基于卷积神经网络的小细胞型肺癌辅助检测方法

肺癌是世界上患病率并且死亡率最高的疾病之一,而小细胞型肺癌由于密度差最大以及涉及较多的图像因素,是脏器中最容易诊断的癌症。创新性地提出一种新的辅助检测方法,即采取卷积神经网络算法辅助检测小细胞型肺癌,该算法己经在人脸识别、车辆识别和文字判别等领域取得了丰硕的成果。卷积神经网络很好地结合了之前检测算法的优点,又能兼顾准确性,更好地减少误诊率,提高学习效率。此外当有新的学习样本加入,在保持原有学习结果的基础上,只调整神经元的权值就能明显提高诊断率。     

人工智能预测药物-靶标相互作用研究进展

药物-靶标相互作用(DTI)鉴定是药物研发中的关键步骤,可有效缩小候选药物分子的搜索范围.同时,DTI鉴定也是多重药理和药物重定位等研究的基础.然而,通过生物实验研究DTI耗时长、成本高且伴有一定的盲目性.随着信息科学的飞速进步,人工智能(AI)在药物研发领域得到广泛应用,成为研究DTI的有效策略.根据算法设计原理的不...     

机器学习在口腔正畸学领域的应用

进入大数据时代,多学科交叉日益得到重视与发展.近年来,机器学习作为人工智能的一个分支,在口腔正畸学领域的应用日渐增多,并在正畸临床和科研实践中呈现出可喜成效.本文拟通过回顾机器学习在颅颌面影像处理和分析、正畸诊断和治疗、相关临床研究支撑三个方面的应用,对目前的发展现状进行探讨,并展望其未来趋势,以期对机器学习在口腔正畸...     

信息技术在中医药领域应用研究概况

随着现代计算机技术和互联网的小断普及,利用先进的信息技术加强中医药信息数据库的建设,加速中医药信息的全球性传播、共享和利用,加快有效信息转化为知识,促进中医药知识快速更新,已经成为中医药现代化、信息化发展的关键。笔者现对当前信息技术在中医药领域中的主要应用作一介绍,并对各研究方向的发展现状及其未来发展趋势加以探讨。     

用机器学习算法建立IgA肾病与非IgA肾病的鉴别诊断模型

目的:用机器学习算法建立IgA肾病与非IgA肾病鉴别诊断模型。方法:采用回顾性研究的方法,收集2019至2020年昆明医科大学第一附属医院、云南省第一人民医院和昆明市延安医院肾脏内科经肾脏病理确诊的患者共260例,其中原发性IgA肾病130例,非IgA肾病130例。收集包括性别和年龄等在内的28项临床资料和实验室常规检...     

人工智能方法在抗菌肽筛选领域的应用及展望

抗菌肽（antimicrobial peptides,AMPs）是一类具有广谱抗菌活性的小分子肽,其独特抗菌机制能够有效治疗感染性疾病,且不易产生耐药性。然而,利用传统实验方式虽然能够筛选出具有抗菌活性的AMPs,但是筛选过程繁琐,人工智能筛选方法则更加快捷便利,在探索新型天然抗菌肽中展现了巨大的潜力。本文总结并比较了人工智能筛选AMPs的相关策略,包括应用于模型训练的数据来源、人工智能机器模型以及应用于模型筛选新型抗菌肽的组学数据,并对应用的前景和优势进行展望,以期为抗菌肽的鉴定识别、研发改造提供新思路。     

基于机器学习构建强直性脊柱炎患者使用生物制剂不依从性临床预测模型

目的 开发强直性脊柱炎(AS)生物制剂使用不依从性临床预测模型。方法 收集2020年1月至2022年10月门诊及住院确诊AS患者共201例(共收集病例220例,脱落19例),以6个月后治疗覆盖时间比例作为不依从性判定标准。基于LASSO回归及支持向量机筛选特征变量因子并取交集。使用多变量logistic回归分析构建不依从性临床预测模型。通过C指数、受试者工作特征(ROC)曲线、校准图和临床决策曲线评估预测模型的预测能力及临床实用性。通过Adaboost算法及Lightgbm算法对构建的二分类模型进行验证,绘制ROC曲线及PR曲线验证模型预测能力。通过内部抽样构建验证集并使用C指数、校正曲线、ROC曲线进行验证。结果 研究显示AS生物制剂使用不依从性为46.8%。机器学习结果取交集得到教育水平、月收入、焦虑程度、药物使用频次、疾病活动度、年龄6个特征变量作为构建预测模型的因子。该模型C指数为0.739,ROC曲线下面积为0.715。决策曲线分析表明该模型可以使约90%的患者受益。Adaboost算法显示ROC曲线下面积为0.643,PR曲线下面积为0.634;Lightgbm算法显示RO...     

机器学习在静脉血栓栓塞疾病中的研究进展

<正>近年来人工智能(artificial intelligence, AI)在生物医学研究和医疗保健领域中的应用逐渐兴起^[1-2],在疾病的预测、诊断与治疗方面取得了进步^[3]。AI在健康领域的应用大致可分为四个大类,包括专家系统、机器学习、自然语言和信号处理,机器学习算法是数据挖掘领域的主要方法^[4]。1 机器学习的典型应用静脉血栓栓塞(venous thromboembolism, VTE)是全球三大常见血管源性疾病之一,     

基于生成对抗网络的乳腺癌组织病理图像样本均衡化

针对乳腺癌组织病理图像中各类样本的不均衡性,本研究构建了基于条件控制和深度卷积的两种乳腺癌组织病理图像样本生成对抗网络并生成人造样本,以实现样本均衡化。实验验证了两种网络用于数据均衡化的可靠性,发现在处理不均衡数据时基于深度卷积的生成对抗网络效果更好,基于条件控制的生成对抗网络鲁棒性更强;分析了增加人造样本对深度学习算法的影响。结果表明,本研究提出的数据均衡化方法将训练所得网络的分类准确率平均提升了近5%,生成对抗网络可以缓解深度学习在医学领域的应用中数据分布不平衡的问题。     

基于机器学习探索数字划消测验用于学习障碍快速筛查的研究

目的 基于机器学习探索数字划消测验用于学习障碍(LD)快速筛查的可行性研究，为探索LD的快速筛查提供新的研究思路和工具。方法 利用数字划消测验，2020年9月—2021年3月对南京市区随机选取的414名7～12岁儿童进行调查，首先获得数字划消测验的18个观察指标；将这些观察指标作为特征，探索利用7种经典的机器学习算法(包括线性判别分析、朴素贝叶斯、K近邻、神经网络、支持向量机、决策树和随机森林),实现对学习障碍3种亚型的分类；比较不同机器学习算法的分类性能，以从中选出推荐算法。结果 在7种经典的机器学习算法中，随机森林的优势突出，其准确率和曲线下面积(AUC)值分别达0.83和0.92。结论 借助随机森林算法，利用数字划消测验(只需2min就可完成)可以实现对学习障碍的快速筛查，进一步证实机器学习应用于疾病预测的可行性。