机器学习在肿瘤放射治疗领域应用进展

放射治疗(简称:放疗)作为肿瘤的主要治疗方式之一,在整个流程中对于治疗的技术精度和设备稳定性具有越来越高的要求。机器学习方法能够使放疗决策更加简化、个体化和精确化,提高了放疗计划设计和质量控制环节的自动化程度,推动了个体化的精准治疗。本文以放疗流程为线索,对机器学习方法尤其是深度学习法,在正常组织和肿瘤靶区的勾画、放疗计划设计、放疗实施、质量控制和放疗疗效预测等几个方面的应用、研究情况予以综述,并对发展前景做出展望。     

机器学习在抑郁症辅助诊断中的应用进展

随着抑郁症诊疗技术的发展,各种抑郁症相关的临床数据量急速扩增,机器学习技术恰好适用于大数量、多维度、多模态的数据,通过机器学习技术自动学习抑郁症诊疗数据中的特征,利用数据特征对抑郁症进行疾病诊断、疗效预测,达到抑郁症辅助诊断的目的。本文从机器学习在不同种类临床数据上应用的角度对文献进行了系统性分析,总结了机器学习在抑郁症辅助诊断领域的通用研究流程及常用研究方法,并展望未来的研究方向以及面临的挑战。     

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。     

正常组织并发症概率模型综述

通过分析肿瘤放疗及并发症随访数据,拟合正常组织并发症概率（NTCP）模型参数,并由此预测并发症发病率、优化放疗方案、揭示正常组织放射生物学特性,是肿瘤放射生物物理学近期的研究热点。综述相关文献中提出的6种NTCP模型,并讨论建模及对比模型预测能力的方法;然后介绍近年来提出的几种改进后的NTCP模型,以及几种新的并发症预测技术。从开展临床应用的角度,对NTCP模型的研究现状、存在的问题和发展趋势做概括和总结,就NTCP模型在个体化放疗中的应用等问题进行讨论和展望。     

机器学习在疾病预测中的应用

本文通过阐述机器学习的定义及分类,介绍了K近邻、朴素贝叶斯、逻辑回归、支持向量机、决策树、集成的树模型以及人工神经网络等研究者常用于医疗疾病预测的机器学习算法,重点分析了机器学习在预测心血管疾病、糖尿病、肾病、肿瘤、妊娠期疾病等几类常见疾病中的应用情况,主要从特征选择、算法和预测准确性等方面说明机器学习预测疾病的应用特...     

图像配准技术在图像引导放疗中的应用

简要介绍图像配准技术及其在图像引导放射治疗中的应用现状和研究进展情况。列举说明了目前常用的三种实现方法,包括自动靶区勾画快速计划以提升靶区剂量及降低正常组织照射剂量、在线校位以找到待治疗肿瘤的等中心位置并计算得到治疗床需要调节的参数、自适应放疗以快速判断放疗过程中解剖部位的变化、退缩和位移情况来调整靶区和优化剂量。在图像引导放疗中,充分了解配准的过程以及相关算法的准确性和局限性,依据常用的实现方法,结合不同的情况实际应用图像配准技术,可大幅提高放射治疗的精确度,因此图像配准技术近年来在图像引导放疗中应用日趋广泛。由于图像配准技术在实际应用中不存在金标准,需要用户根据自己的实际情况对不同病例进行图像配准算法的验证。本文对由此存在的问题进行了具体分析并对技术改进方向和应用前景进行了展望。     

医学图像形变配准在图像引导放射治疗中的应用

本文详细介绍了形变图像配准技术在国内外的进展、形变图像配准的定义,根据不同划分标准进行的分类,以及在肿瘤诊断和肿瘤图像引导放射治疗的中的应用的举例。展示了形变图像配准技术在当前图像引导放疗领域中的重要性,特别是在自适应放疗方面,通过形变配准技术快速判断放疗过程中的解剖部位的变化、退缩,和位移情况。还可以领用形变配准技术进行在线的快速计划,进行快速剂量计算,来判断由于解剖部位的变化对剂量的影响程度,以及这种影响是否需要再计划。另外在肺和肝脏4DCT中形变配准的应用可准确计算肿瘤靶区在肺和肝脏中的由于呼吸运动产生的位移,用来指导放疗计划靶区的勾画和放疗计划的设计。本文还展望了形变配准在放射治疗计划系统的应用:利用形变配准的快速勾画功能快速勾画病人正常器官轮廓,以提高工作效率。本文还分析了形变配准目前存在的不足之处,以及在该领域中的优缺点和应用前景。     

基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价，缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合，在精神疾病辅助诊断领域的应用发展迅速，采用传统机器学习算法和深度学习算法，对脑电信号特征进行学习，从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征，笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展，最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解，难以解释其在医学领域的作用，因此深度学习也是脑电研究发展方向之一。此外，单独对脑电图进行分析难以囊括患者所有的特征，需与其他模态的生理参数结合进行多生理参数融合分析，使得疾病诊断更加智能化。     

食管癌放射治疗技术的进展

同步放化疗和手术是食管癌的主要治疗模式。不断发展的现代放疗手段的目标是通过改进GTV、C’Ⅳ勾画（基于PET的计划设计）,减少分次间（影像引导放疗手段,如Varian的Trilogy、Elekta的Synergy、Siemens的Artiste、Tomotherapy）和分次内（4DCT成像和呼吸门控）的器官运动,实现最佳的剂量分布（调强放疗和质子治疗）,在最大可能提高治疗增益比的前提下,使疗后并发症的发生率降至最低。尽管食管癌靶区剂量递增的概念一直存在争议,但通过现代放疗技术可降低放疗相关毒性反应,从而为提高食管癌放疗的临床结果打下坚实的基础。本文围绕PET／CT在食管癌放疗计划设计中的作用、调强适形放射治疗,断层放疗（Tomotherapy）,图像引导放疗（IGRT）、四维CT和呼吸门控技术和质子放疗对近年来食管癌放疗技术的发展进行了概述。指出,尽管PET／CT在放疗计划制定中的应用越来越多,由于目前仍缺乏足够的支撑数据,在放疗计划制定过程中应用PET或PET／CT应持谨慎态度。在今后临床实践中可通过进一步应用和研究新技术和新方法以尽可能提高食管癌和胃食管结合部肿瘤的放疗效果。     

Elekta加速器电动楔形板使用体会

随着我国肿瘤患者例数的上升，以及肿瘤患者对肿瘤相关知识了解程度的提高，肿瘤的诊断和治疗对相关仪器的质量和使用要求也在不断提升。临床上肿瘤治疗主要采用放疗联合化疗方法，而临床放疗最常用的过滤器为楔形滤过板，本研究主要介绍了电动楔形板特点、Elekta加速器电动的楔形板原理，并对Elekta加速器的电动楔形板应用注意事项及方法进行探究，以期为电动楔形滤过板的科学、合理应用提供有效依据和启示。     

基于磁共振图像的帕金森病计算机辅助诊断研究进展

近年来,由于帕金森病(PD)的临床复杂性与多模态磁共振(MR)图像的高维性,如何有效挖掘图像中特异性标记PD的影像生物标志物、建立高效的PD计算机辅助诊断(CAD)模型是研究中极具挑战性的问题。综述目前国内外研究进展,进一步分析MR多模态特征提取、特征选择、分类器模型等传统机器学习方法建立CAD模型的关键技术,并简要概述基于深度学习方法在早期PD分类诊断中的应用。指出基于多模态MR图像,采用机器学习或深度学习方法构建CAD模型,能够客观、准确地识别PD患者,对提高早期PD诊断的准确性具有很大价值和应用前景。今后研究应更深入挖掘多模态MR图像中的潜在标记PD的影像生物指标,开发更高阶的CAD模型,以辅助早期PD的临床智能诊断。     

神经精神疾病自动分类与预测研究进展

神经精神疾病的神经病理机制仍有许多未知,客观临床诊断标准也十分欠缺,其诊断与预后面临巨大挑战。随着神经影像技术的快速发展,神经影像数据被广泛应用于神经精神疾病神经病理机制的探索和潜在生物标志物的发掘。相比于实现群体水平分析的传统单变量分析方法,机器学习模型基于神经影像数据,实现神经精神疾病的个体化、智能化预测。综述近年来基于机器学习的神经精神疾病自动分类与预测研究进展,从机器学习基本原理和精神分裂症、抑郁症、阿尔兹海默症与帕金森病等4种典型神经精神疾病的最新研究成果等方面进行了总结和分析。目前,疾病自动分类与预测研究还存在着样本量小、可重复性低等局限性,未来可以通过多站点数据协同分析来提高研究的样本量。此外,深度学习和跨疾病诊断与预测也是未来研究的重要方向。     

机器学习在电子病历中应用的可视化分析

为探讨机器学习方法在电子病历领域应用的研究现状、研究热点与前沿,以2000～2022年中国知网数据库和Web of Science核心合集数据库中关于机器学习在电子病历中应用的相关文献为数据来源,运用CiteSpace软件绘制国家/地区、作者、机构、关键词共现以及关键词突现5个方面科学知识图谱进行可视化对比分析,以便了解国内外研究的差异,为该领域的研究和发展提供参考。     

Machine learning in bioinformatics: a brief survey and recommendations for practitioners

Machine learning is used in a large number of bioinformatics applications and studies. The application of machine learning techniques in other areas such as pattern recognition has resulted in accumulated experience as to correct and principled approaches for their use. The aim of this paper is to give an account of issues affecting the application of machine learning tools, focusing primarily on general aspects of feature and model parameter selection, rather than any single specific algorithm. These aspects are discussed in the context of published bioinformatics studies in leading journals over the last 5 years. We assess to what degree the experience gained by the pattern recognition research community pervades these bioinformatics studies. We finally discuss various critical issues relating to bioinformatic data sets and make a number of recommendations on the proper use of machine learning techniques for bioinformatics research based upon previously published research on machine learning.     

Cognitive and learning sciences in biomedical and health instructional design: A review with lessons for biomedical informatics education

Theoretical and methodological advances in the cognitive and learning sciences can greatly inform curriculum and instruction in biomedicine and also educational programs in biomedical informatics. It does so by addressing issues such as the processes related to comprehension of medical information, clinical problem-solving and decision-making, and the role of technology. This paper reviews these theories and methods from the cognitive and learning sciences and their role in addressing current and future needs in designing curricula, largely using illustrative examples drawn from medical education. The lessons of this past work are also applicable, however, to biomedical and health professional curricula in general, and to biomedical informatics training, in particular. We summarize empirical studies conducted over two decades on the role of memory, knowledge organization and reasoning as well as studies of problem-solving and decision-making in medical areas that inform curricular design. The results of this research contribute to the design of more informed curricula based on empirical findings about how people learn and think, and more specifically, how expertise is developed. Similarly, the study of practice can also help to shape theories of human performance, technology-based learning, and scientific and professional collaboration that extend beyond the domain of medicine. Just as biomedical science has revolutionized health care practice, research in the cognitive and learning sciences provides a scientific foundation for education in biomedicine, the health professions, and biomedical informatics.     

功能性磁共振成像在轻度认知障碍检测诊断的研究综述

现代社会中,阿尔茨海默病已经成为严重影响和限制个人日常生活甚至危及患者生命安全的一种疾病.轻度认知障碍作为阿尔茨海默病的前一个阶段,对其精确诊断有助于干预或降低患者转化为阿尔茨海默病的几率.目前,功能磁共振成像技术已经广泛应用于轻度认知障碍的检测诊断研究中.从特征提取、特征选择、数据降维和分类识别等方面,对fMRI在M...     

深度学习在放射学科和麻醉学交叉领域的应用进展

随着互联网和人工智能的应用,很多医疗领域变得更加高效和可靠。现代麻醉学的范畴已经不再局限于手术室内,还包括门诊、内镜科等,这就使麻醉医生的负担进一步加重。放射学科与麻醉学的结合为麻醉手术提供了更精确、更安全和更高效的方法,而深度学习技术的快速发展为该领域带来了许多前沿创新。该文综合归纳了近年来深度学习在该交叉领域的相关研究成果,并对相关应用进行了分类和总结。通过对文献的分析,该文重点讨论了医学影像领域的图像识别和目标定位等具体应用,并探讨了深度学习在麻醉学领域的局限性和未来发展方向。     

人工智能在中医诊断中的应用进展

本研究立足于各类人工智能算法的数学原理,阐述了人工智能在中医诊断中的应用现状及问题。其中传统机器学习算法,如支持向量机、贝叶斯算法等因其小样本学习的特性,在闻诊、问诊等场景具备较高的精度与稳健性;而近年来新兴的深度学习算法则可以处理如图像、音频信号、文本等非结构化数据,与望诊、切诊等场景相契合;多模态深度学习则可以充分挖掘望闻问切数据中的信息,并在特征空间中进行隐式的四诊合参。人工智能的引入可以进一步推动中医的客观化、定量化发展,但其数据驱动的特性要求进一步规范现行的中医数据库建立流程。