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。     

基于注意力机制与深度学习模型的糖尿病眼底图像分类研究

目的：基于注意力机制与经典深度学习模型提出糖尿病眼底图像分类算法,提高糖尿病眼底图像识别的准确率。方法：使用包含5种类别共4 581张图像的开源数据集,进行特征提取、图像增强、批处理、洗牌等操作构建数据张量,将注意力机制与ResNet模型相结合构建ResNet-At模型,比较该模型与经典深度学习模型CNN、ResNet、AlexNet在识别糖尿病眼底图像方面的效果。结果：基于注意力机制的ResNet-At模型的准确率、精确率、召回率、F1值分别为89.5%、74.3%、62.4%、0.678,均高于其他经典深度学习模型。结论：基于注意力机制与经典深度学习模型的糖尿病眼底图像分类算法可以提高糖尿病眼底图像分类的识别效果。     

重庆市艾滋病综合防治示范区2016至2021年接受抗病毒治疗患者生存分析

为提升智能辅助驾驶系统对路面附着系数估计的准确性与实时性,研究了一种基于视觉信息的路面识别深度学习算法,实现路面附着系数的预估计。设计压缩卷积机制以降低网络运算参数,采用特征图全局平均替换全连接层以提升网络的拟合性能,并构建路面识别深度卷积神经网络DW-VGG。利用自建路面图像数据集对网络进行训练,测试结果表明,基于提出的多层知识蒸馏技术的DW-VGG网络识别精度较高,分类性能评估指标F₁得分为96.57%,并有效降低了网络的运算和内存成本,识别单张图像只需32.06 ms,预测模型只有5.63 M。     

基于深度学习的慢性阻塞性肺病与哮喘-慢性阻塞性肺疾病重叠分类

目的：基于医疗大数据的深度学习分析算法,提出了一种具有辅助诊断价值的慢性阻塞性肺病与哮喘-慢性阻塞性肺疾病重叠的鉴别诊断方法。方法：选择COPDGene数据集,利用Fisher评分的方法进行特征选择,使用准确率和ROC曲线对深度信念网络模型和支持向量机模型构建鉴别诊断模型,进行分析和比较。结果：使用深度信念网络模型得出的与COPD和ACO分类有关的敏感特征与已知临床诊断策略具有较高的吻合度,支持向量机模型和深度信念网络模型的分类准确率分别为85.28%和93.56%,灵敏度分别为89.73%和95.21%,特异度分别为74.10%和89.29%。结论：利用深度信念网络构建的COPD与ACO自动分类模型具有较高的鉴别诊断能力,可以有效协助临床医生对患者进行诊断。     

基于深度残差网络的儿科肺炎辅助诊断算法

目的 为丰富儿科肺炎辅助诊断算法,提高医生分析儿科肺炎X线影像图片的效率和质量,提出一种改进的卷积神经网络模型。方法 基于深度残差网络（ResNeXt-50）,融合SE模块建立通道之间的关联,然后在模型构建过程中使用Leaky Re LU激活函数替代ReLU激活函数,并使用组归一化作为归一化方法,最后将预训练好的模型在Chest X-Ray数据集上进行训练测试,并以准确率（Accuracy）、召回率（Recall）以及精确率（Precision）作为评价指标。结果 网络模型的识别准确率、精确率和召回率分别达到了91.19%、89.70%和91.39%。结论 网络模型具有一定的实用性,能够更好地拟合肺炎图像数据集,能有效提升儿科肺炎图像分类的准确性,可作为临床上儿科肺炎的辅助诊断新方法。     

基于BP神经网络的阿尔茨海默病预测模型研究

目的：基于阿尔茨海默病患者的日常认知自我报告清单，利用BP神经网络模型构建阿尔茨海默病不同病程的预测分类器，并评估预测分类器的性能。方法：纳入ADNI-GO、ADNI-2、ADNI-3等3个计划阶段的参与者日常认知自我报告清单数据。以7：3的比例划分训练集和测试集，以网格搜索方法设置十折交叉验证确定最佳BP神经网络参数，测试集用于评估模型的泛化能力。结果：ADNI-GO和ADNI-2阶段的模型分类准确率达到90%，而ADNI-3阶段的准确率最低，不到80%，且ADNI-3模型的泛化能力低，存在过拟合问题。结论：利用患者当前日常认知自我报告清单可以准确预测分类患者的病程阶段，有利于患者尽快进一步检查或治疗，具有一定的临床价值。     

基于注意力机制的手术记录质量评估模型构建分析

目的：探讨基于注意力机制构建的手术记录质量评估模型的应用价值。方法：选择2019年1月至2021年12月的病案构建手术记录质量缺陷智能提示系统。运用自然语言处理技术从手术记录中提取临床信息,应用基于注意力机制的模型进行训练并构建模型,使用验证集评估模型效果,比较模型与人工审核效能间的差异。结果：模型的训练和验证准确率分别为11.7%和16.9%,模型的训练和验证损失率分别为95.8%和94.6%。模型与人工审核在建模组和研究组中的符合率分别为96.7%和95.1%;一致性分析显示,模型在建模组和研究组与人工审核结果具有较高的一致性（Kappa=0.934、0.914,P<0.001）。模型审核病案组平均用时低于人工审核组（P<0.05）。结论：基于注意力机制构建的模型对手术记录的审核效率具有显著提升。     

中文医学命名实体识别算法研究

针对中文医学命名实体识别任务中实体细粒度较大、识别准确率不高等问题,提出一种融合特征Albert的中文医学命名实体识别算法,利用自建的真实标注语料对模型进行训练与测试,结果表明模型具有较好的识别效果。     

基于机器学习的病案隐性知识发现模型研究及临床应用实践

目的 为提高海量病案隐性知识的感知效率与深度,改善病案信息化机制存在的不足,提出一种基于机器学习的病案隐性知识发现模型。方法 首先形成融合前置训练集和后置测试集的海量病案隐性知识特征数据池;然后构建时间正序下的海量病案隐性知识特征全息感知机制;最后构建特征集之间隐性映射自主识别决策机制,进而识别特定疾病与其他协同疾病之间的隐性对应关系。结果 选取海南省儋州市人民医院病案科为临床应用实践评估载体,对模型开展工程实践评估与临床统计学分析,结果表明,病案隐性知识感知精确率达98.62%,疾病隐性协同精确率达97.71%,差异有统计学意义（P<0.05）。结论 本文模型在病案隐性知识感知效率、感知精度、感知深度、临床实用性等具有明显优势,为病案领域的非结构化数据挖掘提供了案例数据集。     

基于DenseNet的心电数据自动诊断算法

目的使用卷积网络训练多导联心电图数据,并将新的心电数据准确地分类,为医生提供可靠的辅助诊断信息。方法先 用带通滤波器对数据进行预处理,使用信号分帧的方式调整不同长度的数据处于同样的大小,便于网络的训练测试;同时采用 增加样本的方法扩充数据整体,增加异常样本的检出率;针对不同导联的差异性使用深度可分离卷积更有针对性地提取不同通 道的特征。使用基于DenseNet的分类模型对多个标签分别训练二分类器,完成多标签分类任务。结果对数据的正异常识别 准确率可以达到80.13%,灵敏度,特异度和F1分别为80.38%,79.91%和79.35%。结论本文提出的模型能快速并有效地对心 电数据进行预测,在GPU上单个数据的运行时间约在33.59 ms,实时预测结果能满足应用需求。     

疗效预测方法在针刺治疗抑郁症研究中的应用探讨

目的探讨应用神经网络方法进行针刺治疗抑郁症的疗效预测。方法使用量表工具,应用神经网络方法进行疗效预测。选择与抑郁症针刺治疗效果密切相关的因素以及体现中医学整体思想的疾病状态、生活质量等指标作为神经网络的输入变量,将其量化数据赋予网络的输入层,将经治疗后量表的评定结果作为输出变量值。收集病例形成神经网络的训练和测试样本,进行网络的训练和测试,评估网络性能,讨论其临床应用性。结果网络训练误差达到预期目标(均方误差mse=0.0010),对HAMD减分率和SDS减分率的预测拟合度较好,且拟合精度较高;表明网络测试的拟合程度比训练结果的拟合程度差,网络模型对测试样本的预测误差大于对已知样本的预测误差。结论网络模型具有较好的学习能力,而对未知样本的识别能力不及对已知样本的识别能力。通过增加样本量、改进网络模型等途径,有望为临床提供可靠性良好的预测方法。     

基于深度学习的肝包虫疾病图像分类

目的:为了实现新疆高发病肝包虫病CT图像的正确分类,提出一种深度学习的肝包虫病CT图像的自动分类方法。方法:对单囊、多囊和肝囊肿CT图像使用深度学习的分类方法进行分类。首先,构建并优化ResNet-50网络模型,将肝包虫病图像分批次传入网络,然后用交叉熵作为损失函数,最后把网络结构加入对数据的批归一化处理,通过反向传播算法优化参数使损失函数最小化,最终选择训练所得的最优网络。结果:各类别的最佳分类准确率分别为单囊型78.33%、多囊型81.52%、肝囊肿型80.24%。结论:深度学习卷积神经网络的肝包虫病CT图像疾病分类方法可行、合理、且调整后的ResNet-50模型比较适合肝包虫病图像的分类,有望通过深度学习方法对肝包虫病提供辅助诊断及决策支持。     

基于深度学习多囊卵巢综合征辨证分型的构建与实现

目的:应用深度学习技术分析多囊卵巢综合征(PCOS)患者不同中医辨证分型与生活方式,情志因素、生化指标等之间的联系。方法:采集PCOS患者临床指标数据资料,将数据进行归一化处理,采用实验的方法进行PCOS的DBN模型的网络结构构建,并不断地修正。选取其中350例临床资料作为训练集,建立多囊卵巢患者中医临床辨证分型与相关临床指标关联训练模型,选取178例作为测试集。结果:应用此模型分析识别多囊卵巢综合征中医分型的总准确率为87.07%,其中肝郁型准确率为81.58%,其中肾虚型准确率为82.5%,其中痰湿型准确率为92.42%,血瘀型准确率为88.24%。结论:不同证型的PCOS患者,相关临床指标有所差异,肝郁型及肾虚型PCOS患者临床以月经失调及生殖功能异常为主要表现,痰湿型和血瘀型PCOS患者发生代谢异常的风险增加。     

手掌静脉识别：基于端到端卷积神经网络方法

目的提出一种基于端到端卷积神经网络的手掌静脉识别方法。方法在构建的手掌静脉识别网络模型中,卷积层和池化 层交替级联提取图像特征,同时通过神经网络分类器进行分类识别,采用包含动量项的随机梯度下降法最小化识别误差,在误 差减小的方向上不断优化模型。采用训练集数据扩展、批归一化、Dropout、L2参数正则化四种方法提升网络的泛化能力。结果 对公共的PolyU库(图像在高约束条件下获取)和自建库（图像在自然条件下获取）中全部500个对象的识别,正确识别率分别达 到99.90%和98.05%,单个样本的识别时间均小于9 ms。结论与传统算法相比,本文方法能够有效提升掌静脉识别在实际应用 中的准确率,为掌静脉识别提供一种新思路。     

贝叶斯网络模型在中药整体药性特征分析中的应用

目的阐明物质成分与中药药性间的内在联系和定量关系,选择药性特征标记,建立物质成分与中药整体药性间的贝叶斯网络模型,以期利用网络推理和复原中药整体药性。方法以还原论研究为基础,遵循中药基础理论的系统论原理,基于高效液相色谱技术,将偏最小二乘判别分析与贝叶斯网络模型有机结合,构建物质成分之间"君、臣、佐、使"的网络结构。结果以偏最小二乘判别模型选择出的37个药性特征标记作为节点所构建的中药整体药性贝叶斯网络模型,灵敏度、特异度高(ROC曲线下面积达0.98);对中药药性判别能力强,训练集判别正确率达93.88%,对测试集的预测率达100%。结论中药整体药性贝叶斯网络具有明显的模块化结构,适宜解释中药药性特征标记之间的组合关系并能复原中药整体药性。     

深度学习在儿童心脏超声标准切面自动智能识别中的应用

[摘要]　目的　探讨深度学习在儿童心脏超声标准切面自动识别中的可行性和准确性。方法　通过上海交通大学医学院附属上海儿童医学中心心脏超声诊断中心影像归档和通信系统(PACS）数据库中,选取2022年9月至2022年10月行心脏超声检查的儿童的4035张心脏超声图像,按照6∶2∶2的比例将图像随机分为训练集（2421张）、验证集（807张）、测试集（807张）。通过改进DenseNet开发了一个轻量、高效的深度学习模型实现对15类儿童心脏超声标准切面的自动识别,并与DenseNet121、InceptionV3、MobileNetV3 3种常用的深度学习模型进行比较。采用准确度、精确率、特异度、召回率和F1指数评价深度学习模型的识别性能。使用参数量、模型大小和浮点运算数3个指标评估模型的识别效率。采用混淆矩阵展示模型的识别结果,并通过热力图反映模型对图像特征的关注度。结果　DenseNet121,InceptionV3,MobileNetV3和所提出模型对15类儿童心脏超声标准切面和非标准切面的识别平均F1指数分别为94.59%、95.13%、92.41%、94.73%,参数量分别为7.0×106、24.4×106、4.2×106、1.8×106,模型大小分别为13.941 MB、48.777 MB、8.445 MB、3.588MB,浮点运算数分别为11.16×109、12.89×109、0.86×109、3.05×109。从混淆矩阵中可以得出所提出模型对15类儿童心脏超声标准切面和非标准切面的识别率要高于其他模型,而在热力图中也可以看出,所提模型能够关注到关键的特征区域。结论　提出的深度学习模型可准确地识别儿童心脏超声标准切面,且模型的参数量较少,运行效率较高。     

轻型多尺度黑色素瘤目标检测网络模型的建立：基于注意力机制调控

目的 提出一种融入坐标注意力和高效通道注意力机制的深度学习目标检测模型AM-YOLO。方法 运用Mosaic图像增强与MixUp混类增强对图像进行预处理,采用One-Stage结构的目标检测模型YOLOv5s,并对该模型的骨干网络与颈部网络进行改进。在该模型的骨干网络中把空间金字塔的最大池化层替换成二维最大池化层,接着将坐标注意力机制和高效通道注意力机制分别融入到YOLOv5s模型的C3模块与该模型的骨干网络中。将改进后的模型与未改进的YOLOv5s模型,YOLOv3模型,YOLOv3-SPP模型,YOLOv3-tiny模型进行相关算法指标的对比实验。结果 融入了坐标注意力和高效通道注意力机制的AM-YOLO模型能够有效提升对黑色素瘤的识别率,同时也减少了模型权重的大小。AM-YOLO模型在准确率,召回率以及平均精度均值上都要明显优于其他模型,并且对于早期和晚期黑色素瘤的平均精度均值分别达92.8%和87.1%。结论 本文采用的深度学习目标检测算法模型能够应用于黑色素瘤目标的识别中。     

深度学习技术在重症监护室患者住院死亡风险预测中的应用

目的运用深度学习方法构建ICU患者住院死亡风险智能化预测模型,并将该模型与ICU患者中普遍使用的简化急性生理评分(SAPS-II)进行预测性能比较。方法采用深度学习算法建立一种智能化的死亡风险预测模型,使用十二折交叉验证法对模型性能进行比较,选取准确率、灵敏度、特异度、约登指数、召回率等5种评价指标。结果实验结果显示,基于深度学习模型的方法比SAPS-Ⅱ在准确率、灵敏度、特异度、约登指数和召回率上分别提高1.77%、1.02%、0.49%、0.15%和1.10%。结论针对ICU患者住院死亡风险数据的非线性、复杂性和无规律性,深度学习模型比SAPS-Ⅱ表现出更好的泛化能力,具有更高的准确率,更适合对ICU患者住院死亡风险进行预测,可为医院的智能化预测提供了一种新的方向。     

基于混合域注意力机制和残差网络的特纳综合征分类研究

目的:利用人脸图像,构建基于深度学习的特纳综合征(Turner syndrome,TS)分类模型,旨在提高TS诊断准确率,降低诊断开销.方法:首先,将通道域注意力机制和空间域注意力机制以及残差结构相结合,提出一种具有混合域注意力模块的残差网络,然后使用深度迁移学习技术完成模型的初始化,最后使用TS人脸数据集对网络模型进...     

基于迁移学习的胃镜图像自动识别多分类系统的研究

目的通过迁移学习提高早期胃癌图像识别准确率。方法根据胃癌前病变概念收集5类胃镜图像,分别为早期和进展期胃癌图像783张、胃溃疡图像1042张、慢性胃炎图像1143张、胃息肉图像1096张和正常胃镜图像1763张,按6:2:2的比例分为训练集、验证集、测试集,通过从零训练模型ResNet34与微调迁移模型ResNet34、VGG16相比较。结果基于迁移学习的ResNet34模型识别准确率最高,验证集准确率95.64%,测试集准确率90.75%。结论ResNet34模型可较准确的实现常见胃镜图像识别,较传统深度学习方法对小数据集的医学图像有更好的泛化和特征提取能力。