.     

基于Bayes公式的医生辅助诊断系统的研究与开发

近几十年来，随着计算机性能的不断提高，它在医学、生物学等各个领域的应用已越来越受到研究者的重视。其中，计算机辅助诊断已成为众多医学工作者的研究热点。重点介绍了基于Bayes公式医生辅助诊断系统的研究与开发，该系统将成为医生诊断及治疗的重要辅助工具。     

基于AI-SONICTM Thyroid 5.3.3.0的超声图像分析对甲状腺结节恶性风险的预测价值

目的 探讨基于超声人工智能(AI)系统AI-SONIC^TM Thyroid 5.3.3.0的图像分析在甲状腺结节恶性风险评估中的应用价值。方法 选取2019年4月至2021年1月海军军医大学(第二军医大学)第二附属医院收治的453例甲状腺结节患者,共573枚甲状腺结节。以术后病理结果为金标准,通过χ²检验和ROC曲线评估术前AI系统检查对不同性别分组、不同年龄分组及不同结节大小分组的甲状腺结节良恶性的鉴别诊断效能,并通过De Long检验比较术前AI系统检查与不同年资超声医师术前应用常规超声检查鉴别诊断甲状腺结节良恶性的效能。结果 在术前检查的573枚甲状腺结节中,术后病理证实为恶性411枚(76.5%)、良性162枚(23.5%)。低年资超声医师应用常规超声检查鉴别诊断甲状腺结节良恶性的灵敏度、特异度、准确度分别为85.2%(350/411)、55.6%(90/162)、76.8%(440/573),AUC为0.721(95%CI 0.672～0.771);高年资超声医师鉴别诊断甲状腺结节良恶性的灵敏度、特异度、准确度分别为93.9%(38...     

临床生化全自动分析仪模拟训练课件的设计与应用

介绍了临床生化全自动分析仪模拟训练课件的设计思想、模块结构和功能特点，通过视频教学、理论教学和模拟操作平台教学，使学生获得了高级分析仪器的学习与训练，指出其为医学检验教学提供了一种新的教学资源。     

食管癌计算机辅助诊断中医学图像的量化与数据处理

本文着重在食管癌计算机辅助诊断中，对医学图像和如何量化和对数据的统计方法上作了详细的阐述，由概率论和数理统计中ＢＡＹＥＳ差别准则出发，将与食管癌有关的各参数与正常细胞，轻度增生，重度增生，可疑癌细胞，癌细胞等联系起来，从癌检中心取８６例食管癌定型病例，用图像处理系统对图像的各项要求指标（１６种参数）进行逐一的测量量化，并将参数建立起数据文件，再用多元性回归和逐步判别分析算法简化条件，找出与食管癌关     

计算机辅助诊断系统在甲状腺结节超声诊断中的应用进展

甲状腺结节是常见的临床问题。超声检查是其首选的影像学诊断工具,用于评估甲状腺结节患者的恶性风险,结合结节大小、局部侵犯情况、颈部淋巴结是否转移等推荐细针穿刺活检(fine-needle aspiration , FNA),并且在患者治疗后继续管理方案的决策中发挥不可或缺的作用。超声的正确高效使用,不仅可以减少不必要的FNA和(或)诊断性手术,还能减轻患者的焦虑及医疗保健系统的负担。近年来,以机器学习和深度学习为核心,基于人工智能的甲状腺结节计算机辅助诊断系统已取得巨大进步,在一定程度上克服了超声诊断中的操作者依赖性,但是受到数据源不同、算法不同等因素的影响,各中心的结果在跨中心运用时表现并不稳定。本文对其应用现状及研究进展进行综述。     

甲状腺功能分类系统智能化初探

本文建立了计算机甲状腺功能分类学习系统。将病人的症状、检查结果及专家的诊断结果按要求输入计算机,该机能自动地学习专家经验。随着病例的增加,其经验愈接近专家的诊断水平。最后可直接用于诊断疾病。试验表明,该系统具有较强的学习功能,学习方法简单,计算工作量较小。     

计算机辅助的细胞学检测系统及描述性诊断报告方式的应用

1　概述六十年代末由美国计算机和细胞病理学两方面的专家协作 ,创立了高科技图象分析装置———计算机辅助细胞学诊断系统ＣＣＴ (ｃｅｌｌｕｌａｒｃｏｍｐｕｔｅｒｔｏｍｏｇｒａｐｈｙｏｒｃｏｍｐｕｔｅｒａｓｓｉｓｔｅｄｃｙｔｏｌｏｇｙｔｅｓｔ)或称神经网络辅助分析系统ＮＮＡ、涂片自动筛查系统ＰＡＰＮＥＴ ,ＡｕｔｏＣｙｔｅ ,ＡｕｔｏＰａｐ ,这类系统有自动图象处理及自动读片功能。九十年代初开始试用于临床 ,1995年经美国ＦＤＡ批准后正式投入临床应用。在涂片的细胞学诊断方面 ,越来越多的人感到普遍应用了多年的巴氏涂片…     

AI辅助下医生对骨龄评估的效能提升

目的 比较放射科医师在人工智能（artificial intelligence,AI）骨龄评价系统辅助前后对儿童左手X线摄影的骨龄评估效能。方法 回顾性分析在我院就诊的300例患儿左手X线平片。骨龄评测采用中华-05骨龄评定标准,两位低年资医师（医师1及医师2）分别在有无AI辅助下分别记录左手各骨质的骨龄发育等级,并记录时间。以两位高年资放射医师分别在有无AI系统辅助下评估结果的均值为参考标准,计算骨龄测评的准确率、均方根误差（root mean square error,RMSE）、测评时间。结果 无AI辅助下,医师1及医师2分析差值在6个月及12个月诊断准确率分别为77.3%和83%、88.7%和93.7%,RMSE值分别为9和8。在AI辅助下,医师1及医师2分析差值在6个月及12个月诊断准确率分别为88.7%和90.3%、97%和97.3%,RMSE值分别为6和6;差异均具有统计学意义。无AI辅助下,实验组医师和标准组医师,平均评测耗时分别为124.79 s和89.13 s;有AI辅助下实验组医师和标准组医师,平均评测耗时分别为86.10 s和63.87 s,在AI辅助下平均评测耗时均有较大幅度减少（P=0.000）。结论 AI辅助骨龄评价系统可显著提高医师工作效率,减少阅片时间。     

基于深度学习算法人工智能肺癌病理诊断模型的开发和应用

目的 基于深度学习算法开发一种能够分析肺组织病理切片并实时给出辅助诊断的人工智能模型。 方法 回顾性收集2019年7月至2020年2月于上海市同济医院胸外科、呼吸科及上海市肺科医院超声科通过手术或活检获得肺部病变组织标本患者的资料,选取苏木精-伊红法染色的病理切片952例,其中鳞癌254例（26.68%）、腺癌278例（29.2%）、其他恶性肿瘤47例（4.94%）、良性病变373例（39.18%）。依据疾病类型将切片分层随机采样,并按照50%:30%:20%的比例分入训练集、验证集和测试集。在训练集的每张切片中随机截取10张400倍放大的单视野图像,用于YOLO v3和Google Inception v3网络的训练,分别开发良恶性区域分割模块和病理亚型分类模块,最终构成双模块并联的人工智能模型。采用同样的方式在验证集中截取单视野图像,用于模型与病理医生的诊断能力对比。在真实的病理科工作环境中,请一位医生借助人工智能模型,另一位医生使用传统方法诊断测试集中的病理切片,对比诊断结果。 结果 在验证集中,模型的良恶性鉴别敏感性（100% vs 99.65%,卡方= 4.167,P = 0.031 > 0.05）优于医生,病理亚型分类准确率（95.52% vs 94.30%,卡方= 3.422,P=0.064 > 0.05）与医生相当,但分割区域与金标准的重叠率（92.72 ± 12.75% vs 95.42 ± 6.99%,t = 7.628,P < 0.001）、良恶性鉴别的特异性（97.67% vs 99.31%,卡方= 12.000,P = 0.001 < 0.05）和准确率（99.06% vs 99.51%,?2=4.364,P = 0.037 < 0.05）都低于医生。在测试集中,两位医生在良恶性鉴别准确率（100% vs 99.47%,卡方< 0.001,P > 0.999）和病理亚型分类准确率（94.87% vs 90.6%,卡方= 1.778,P = 0.180）方面都未显示出显著的统计学差异,但使用人工智能模型辅助的医生诊断用时显著缩短（12.53 ± 10.93s vs 79.95 ± 40.02s,t = 28.939,P < 0.001）。 结论 基于深度学习算法的人工智能肺癌病理诊断模型能够协助医生快速分析苏木精-伊红法染色的肺组织病理切片,在不降低准确率的前提下,有效提高敏感性和工作效率。     

异构模式的远程PACS建设应用

目的 了解基层医疗机构远程部署影像归档和通信系统(PACS)应用需求,在不同医院间的异构PACS中实现远程放射影像诊断.方法 通过业务流程集成、数据集成、界面集成的方式进行系统间的对接.结果 建成一套异构模式的远程PACS,梳理出影像和报告信息的传输和交换流程,并解决基层医疗机构患者资料不全和建设网络带宽的问题.结论 异构模式的远程PACS建设,对于患者、基层医疗机构都有重要意义.     

眩晕疾病人工智能专家诊疗系统研究进展

近年来,人工智能技术在医学领域的应用成为现代科技的研究热点。将人工智能技术应用于眩晕疾病的诊断不仅可以节约医疗资源,还能及时诊治眩晕。因此,本文通过概述眩晕疾病人工智能专家诊疗系统"Vertigo"ONE"和其他人工智能方法,分析人工智能技术在眩晕诊断领域的应用进展,总结多种人工智能方法应用于眩晕疾病的优点和缺点,并对人工智能技术在眩晕疾病诊疗中的发展前景进行了展望。     

计算机图像分析系统评价斑克治疗黄褐斑疗效

目的:研究探索计算图像分析系统评价斑克治疗黄褐斑的临床疗效和方法。方法:应用计算机皮肤数字图像分析系统,采用平均光密度、面积二项指标,评价斑克治疗黄褐斑的临床效果。结果:通过计算机数字图像分析系统分析表明,经斑克治疗后5周较治疗前的平均光密度明显下降和皮损面积明显缩小,经统计学处理有显著性差异(P<0.05)。结论:计算机图象分析系统的疗效评价更具有客观性,斑克治疗黄褐斑的临床效果好。     

人工智能背景下中医诊疗技术的应用与展望

中医诊疗技术现代化必须借助现代科学技术的发展。以中医辨证论治理论为核心、现代中医诊断技术为支持,借助人工智能技术将文献数据的中医诊疗决策内容信息化、智能化。通过病证临床诊断、治疗、疗效评价决策方法,病证诊疗结合、中西医数据汇通,建立现代中医诊断技术与中医智能诊疗系统,建立符合中医自身特点的诊疗技术体系,最大限度发挥人机结合优势,最终建立具有辨证论治内涵的智能中医诊疗决策系统,为中医临床诊疗提供智能决策辅助支持,探索创新中医病证诊疗模式。同时,中医诊疗技术智能化研究也将进一步促进中医诊疗规律的提升和总结,加速中医诊疗技术跨越发展,解决中医诊疗模式现代化发展的主要问题,推动中医现代化发展。本文就目前中医诊疗技术与人工智能技术结合的现状及趋势作一阐述。     

Artificial intelligence-assisted colonoscopy: a narrative review of current data and clinical applications

Colonoscopy is the reference standard procedure for the prevention and diagnosis of colorectal cancer, which is a leading cause of cancer-related deaths in Singapore. Artificial intelligence systems are automated, objective and reproducible. Artificial intelligence-assisted colonoscopy has recently been introduced into clinical practice as a clinical decision support tool. This review article provides a summary of the current published data and discusses ongoing research and current clinical applications of artificial intelligence-assisted colonoscopy.     

Establishment and clinical application value of an automatic diagnosis platform for rectal cancer T-staging based on a deep neural network

Background:Colorectal cancer is harmful to the patient''s life. The treatment of patients is determined by accurate preoperative staging. Magnetic resonance imaging (MRI) played an important role in the preoperative examination of patients with rectal cancer, and artificial intelligence (AI) in the learning of images made significant achievements in recent years. Introducing AI into MRI recognition, a stable platform for image recognition and judgment can be established in a short period. This study aimed to establish an automatic diagnostic platform for predicting preoperative T staging of rectal cancer through a deep neural network.Methods:A total of 183 rectal cancer patients’ data were collected retrospectively as research objects. Faster region-based convolutional neural networks (Faster R-CNN) were used to build the platform. And the platform was evaluated according to the receiver operating characteristic (ROC) curve.Results:An automatic diagnosis platform for T staging of rectal cancer was established through the study of MRI. The areas under the ROC curve (AUC) were 0.99 in the horizontal plane, 0.97 in the sagittal plane, and 0.98 in the coronal plane. In the horizontal plane, the AUC of T1 stage was 1, AUC of T2 stage was 1, AUC of T3 stage was 1, AUC of T4 stage was 1. In the coronal plane, AUC of T1 stage was 0.96, AUC of T2 stage was 0.97, AUC of T3 stage was 0.97, AUC of T4 stage was 0.97. In the sagittal plane, AUC of T1 stage was 0.95, AUC of T2 stage was 0.99, AUC of T3 stage was 0.96, and AUC of T4 stage was 1.00.Conclusion:Faster R-CNN AI might be an effective and objective method to build the platform for predicting rectal cancer T-staging.Trial registration:chictr.org.cn: ChiCTR1900023575; http://www.chictr.org.cn/showproj.aspx?proj=39665.     

基于深度学习的X线摄影图像辅助筛检算法实验分析

目的:评估基于深度卷积网络(CNN)建立的胸片辅助筛选算法在辅助筛检的效果和价值,分析该技术在临床内部试用过程中的改进方向。方法:研究采用美国国家卫生研究院公开的胸片诊断数据集进行算法的设计与训练,利用2017年7月至2018年6月湖南省肿瘤医院相关患者胸片进行临床试用。筛检算法主要采用深度卷积网络对胸片进行初步分类为正常、疑似和不正常三类,由2名临床医师对以上算法得出的结果进行审查试用。结果和结论:算法可对患者胸片和健康胸片进行有效分类,通过调整分类阈值,可在有效保证算法不漏诊的基础上,大幅降低人工对正常胸片的筛检工作,为实现基于深度学习网络进行X线摄影图智能人机融合式诊疗提供参考。     

基于Hadoop平台的教育云存储系统的构建方法

高校教学资源的建设是网络辅助教学的一个重要组成部分。文章主要介绍了如何将云存储应用到高校教学资源的共享中,以降低高校教学资源建设和维护的成本,同时介绍了Hadoop平台的搭建以及其中关键的技术。