高危住院患者深静脉血栓风险管理效果

目的 本研究基于临床电子病历与临床辅助决策系统构建机器学习模型(AI模型),并对机器学习模型与人工Caprini量表对深静脉血栓形成(Deep vein thrombosis,DVT)风险的预测效果进行对比.方法 回顾性收集与模型建立一致的住院患者的临床变量、金标准诊断结果以及Caprini评分,比较AI模型与Caprini的受试者特征曲线下面积(AUC)、敏感性与特异性.结果 AI模型对DVT的预测效果(AUC=0.894,95％CI:0.838,0.940)显著优于Caprini量表(AUC=0.716,95％CI:0.626,0.801),P＜0.001.机器学习模型的敏感性、特异性也高于Caprini评分.结论 机器学习模型预警工具对高危住院患者DVT的预测效果较人工Caprini评分具有明显的优势,或有助于DVT的风险管理,值得在临床上推广应用.     

中医人工智能辨证研究现状与发展＊

目的 总结中医人工智能辨证领域的研究历史与现状、应用状况、所面临的挑战，为中医辨证智能发展提供帮助。方法 检索中国知网（China National Knowledge Infrastructure，CNKI）总库1980年-2020年人工智能与中医辨证相关文献，筛选出301篇，以时间为线索，从专家系统、机器学习、深度学习和知识图谱，对中医辨证算法研究进行分类；以地域为线索，结合文献计量学可视化分析，梳理出中医辨证人工智能地域发展态势。结果 通过三个阶段中医辨证算法的比较，机器学习的神经网络、决策树和贝叶斯等算法模型辨证准确率均值在90%以上，适用于中医辨证，未来深度学习与知识图谱在中医辨证方面极具潜力。结论 中医辨证信息化迅猛发展并处于持续深入的状态，但中医文本数据的处理和结构化工作滞后，缺乏评价系统来评判人工智能算法在辨证上的效果，需予以重视。     

人工智能在眼科疾病诊疗的应用现状

近年来，人工智能（artificial intelligence，AI）在医学领域的应用范围不断扩大，已成为医疗行业关注的焦点，在心血管疾病、乳腺癌、皮肤癌、糖尿病视网膜病变、白内障、青光眼及早产儿视网膜病变等诊疗中均有新进展。本综述旨在了解AI在眼科领域的应用现状、优势、进展及不足，为AI在眼科领域的进一步应用及推广提供更多信息。     

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。     

基于bp-MRI和VB-Net的临床显著性前列腺癌自动分割和机器学习分类的研究

目的 评价基于双参数MRI的深度学习自动分割与机器学习分类模型,探索其在临床显著性前列腺癌（CSPC）诊断中的应用。方法 纳入409例前列腺患者MRI检查资料,在DWI、ADC和T₂WI中应用VB-Net模型分别进行病灶自动分割和腺体自动分割,生成感兴趣区（ROI）,病灶自动分割时将分割阈值设置为不同数值分别重复进行。分别提取病灶ROI和腺体ROI中的纹理特征,进行Lasso特征选择,建立、训练随机森林、支持向量机和Logistic回归模型并进行验证。结果 病灶分割中分割阈值分别为0.9、0.5、0.1时,假阴性率分别为0.462、0.273、0.182,假阳性率分别为0.134、0.419、0.661;当分割阈值设为0.5,病灶自动分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.76～0.792;腺体分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.827～0.855。结论 采用基于前列腺bp-MRI的VB-Net模型对CSPC病灶具有一定的自动分割、分类能力,结合进一步的机器学习能较好地诊断CSPC;VB-Net模型对腺体自动...     

机器学习在急诊医学中应用的研究进展及展望

随着信息技术及医疗数据信息化的不断发展,越来越多的临床医生认识到人工智能或将彻底改变医学实践。机器学习可对大量医疗数据进行学习,探索数据集中的依赖关系,从而形成相应的医学模型;模型可对新的数据进行快速准确预测,有利于疾病早期诊断分级、辅助制定临床决策等。急诊医学面临着医疗资源相对短缺、急危重症患者识别及快速诊治需求等现状。在大数据时代,以临床需求为导向,机器学习为手段的智慧医疗或将成为解决上述问题的关键之一。     

基于集成学习的骨质疏松性骨折预测研究

骨质疏松性骨折是老年人发病和死亡的重要原因之一,建立高效的预测模型为老年人尽早提供诊断和治疗建议十分必要。实验利用Stacking构建了一种异构分类器EtDtb-S,将16个相关性较高的特征作为特征向量,选用极端随机树(ET)、基于决策树的装袋集成模型(DTB)作为初级学习器,逻辑回归作为次级学习器进行集成。实验验证将EtDtb-S与单模型、同构分类器进行骨质疏松性骨折预测对比,结果表明异构分类器相对于最优单模型预测精度提高2.8%,相对于最优同构分类器预测精度提高1.5%,具有更高的预测性能。     

融合多特征脑电评估孤独症儿童

孤独症是一种复杂的神经发育性脑疾病,其早期发现和精确诊断非常重要。从54名孤独症和50名正常儿童的脑电信号中提取功率谱、熵、双谱相干性以及相干性等多特征进行分析研究,并对每组特征进行独立样本t检验分析组间差异;为提高分类性能,提出融合多特征脑电进行分析,进一步采用最大相关最小冗余算法进行特征选择,最后利用支持向量机建立分类模型。结果显示,用单一特征分类,得到的分类准确率为72%,灵敏度为73.94%,特异性为67.74%,F1分数为69.74%,因此单一特征所建立的分类模型性能较差;在融合多特征进行分类时,选择前25个特征建立模型,具有较高的分类精度(93.45%±0.79%),此时灵敏度为91.73%±0.42%,特异性为94.01%±0.36%,F1分数为92.54%±0.31%,且AUC达到0.96,相比单一特征分类模型具有良好的性能。研究结果可以为孤独症的辅助诊断提供科学客观依据,为孤独症儿童后期康复提供可靠参考。     

静息态低频振幅异常对精神分裂症患者识别研究

目的 运用静息态功能磁共振成像(resting state functional magnetic resonance imaging,rs-fMRI)技术中的低频振幅(amplitude of low frequency fluctuation,ALFF)指标来探讨精神分裂症患者的大脑功能改变,并研究其能否作为潜在的生物学标记.材料与方法 纳入72名精神分裂症患者及75名健康对照,分析两组间存在的ALFF差异.通过提取两组间差异脑区的信号作为特征,使用支持向量机探究精神分裂症的神经生物标记.结果 精神分裂症的患者右侧梭状回、左侧颞下回、左侧内侧额上回ALFF增高(GRF校正,体素水平P<0.001,簇水平P<0.05);左侧丘脑、右侧中央后回ALFF降低(GRF校正,体素水平P<0.001,簇水平P<0.05).两组间ALFF存在差异的脑区可有效识别精神分裂症患者.结论 精神分裂症患者与健康对照相比存在自发脑活动的异常,且该异常可作为识别精神分裂症的有效生物标记.     

人工智能如何改变指南的未来

近年来,人工智能的快速发展和进步对医学领域的影响日益加深。科技部发布的人工智能指南明确提出要加大人工智能技术在医药卫生领域应用的支持力度。临床实践指南作为医疗实践的重要指导性文件,可以规范医务人员的诊疗行为,缩小最佳研究证据与当前实践之间的差距,具有重要意义和价值。如何利用人工智能技术加速指南的制订流程,提高其制订效率,创新其传播与实施模式,乃至改变指南的未来发展,已引起国内外学者的广泛关注。本文就人工智能在临床实践指南领域的应用现状和发展前景进行分析和讨论,并在此基础上提出促进人工智能与临床实践指南结合的思考与建议。