人工神经网络在辅助男性生育力检查评价中的应用

应用反向传播人工神经网络系统对１３４例有生育力和无生育力的精液样本的临床检查结果进行了分析,分类正确率达９７．％,说明该法可有效地临别两类样本,为临床精液检查结果分析,男性生育力辅助诊断２提供了新的手段。     

人工神经网络在前列腺癌诊断中的应用

前列腺癌是男性生殖系统常见的恶性肿瘤.在世界范围内男性癌症中,前列腺癌以年新增病例782 600例排名第2位,以254 000例排名年死亡病例第6位[1].近年来,发达国家前列腺癌的死亡率有所下降,然而,在亚洲前列腺癌的死亡率有上升的趋势[2].     

液基细胞薄片联合宫颈活检在子宫颈病变诊断中的应用

目的:探讨宫颈液基细胞学(TCT)联合宫颈活检在宫颈病变诊断中应用价值。方法:收集我院2009年1月-2011年2月妇科门诊3 600例TCT检查标本(诊断标准采用TBS细胞学分类),并对TCT检查阳性者作宫颈组织活检。结果:3 600例TCT检查中阳性者232例,阳性率6.4%,其中不典型鳞状上皮细胞(ASCUS)82例,低度鳞状上皮内病变(LSIL)60例,高度鳞状上皮内病变(HSIL)57例,鳞状细胞癌(SCC)33例;宫颈活检病理检查结果,其中慢性炎症78例,CINⅠ58例,CINⅡ22例,CINⅢ40例,鳞状细胞癌34例。结论:TCT检查联合宫颈活检对宫颈病变的诊断及治疗具有重要的临床应用价值。     

液基薄层细胞检查在宫颈病变患者诊断中的应用价值

目的探讨液基薄层细胞检查对宫颈病变患者诊断的临床价值。方法选取需要行宫颈疾病筛查的患者1352例行TCT、HPV检查,并在阴道镜下取活组织进行病理检查。结果 1352例患者行TCT检查,阳性结果182例(13.46%),其中ASCUS100例(54.95%),LSIL55例(30.22%),HSIL19例(10.44%)和SCC8例(4.40%)。随着细胞学检查级别的升高,病理学检查级别也随之升高,HPV检查阳性率也逐渐提高。不同细胞学分型之间差异明显,有统计学意义(P<0.05)。HPV阳性患者169例(12.50%),与TCT检查阳性结果检查差别不大,无统计学意义(P>0.05)。随着病理学级别的升高,HPV及TCT检查均阳性者检出率越来越高。不同病理学级别之间比较差异明显,有统计学意义(P<0.05)。结论在液基薄层细胞检查的基础上联合HPV检测是一种较为有效的筛查方法,对于异常患者可以结合阴道镜病理检查做进一步诊断,早期发现病变,采取相应措施,达到良好的预后。     

薄层液基细胞在宫颈病变中的应用

子宫颈癌是近几年来是女性生殖系统常见的恶性肿瘤,其发病率居女性恶性肿瘤的第二位仅次于乳腺癌。近年来,随着细胞制片技术的不断革新,液基细胞学检查逐渐代替宫颈刮片检查宫颈病变常用的检查方法。它和刮片相比较,涂片背景干净,各种细胞种类分明,结构层次清晰易     

液基细胞检测在宫颈病变中的应用

目的探讨液基细胞学检测（TCT）技术在宫颈病变诊断中的应用价值。方法回顾性分析2007年3月至2009年3月妇科门诊常规4800例患者的液基细胞学检查结果,并对非典型鳞状上皮细胞病变的患者进行阴道镜活检。结果 TCT检出癌前病变298例,其中SCC21例,HSIL158例,LSIL175例。与组织学结果对照,癌检出率100%,阳性诊断符合率93.8%;HSIL检出率3.1%,符合率88.1%;LSIL检出率3.4%,符合率65.4%。结论 TCT技术应用于宫颈病变筛查与辅助诊断,能极大地提高宫颈癌前病变及宫颈癌的检出率,HSIL病人活检组织学对照应当比较相符合,而LSIL和组织学活检对照有30%左右的病人由于种种原因不符合。     

宫颈液基细胞检查在宫颈病变筛查中的应用

目的 探讨宫颈液基细胞检查(TCT)在宫颈病变筛查中的临床价值.方法 对2008年在笔者所在医院就诊的1358例患者行宫颈液基细胞检查,采用细胞学分类诊断(TBS),对TCT异常的患者进行宫颈活检.结果 140例涂片异常统计显示:小于30岁年龄段阳性率21.43%,30~39岁阳性率27.14%,40~49岁阳性率29.29%,说明宫颈癌的好发年龄提前,性生活活跃期的妇女仍为宫颈癌的好发人群.TCT检测技术与病理检查的符合率:低度鳞状上皮内病变(LSIL)为80%,高度鳞状上皮内病变(HSIL)为87%,鳞状细胞癌(SCC)为100%,故病变程度越高,TBS细胞学检查与组织病理学诊断的符合率越高.结论 TCT检查是筛查宫颈病变的可靠手段.     

人工神经网络在中医诊断信息化中的应用

中医学是一个非常复杂的系统,临床证候之间、临床证候与诊断目标之间、临床证候与方药之间的关系具有非线性、复杂性、模糊性、非定量的特点.人工神经网络能从海量数据中提取隐含的有意义的知识,能模拟这种非线性映射关系,建立诊断、判别模型,做出前瞻性决策,正是这种优势使得人工神经网络技术有可能为解决中医脉象辨识信息化、中医舌象辨识信息化、中医证候辨识信息化中权值难以明确的问题提供更为科学的方法与途径.     

液基薄层细胞学检测在宫颈病变中的应用

目的探讨TCT在基层妇产科中用于宫颈病变筛查早期宫颈癌的临床应用价值。方法2006年9月-2008年5月在我院妇科门诊就诊的患者中,自愿接受TCT检查的患者共计250例,在标准采样后均立即送往省宫颈病变中心进行样本分析。并对其中检出异常细胞的25例患者进行了病理组织学对照检查。结果250例患者取材均为满意涂片,合格率100％,250例中225例（90％）为阴性,25例（10％）被检查出异常细胞。其中ASC-US16例,ASC—H1例,LSIL5例,HSIL2例,AGC1例。与病理学组织对照,被检ASC-US中12例,ASC—H中1例,LSIL中4例,HSIL中2例均与组织学相符,相符率分辨是75％,100％,80％,100％。结论液基薄层细胞学检测技术,具有较高的阳性检出率,与组织学对照的诊断符合率亦较高,是临床宫颈病变筛查早期宫颈癌的好方法。     

液基细胞学在宫颈疾病诊断中应用

目的探讨液基细胞学（TCT）检查在诊断宫颈疾病中临床价值。方法收集我院2011年8月“2012年8月门诊和住院妇产科患者1150例,进行宫颈TCT检测,1200例进行宫颈阴道细胞学巴氏涂片染色,两种方法检查结果阳性行宫颈电子阴道镜检查及多点活检。结果TCT制片和传统巴氏涂片法对低度鳞状上皮内病变（LSIL）以上病变的检出率分别为4．28％、1．78％,P〈0．01。TCT检出LSIL、高度鳞状上皮内病变（HSIL）、鳞状细胞癌（SCC）与阴道镜活检阳性符合率分别为83．33％、88．23％、100％高于巴氏涂片法的60％、66．66％、100％,P〈0．05。结论对LSIL和HSIL的患者,宫颈TCT检查可作为宫颈疾病普查的首选方法之一。     

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.     

人工神经网络技术在纤维支气管镜诊断肺癌中的应用

目的:应用人工神经网络技术建立纤维支气管镜诊断肺癌的计算机辅助诊断模型.方法:由3名有经验的纤维支气管镜检查医师对119例肺肿瘤患者(良性64例,恶性55例)的纤维支气管镜图像进行观察,提取11项图形特征,并对其进行评分量化.从肺痛患者中随机抽取30例,从良性患者中随机抽取35例作为训练集,其余作为预测集,输入11项评分结果和6个临床参数,将全部样本的预测结果与logistic回归的预测结果比较.结果:人工神经网络与logistic回归预测诊断肺癌的灵敏度分别为94.5%和63.6%,特异度分别为96.9%和87.5%,受试者工作特征曲线下面积分别为0.950和0.870,P=0.034.结论:人工神经网络技术可以作为纤维支气管镜确诊肺癌的辅助手段.     

基于影像信息的人工神经网络的脑胶质瘤分级

目的：探讨利用人工神经网络对脑胶质瘤进行分级的可行性和有效性。方法：回顾性纳入2012至2017年经 病理证实的130例脑胶质瘤患者,基于磁共振增强T1加权相二维图像提取的共41个影像学特征。建立人工神经网络并 进行特征选择以得到最优化的神经网络模型,随机抽取一半病例的影像学特征数据对神经网络进行训练,并用另一 半特征数据对训练完成后的神经网络进行胶质瘤分级效果验证。对神经网络重复进行100次训练和验证,将结果进行 平均。结果：经过特征选择后的神经网络模型共选取5个特征作为输入特征,神经网络对脑胶质瘤分级的平均准确率 为90.32%,平均敏感度为87.86%,平均特异度为92.49%,受试者操作曲线的曲线下面积为0.9486。结论：人工神经网络作 为一种人工智能方法,对脑胶质瘤分级具有较高的准确性,为脑胶质瘤的无创性术前分级提供了可行的辅助手段。     

人工神经网络在前列腺良性增生与前列腺癌鉴别诊断中的应用

目的：探讨人工神经网络在前列腺良性增生（BPH）与前列腺癌（PCa）鉴别诊断中的应用。方法对收集到的病例资料进行处理,建立用于BPH与PCa鉴别诊断的人工神经网络模型。结果人工神经网络能够综合反映各项指标在BPH、PCa鉴别诊断中的作用。结论人工神经网络模型可以为BPH与PCa的鉴别诊断提供新途径。     

用连续量输入的人工神经网络评定心脏收缩功能

作者应用人工神经网络技术，实现心脏收缩功能的计算机自动评定，以探讨人工神经网络技术在生物医学评定、分类和诊断等问题中的应用方法，该研究采用心脏收缩时间间期的７项指标，应用反向传播神经网络，以连续量作为网络输入，对２０２位受试者的心脏收缩功能进行评定，人工神经网络的评定结果与专家评定结果相比较，符合率可达９５．５４％．结果表明，连续量输入方式在逼近实际分类边界，减小网络规模，加快网络学习方面优于数字量输入方式．     

LVQ人工神经网络在伤寒、副伤寒发生强度判别与预测中的应用

目的:探讨学习矢量量化(LVQ)人工神经网络在伤寒、副伤寒发生强度判别与预测中的应用.方法:以前一年的平均气压、平均气温、平均降水量和平均蒸发量4个气象指标的标准化后的变量及伤寒、副伤寒发病率平方根反正弦变换值为研究自变量,将1979-2000年辽宁省某市伤寒、副伤寒发病率按大小分为高、中、低3种情况进行判别与预测研究.利用软件MATLAB 6.5的人工神经网络工具箱分别进行LVQ人工神经网络的构建、训练与模拟,分别考察LVQ人工神经网络在模型拟合及前瞻性和回顾性预测方面的能力,并且与传统Bayes判别分析进行比较.结果:LVQ人工神经网络能够从另一个角度对数据进行分类判别与预测,利用1980-1995年数据拟合准确率为100%,预测1996-2000年发病强度准确度为3/5;利用1982-2000年数据拟合准确率为100%,预测1 980-1981年发病强度准确度为1/2,均略高于传统Bayes判别分析.随机选择1 6年数据的拟合准确率为93.8%,预测另外5年发病强度准确度为4/5,与传统Bayes判别分析相当.结论:LVQ人工神经网络能够与传统Bayes判别分析相媲美,在发病率预测方面具有广阔应用前景.     

利用人工神经网络技术预测癫痫患儿服用卡马西平后体内药物浓度

目的利用人工神经网络技术预测癫痫患儿服用卡马西平后体内药物浓度。方法收集216例癫痫患儿服用卡马西平后血药浓度监测结果及监测当日身高、体量、肝肾功能等18项相关指标,根据神经网络和遗传算法的基本原理,建立卡马西平浓度预测模型,并用该浓度预测模型进行样本预测分析。结果样本（54个病例）的预测结果表明,与实际测定浓度相比,误差小于10%的有31个浓度,误差在10%-15%之间的有11个浓度,误差在15%-20%之间的有6个浓度,误差大于20%的有6个浓度。人工神经网络预测的血药浓度和实际测定浓度之间的相关系数为0.9156。结论利用人工神经网络技术预测癫痫患儿服用卡马西平后血药浓度比较可行,有待将其广泛应用于治疗个体化给药设计的研究。     

肾综合征出血热发病率的ANN预测模型

目的 :探讨ANN时间序列预测模型在疾病发病率或死亡率预测上的应用前景。方法 :利用动态学习比率BP算法以双曲正切函数为功能函数的非线性时间序列预测方法。结果 :建立HFRS发病率的ANN预测模型 ,其预测精度高。结论 :BP人工神经网络可以用于疾病发病率或死亡率的预测     

人工神经网络在肾小球滤过率估算中的应用

目的 建立一个适用于中国慢性肾脏病人群的肾小球滤过率估算模型,基于人体体征及血清肌酐来估算肾小球滤过率.方法 采用人工神经网络方法中的广义回归神经网络(generalized regression neural network,GRNN)方法,基于562例训练样本集建立模型,在独立的269例验证样本集中验证模型性能,与...     

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。