基于YOLO算法和ResNet深度卷积神经网络的结直肠息肉检测（含视频）

目的 构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络（deep convolutional neural network,DCNN）模型,并测试其功能。 方法 选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集（数据集1、3、4）,另以公共数据集CVC-ClinicDB（由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成）作为数据集2。数据集1（2018年1—11月的肠息肉图像3 700张,无息肉图像1 000张）用于DCNN模型构建、训练与验证;数据集2和数据集3（2019年1—3月的肠息肉图像320张,无息肉图像400张）用于DCNN模型在图像中的测试;数据集4（2018年12月肠镜视频15个,包含33个息肉）,用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。 结果 DCNN模型在数据集2中检测肠息肉的敏感度为93.19%（602/646）;在数据集3中检测肠息肉的准确率为95.00%（684/720）,敏感度为98.13%（314/320）,特异度为92.50%（370/400）,假阳性率为7.50%（30/400）;在数据集4中检测息肉逐息肉个数的敏感度为100.00%（33/33）,逐帧准确率为96.29%（133 840/138 998）,逐帧敏感度为90.24%（4 066/4 506）,逐帧特异度为96.49%（129 774/134 492）,逐帧假阳性率为3.51%（4 718/134 492）。 结论 构建的DCNN模型可用于自动检测结直肠息肉,在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度,且在视频中测试的假阳性率低,可用于帮助内镜医师检测结直肠息肉。     

人工智能化的远程心电监测在心血管疾病中的应用

在我国,心血管疾病患病率和死亡率居高不下,部分原因与心血管疾病的突发性和不可预测性有关。远程心电监测具有实施、远程、准确等特点,结合人工智能可实现自动预警,对心血管疾病的防治具有重要意义。本文将对人工智能化的远程心电监测在心血管疾病中的应用进行阐述。     

针对帕金森冻结步态康复的研究进展

冻结步态随着帕金森病患者病程的进展与延长,发病率呈日益增高趋势。现阶段综合性研究报道颇多,但对此类患者分期的康复手段,以及传统康复技术与现代智能化设备如何有机结合,目前研究尚不多见,值得关注。本文旨在总结归纳传统与现代化技术如何分期实施,为临床一线医务工作者的诊疗提供参考。     

当代脑计划研究进展

科技的进步让人们对大到宇宙小到微观粒子的世界有深入的认识,但是人类对自身大脑的精细结构和运行机制的了解甚少。为此,多个国家和地区纷纷提出并开展“脑研究计划”,简称“脑计划”,以提高对人类大脑的认知,并寻求治疗神经及精神系统疾病的方法。本文对近年来欧盟、美国、日本及我国开展的“脑计划”进行综述,分别介绍各个国家和地区“脑计划”的研究方向及取得的突破性成果,介绍正在开展的“齐鲁脑计划”。“脑计划”的开展有利于推动人工智能等相关学科进步和经济社会发展,未来“脑计划”的实施需要更深入的国际合作。     

青光眼影像人工智能深度学习研究现状与展望

青光眼是一组异质性神经退行性疾病,其特征是视网膜神经节细胞及其轴突逐渐消失,现已成为全球不可逆性失明的主要原因。人工智能(AI)是由机器展示的智能,而深度学习(DL)是其中一个基于深度神经网络的分支,在医学成像领域取得了重大突破。在青光眼影像方面,已有越来越多的研究将DL应用于眼底图像以及光学相干断层扫描(OCT),以检测青光眼性视神经病变。有很好的结果显示,将DL技术整合到影像中进行青光眼评估是高效、准确的,这可能会解决当前实践和临床工作流程中的一些难题。但是,未来进一步的研究对于解决现存挑战至关重要,例如为不同研究之间的图像标记建立标准,将“黑匣子”的学习过程进行可视化,提高模型在未知数据集上的泛化能力,开发基于DL的实际应用程序,以及建立合理的临床工作流程,进行前瞻性验证和成本效益分析等。本文总结了AI应用于青光眼影像的最新研究现状,并讨论了对临床的潜在影响和未来的研究方向。     

人工智能在胰腺疾病诊断及治疗中的应用及展望

人工智能是计算机科学的一个分支,是一门新的技术科学。以强大的计算和学习能力而广泛应用于临床实践的各个领域。本文回顾了人工智能在胰腺疾病诊断及治疗中的应用,特别是在急性胰腺炎的严重程度及预后评估、胰腺癌的诊断和预后等方面。然而人工智能是以“大数据”为基础的,多中心数据库的建立仍需要我们进一步努力。此外,随着人工胰腺在糖尿病应用中的普及,人机关系在医疗实践中占的比重也会越来越大。人工智能技术将会给临床诊疗活动带来更多的便利。     

中药作用分子机制研究新策略

药物靶标是药物治疗疾病的桥梁,是创新药物发现的源头。中药成分复杂,单味药或中药复方均是多成分共同作用于多靶点、多途径产生药效,其作用机制难以精确阐述。现代药学的药物作用机制研究是基于对靶点和受体的作用,不适合中药的复杂体系。近年来,多成分多靶点、组合靶点、组分中药等思想和研究方法的提出,从不同侧面描述了中药作用的特点,但仍不能反映中药的整体作用。由此,我们首次提出"药靶组学(Targetomics)"这一概念,即通过多组学融合等各种手段鉴定人体可用于药物作用并改善健康的所有效应分子的集合。以"明星"中药为主要研究对象,在"药靶组学"策略的指导下产出多药物作用于多模型动物不同时间点的多组织多组学数据,构建考虑结构和功能的药物作用动态分子网络,应用深度学习、人工智能、多组学数据融合等生物信息学技术识别中药作用的功能分子群及其相关通路和网络的变化规律,并对潜在"药物靶标"进行验证。从而形成一个具有靶标多样性并经过验证的药物"药靶组",为中药作用分子机制研究提供新途径。同时将这些药物多组学数据与疾病组学数据相融合并进行有效对接,也能够为疾病治疗提供重要靶点、用药指导等信息,为药物的快速研发提供方向。     

临床决策支持系统技术现状及质量评价思路初探

目的：我国监管部门对临床决策支持系统（CDSS）的法律责任和监管模式正在探索之中,如何更好地规范临床决策支持系统,使其发挥临床辅助作用,是监管科学的重要研究方向。本文主要探索临床决策支持系统的质量评价方法和检测手段。方法：通过调研临床决策支持系统的发展现状以及分析现有的具有一定影响力的临床决策支持系统的技术特性,在此基础上,讨论临床决策支持系统在医疗领域的发展趋势和所面临的挑战。并对临床决策支持系统在质量评价过程中需重点关注的内容进行比较全面的总结,包括分类方法、评价方法和伦理问题。结果与结论：临床决策支持系统正处于蓬勃发展期,相应的技术和业态也在不断形成中,目前来说,绝大多数临床决策支持系统并不能直接给出相应的决策,多数还是处于启发和帮助医护人员进行思考的阶段。对于监管和评价来说,面临的挑战主要来自于算法适应性、决策透明性、界面可用性、系统鲁棒性和可移植性等因素的评价。