基于卷积神经网络的脑年龄预测模型研究综述

介绍了基于卷积神经网络(convolutional neural network,CNN)的脑年龄预测模型在二维切片、三维图像块和三维全脑图像3个方面的一些典型研究成果.分析了脑年龄预测在数据集和模型方面存在的不足,并提出了未来的发展方向.指出了基于CNN的脑年龄预测模型有望应用于神经退行性疾病的个性化诊断和治疗,具有...     

基于随机森林算法的中国女性尿失禁发病危险因素研究

目的:应用机器学习中的随机森林算法探讨中国女性尿失禁（UI）发病的危险因素,并评价各危险因素对于UI发病的预测效果。方法:采用多阶段分层整群抽样,在全国调查55 477例成年女性UI情况;基线调查于2014年2月至2016年1月完成,2018年6月至12月电话随访;最终纳入基线无UI且随访UI诊断指标数据完整的对象。采...     

基于手机视频的帕金森病患者冻结步态的自动识别

目的通过手机拍摄PD伴冻结步态(FOG)患者的步态视频, 构建基于手机视频的PD伴FOG患者的自动识别系统。方法选择广州市第一人民医院神经内科自2020年12月至2021年5月收治的49例PD伴FOG患者, 收集患者的临床资料, 使用手机拍摄患者"3 m往返"和"3 m往返通过窄道(长0.6 m)的过程, 获得87个有效视频, 标注每个视频的转身阶段、直行阶段及其中的FOG事件。提取视频中关键点的位置信号, 对信号预处理后提取特征数据, 由特征数据分别建立动作识别模型、直行FOG识别模型和转身FOG识别模型, 最后组成端到端的FOG识别模型。采用留一法(LOSO)评估上述模型的性能。结果 87个有效视频中25 881个窗口样本, 其中22 066个非FOG窗口样本, 3815个FOG窗口样本。LOSO法评估结果显示, 动作识别模型的灵敏度为83.27%, 特异度为91.38%, 准确度为89.28%。直行FOG识别模型的灵敏度为57.69%, 特异度为88.12%。转身FOG识别模型的灵敏度为61.54%, 特异度为98.72%。端到端的FOG识别模型的灵敏度和特异度分别为85.71%...     

人工智能在前列腺癌诊疗中的应用

人工智能（artificial intelligence,AI）是研究怎样在机器上模拟、扩展人的认知功能,包括学习、分析及对应问题做出类似甚至超越人类智能反应的一门学科。近年来,人工智能技术已经在医疗影像、疾病诊断和预测、虚拟助手、病理学、医院管理等方面有了初步应用。机器学习和深度学习作为医学人工智能的核心技术,其发展推动了人工智能在医学领域的研究。本文就人工智能在前列腺癌诊疗中的应用现状及前景进行了探讨。     

人工智能在近视防控与治疗中的应用进展

近视是危害儿童青少年视力最常见的眼部疾病,高度近视对视功能造成极大的威胁.近年来,我国近视发病率逐年升高,对近视筛查与防控的需求也不断增加,随着人工智能理论与技术的不断发展与成熟,可以辅助眼科医生进行近视筛查、诊断与治疗.本文将简要介绍人工智能在近视的筛查、预测、检测、病理性近视以及角膜屈光手术中的应用,浅谈了目前人工...     

基于机器学习的慢性高原缺氧人群脑电信息识别研究

<正>机体脑组织对氧气的供应非常敏感,高原空气稀薄,氧分压低,长期生活在高原环境下,人们时常受到慢性高原缺氧的影响。Yan等人的神经影像学研究表明^[1,2],长期高海拔暴露可导致与冲突控制相关的大脑区域：顶叶、前额叶皮层(prefrontal cortex,PFC)和前扣带回皮层(anterior cingulate cortex,ACC)产生变化。     

人工智能在小儿眼科的研究进展

近年来人工智能在眼科领域的应用取得了很多突破性的研究成果和应用进展,但目前大部分研究聚焦于成年人眼科疾病,针对小儿眼科疾病取得的进展相对较少.本文对小儿眼科人工智能的特殊性、研究现状和在小儿眼科的挑战与对策等方面综述,拟为小儿眼科人工智能的研究提供新思路.     

机器学习在骨科诊疗中的应用进展

近年来,人工智能相关技术与医学领域的深度融合使得医工交叉成为热点。骨科疾病诊疗存在数据量大和决策困难等问题。机器学习作为人工智能领域的重要方法,具有对医学大数据自动分析和预测的能力,被广泛应用于骨科等临床学科领域,辅助医生高效地完成疾病诊断和治疗工作。介绍了机器学习在骨科术前、术中和术后诊疗中的应用进展,为探索更加合理的诊治策略提供新的思路。     

基于超声影像组学鉴别小儿肝移植后淋巴组织增生性疾病与淋巴结反应性增生

目的 基于超声影像组学特征,建立机器学习模型鉴别小儿肝移植后淋巴组织增生性疾病(PTLD)与淋巴结反应性增生。方法 回顾性分析小儿肝移植后经病理证实的112例PTLD及93例淋巴结反应性增生患者颈部增大淋巴结的二维超声图像。提取影像组学特征构建随机森林、支持向量机、决策树及逻辑回归模型。比较常规超声与4种模型的诊断效能。结果 每个淋巴结共提取118个影像组学特征,筛选7个最优特征建立4种机器学习模型。其中随机森林模型的诊断效能最好,优于常规超声[受试者操作特征(ROC)曲线下面积：0.816 vs 0.613,Z=5.991,P<0.05],模型的灵敏度、特异度及准确度分别为95.7%、68.6%及86.0%。结论 基于超声影像组学的随机森林模型对小儿肝移植后PTLD与淋巴结反应性增生有较好的鉴别诊断价值。