基于超声的影像组学在乳腺肿瘤诊疗中的应用进展

<正>2020年全球癌症报告统计显示,乳腺癌已超过肺癌成为全球内最高发的癌症^[1]。乳腺癌的早期诊断是乳腺癌控制的关键步骤,早期的检测往往意味着乳腺癌患者可以获得更好的治疗以及远期预后^[2]。现阶段,针对乳腺肿瘤的早期诊断主要依赖于影像检查和病理活检^[3]。其中影像学检查中超声检查较其他方法具有无辐射、快速、价格低廉、便捷等特点,是乳腺肿瘤快速筛查的有效手段。但是在目前的影像诊断中,主要是基于医师的主观评估,缺乏定量诊断的依据。近年来,     

基于生信分析和动力学模拟鉴定阿尔茨海默病免疫标志物及靶向药食同源中药预测

目的 分析阿尔茨海默病(Alzheimer’s,AD)免疫相关的生物标志物、发病机制、免疫浸润水平和潜在的靶向药食同源中药。方法 从GEO数据库中下载GSE5281、GSE132903数据集的表达谱,获得AD差异表达基因(differentially expressed genes,DEGs)。采用加权共表达算法鉴定出AD重要模块基因,再从Imm Port Portal数据库获取免疫相关基因(immune-related genes,IRGs),将这些基因取交集得到免疫重要差异基因;随后应用最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)及机器学习-支持向量机递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)方法进行分析,筛选出AD共同的免疫相关标志物,并通过基因本体(gene ontology,GO)和京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes,KEGG)...     

流感病毒性肺炎线粒体相关生物标志物识别及银翘败毒散潜在作用机制

目的 鉴定识别流感病毒性肺炎（influenza virus pneumonia,IVP）线粒体相关生物标志物及银翘败毒散（Yinqiao Anti-infective Powder,YQAIP）潜在治疗IVP的作用机制。方法 使用机器学习算法[随机森林（random forest,RF）模型、支持向量机（support vector machines,SVM）、分布式梯度增强模型（e Xtreme gradient boosting,XGBoost）、广义线性模型（generalize linear model,GLM）]分析IVP小鼠的4个基因表达数据集（GSE63786、GSE37572、GSE43302和GSE97555）,以识别IVP和线粒体相关的生物标志物。从TCMSP、PubMed、中国知网数据库获取银翘败毒散化学成分。通过分子对接研究IVP相关线粒体基因与YQAIP化学成分的相互作用。将BALB/c小鼠随机分为对照组,模型组,YQAIP低、中、高剂量（相当于生药15、30、60 g/kg）组和奥司他韦组,除对照组外,流感病毒感染小鼠,采用HE染色观察IVP小鼠病理的变化...     

机器学习算法在预测臀先露外倒转术疗效中的应用研究

目的 探讨不同的机器学习算法在预测臀先露外倒转术疗效中的效能及其临床应用价值。方法 收集2017年1月至2020年6月在南方医科大学附属东莞医院行臀先露外倒转术孕产妇的临床数据资料。分别采用朴素贝叶斯（NB）、随机森林（RF）、多层感知器（MLP）、逻辑回归（LR）、支持向量机（SVM）、梯度提升决策树（GBDT）6种机器学习算法,构建臀先露外倒转术疗效预测模型,以精确度、召回率、F1值、准确率和ROC曲线下面积作为评估指标。结果 有效样本共316例,其中239例（75.6%）经外倒转术纠正胎位。MLP机器学习算法在测试集中综合反映精确率和召回率的F1值为0.92,ROC曲线下面积为0.816,均优于其他5种机器学习算法。结论 MLP机器学习算法在预测臀先露外倒转术疗效中展现较好的效能,具有一定的临床应用潜力。     

国外基于机器学习的住院患者跌倒风险预测模型构建研究及其启示

目的/意义 分析国外基于机器学习构建住院患者跌倒风险预测模型的研究现状,为我国相关研究提供参考。方法/过程 检索PubMed和Web of Science数据库中2017—2022年基于机器学习构建住院患者跌倒风险预测模型的文献,从研究角度、数据来源、构建方法、模型验证等方面梳理分析文献。结果/结论 国外相关研究角度独特,数据海量、采集周期长,采用多种机器学习方法建模,且模型验证方法多样。国外同行经验可供我国护理研究者合理借鉴。     

机器学习方法在因果推断中混杂因素控制的应用

介绍医学研究中混杂因素对因果推断的影响及常见混杂因素识别方法,梳理机器学习方法在因果推断中控制混杂因素的应用,讨论应用机器学习方法在混杂因素控制中面临的机遇和挑战。     

基于机器学习的儿科急诊患者候诊时间预测及关联分析研究

以首都儿科研究所附属儿童医院急诊患者就诊数据为基础,设计并提取19个就诊时间相关变量,构建6种不同的机器学习模型,用于儿科急诊就诊患者候诊时间预测,经检验预测模型表现良好。本研究有助于医院动态分配医疗资源,缓解急诊科拥挤程度,提高患者就诊满意度。     

基于特征自动识别的心肌梗死关键因素挖掘研究

利用人工智能技术,基于患者既往就诊数据进行机器学习相关算法分析,建立心肌梗死疾病特征自动识别模型,通过特征挖掘找出关键和主要致病因素,为医生提供定性或定量辅助诊断意见.     

基于数据驱动的冠状动脉微循环阻力快速计算方法

目的 开发一种基于数据驱动的冠状动脉微循环阻力快速计算方法。方法 构建和优化神经网络对冠状动脉进行截面积特征提取,利用截面积特征、异速标度律和流量分配比例快速计算冠状动脉分支末端的微循环阻力,并基于微循环阻力无创计算血流储备分数。结果 为了验证神经网络的有效性,将40个临床收集的冠状动脉分支测量的截面积特征与神经网络预测的结果进行比较,平均绝对误差为1.08 mm²。为了验证微循环阻力值的准确性,将15位患者的临床血流储备分数与利用微循环阻力值计算的血流储备分数进行比较,计算准确性为86.6%。结论 本文提出的冠状动脉微循环阻力快速计算方法具有潜在的临床应用价值。     

基于电子病历数据的临床表型提取及其应用进展

在介绍临床表型提取技术的基础上,利用临床决策支持技术、自然语言处理技术和机器学习方法,就从糖尿病相关电子病历中提取临床表型等方面进行系统综述,表明深度学习方法可以更高效准确地从电子病历数据中提取出临床表型,帮助临床研究人员更好地进行临床试验,提高医疗护理水平。