新型冠状病毒肺炎(corona virus disease 2019,COVID-19)具有高传染性,严重威胁人民群众的生命安全,快速筛查可以实现快速治疗、防止肺炎进展.目前COVID-19检测诊断方法的金标准为逆转录聚合酶链式反应(reverse transcription-polymerase chain reaction,RT-PCR),但是由于核酸检测存在耗时且假阴性率偏高的问题,而影像医生对医学图像的诊断存在主观性且工作量巨大,因此借助人工智能(artificial intelligence,AI)技术对实现COVID-19的快速诊断至关重要.随着AI在医学领域的成功应用,深度学习技术成为辅助诊断新型冠状病毒肺炎的有效方法.近年来许多学者使用深度学习技术来构建对医学图像进行智能诊断的模型,本文的主要内容就是对这类模型进行总结和分析,介绍了分割肺部区域的模型、实现二分类或多分类的分类模型以及模型在临床上的应用.与此同时,在文章中分析了COVID-19患者的影像学特点,COVID-19患者多双肺受累,其中磨玻璃影是最常见的影像征象.对COVID-19研究的最新进展也进行了介绍,主要是关于提高AI模型准确性的开发和"长新冠"综合征的相关研究.因此,在新型冠状病毒肺炎常态化管理下,模型准确性的提高可以借助数据集的扩大或模型结构轻量化等方面实现;"长新冠"综合征作为一个新的研究领域,学者可以在临床症状、预后随访和结合深度学习技术等方面进行进一步的研究.

目的:分析石河子市慢性病患者共病现状及影响因素,为县域医疗卫生共同体资源的合理配置和慢性病共病的精准防治提供数据支撑.方法:于 2022 年 8 月采用分层整群抽样方法筛选 50996 例慢性病患者作为研究对象,组间比较采用卡方检验、使用分层模型对慢性病患者共病现状的影响因素进行二分类logistic回归分析、采用网络分析法对共病模式的复杂性进行可视化分析.结果:慢性病患者中,共病患者13801 例(27.1%),女性慢性病患者的共病风险高于男性(OR=1.081,P<0.001);随着年龄的增长,共病风险增加(OR=1.026,P<0.001);病程增加,共病风险降低(OR=0.936,P<0.001);农村慢性病患者的共病风险低于城市(OR=0.891,P<0.001);交互作用发现,随病程的延长,农村慢性病患者的共病风险高于城市(OR=1.124,P<0.001).慢性病患者共病网络中,高血压节点加权度最高,对患其他慢性病的影响力最大;农村慢性病患者共病网络边数多于城市,网络直径小于城市.结论:石河子市慢性病患者共病现状较为严重,年龄、性别和病程是慢性病共病的重要危险因素,农村慢性病患者的共病风险随病程增加而高于城市,共病网络更加复杂.县域医疗卫生共同体内需优化各层级医疗卫生机构的资源结构并进行合理配置,以改善日益严峻的慢性病患者共病的防控形势.

目的:探究腹腔镜经腹腹膜前疝修补术(TAPP)后发生血清肿的影响因素。方法:采用回顾性队列研究的方法分析2019年12月—2022年12月于阜阳市第五人民医院行TAPP的320例腹股沟疝患者的临床资料，其中，男性226例，女性94例，年龄(61.46±10.22)岁，年龄范围23~76岁。根据患者术后是否发生血清肿分为血清肿组( n＝18)和未发生组( n＝302)。采用多因素Logistic回归分析筛选TAPP后发生血清肿的影响因素，并基于Softmax策略以二分类变量生存0(结局事件未发生)和1(结局事件发生)作为结果变量构建人工神经网络模型，采用受试工作者特征(ROC)曲线和累积增益图分析模型区分度和应用价值。正态分布的计量资料以均数±标准差( ± s)表示，组间比较采用独立样本 t检验；计数资料组间比较采用 χ2检验。 结果:320例患者术后血清肿发生率为5.63%(18/320)，其中Ⅰ型7例，Ⅱ型4例，Ⅲ型7例，经对症治疗后均已好转。多因素分析显示，合并基础疾病、服用抗凝血药物、病程、手术时间、术中出血量、疝囊直径、补片固定方式、中性粒细胞与淋巴细胞比值(NLR)是腹股沟疝患者TAPP无张力修补术后血清肿的影响因素( OR＝1.732、2.414、2.346、1.480、2.159、1.725、1.248、2.179；95% CI：1.385~2.942、1.764~3.176、1.280~3.209、1.263~2.275、1.331~2.861、1.308~2.239、1.005~1.764、1.644~2.982； P<0.05)。ROC曲线和累积增益图表明所构建的人工神经网络模型可较好地预测患者术后血清肿发生的概率。 结论:腹股沟疝患者TAPP后血清肿的发生与合并基础疾病、服用抗凝血药物、病程、手术时间、术中出血量、疝囊直径、补片固定方式、NLR等多种因素有关，临床应重点关注这些问题，降低术后血清肿的发生率。

目的:探讨基于MobileNet的深度学习对床边胸部X线平片（胸片）分类诊断及提高工作效率的价值。方法:回顾性分析2017年1月至2022年12月在常州市第二人民医院接受床旁胸部X检查患者的胸片6 320张，正常组885张、肺炎组1 927张、胸腔积液组373张、肺炎合并胸腔积液组3 135张。选择其中350幅图像作为验证集，其剩余图像按照8∶2比例使用简单随机法分为训练集4 775张和测试集1 195张。采用两种轻量化卷积神经网络模型MobileNetV1和MobileNetV2构建床旁胸片分类模型，并基于此设计了两种微调策略，共生成了4个模型，分别是MobileNetV1_False（V1_False）、MobileNetV1_True（V1_True）、MobileNetV2_False（V2_False）、MobileNetV2_True（V2_True）。4个模型分别对所有胸片进行第一阶段和第二阶段分类，第一阶段建立二分类模型，即将所有胸片分为正常组和病变组，第二阶段建立四分类模型，即将所有胸片分为正常组、肺炎组、胸腔积液组和肺炎合并胸腔积液组。采用准确度（Ac）、精确度（Pr）、召回率（Rc）、F1评分（F1）和受试者操作特征曲线下面积（AUC）评估模型性能。结果:第一阶段和第二阶段，V1_True和V2_True模型在训练集和验证集中的Ac、Pr、Rc、F1均高于V1_False和V2_False模型；且V1_True模型的分类效果优于其他模型。验证集中V1_True模型在第一阶段和第二阶段的分类Ac［分别为95.71%（335/350）和93.43%（327/350）］，均高于放射科主治医师的分类Ac［第一阶段：90.29%（316/350）；第二阶段：87.14%（305/350）］。V1_True模型对验证集350张床边胸片的识别时间（平均17 s）明显少于放射科主治医师（平均300 min）。结论:V1_True模型是对床边胸片分类的最优MobileNet模型，其应用于临床可以帮助临床医师及时、准确地从床边胸片识别患者的肺部病变信息，亦有利于提高放射科的工作效率。

目的:采用深度迁移学习方法实现基于正位X线图像的股骨头坏死（osteonecrosis of femoral head，ONFH）、发育性髋关节发育不良（developmental dysplasia of hip，DDH）与其他常见髋关节疾病的鉴别诊断。方法:回顾性收集2018年1月至2020年12月在广州中医药大学第一附属医院就诊的ONFH、DDH及原发性髋关节骨关节炎、非感染性炎性髋关节病、股骨颈骨折等髋关节疾病患者的髋关节正位X线图像，建立临床数据集。通过图像旋转、翻转形式的数据增强方法扩展数据集，然后将数据集随机平分为训练集和测试集。将可迁移归一化技术引入ResNet-152深层神经网络模型，替换原有的批归一化技术，建立新的深度迁移学习模型。通过训练集训练该模型，随后评价该模型在测试集基于髋关节正位X线图像实现人工智能区分ONFH、DDH及其他髋关节疾病的效果。结果:临床数据集共纳入1 024髋的正位X线图像，共计542髋ONFH、296髋DDH、186髋其他髋关节疾病（原发性骨关节炎56髋、非感染性炎性髋关节病85髋、股骨颈骨折45髋）。通过数据增强方法扩展为包含6 144髋的数据集。在训练集上对深度迁移学习模型进行100 050次训练。该模型区分ONFH及其他髋关节疾病的二分类准确率最佳值达95.80%，区分ONFH、DDH及其他髋关节疾病的三分类准确率最佳值达91.40%。模型重复训练至50 000次后分类准确率达到平台期。二分类及三分类任务平台期的准确率平均为95.35%[95% CI（95.33%，95.37%）]和90.85%[95% CI（90.82%，90.87%）]。 结论:深度迁移学习模型在初诊环节，可基于简便、经济的正位X线图像区分ONFH、DDH与其他的常见髋关节疾病。

目的:探讨社会网络特征与糖尿病足的相关性。方法:横断面研究。收集2020年9月至2021年4月在南方医科大学南方医院内分泌代谢科住院的2型糖尿病（T2DM）患者连续入组，根据是否合并糖尿病足，分为对照组和糖尿病足组。采用面对面访谈的形式进行社会网络特征收集，包括患者的一般资料、社会网络的结构性特征、社会网络功能性特征，同时记录社会网络成员的年龄、职业及受教育程度等特征和社会隔离情况。按性别进行分层分析。采用二分类logistic回归分析评价社会网络特征对糖尿病足的相关性。结果:共纳入糖尿病足组患者57例，对照组患者62例。对于总体而言，Lubben社会网络量表得分更低（OR值=0.960）、网络成员平均年龄更低（OR值=0.918）发生糖尿病足的风险更高（均 P<0.05）；对于男性患者，Lubben社会网络量表得分越低（OR值=0.949）、家庭成员占比越高（OR值=1.024）、与不适相关的情感支持越高（OR值=1.739）发生糖尿病足的风险越高（均 P<0.05）；在女性患者中，家庭成员所占比例高（OR值=1.045）发生糖尿病足的风险越高（ P<0.05）。 结论:社会隔离和社会网络成员平均年龄、不适相关的情感支持与糖尿病足关系密切。社会网络成员中非家庭成员所占比例在糖尿病足的防治中可能发挥积极作用。

目的:分析济南和青岛市男男性行为人群（MSM）rush poppers使用情况及其相关因素。方法:于2016年3—6月，采用现场招募、网络招募等方式从济南和青岛市招募MSM，共901名，对其进行匿名问卷调查，并进行HIV、梅毒血清学检测。问卷内容包括一般状况、性行为状况、HIV相关服务情况等。采用多因素二分类非条件logistic回归模型分析MSM rush poppers使用情况。结果:调查对象年龄为（29.3±8.1）岁，rush poppers使用率为30.1%（271名），HIV感染率为4.6%（41例），梅毒感染率为8.7%（78例）。多因素分析结果显示，与年龄>25岁者相比，年龄≤25岁者使用rush poppers的 OR（95% CI）值为1.571（1.110~2.224）；与最近1周发生肛交性行为次数≤2次者相比，>2次者使用rush poppers的 OR（95% CI）值为2.991（1.100~8.132）；与最近1年未接受过同伴教育服务者相比，接受过同伴教育服务者使用rush poppers的 OR（95% CI）值为13.651（7.239~25.742）。 结论:rush poppers在济南和青岛市MSM中较为流行，年龄≤25岁者、近1周发生肛交性行为次数>2次者、接受过同伴教育服务者rush poppers使用率高，需要根据该特点开展有针对性的干预措施。

目的:调查新型冠状病毒肺炎疫情(简称疫情)防控期间大学生的心理状态及其应对方式，为大学生的心理干预提供参考。方法:采用问卷调查方法。2020年3至4月，通过方便抽样选取河北省4所高等院校的1 580名大学生为研究对象，采用突发公共事件心理问卷、简易应对方式问卷对其进行心理状态及应对方式调查，采用非参数检验、二分类logistic回归和多元线性回归进行数据分析。结果:在抑郁、神经衰落、恐惧、强迫-焦虑、疑病5个维度中，学生的恐惧评分最高[0.5(0.5)分]；网络不理想、不能按时上网课分别是大学生出现抑郁( OR＝2.23、4.27，95% CI：1.12~4.42、1.48~12.33)，神经衰弱( OR＝2.39、11.08，95% CI：1.21~4.71、1.45~11.65)，强迫-焦虑( OR＝4.11、6.92，95% CI ：1.12~4.42、1.91~24.99)可能的危险因素；作息不规律是大学生出现抑郁[ OR(95% CI )＝2.75(2.00~3.77)]、神经衰弱[ OR(95% CI )＝2.75(1.99~3.79)]、恐惧[ OR(95% CI)＝1.61(1.25~2.07)]可能的危险因素；长时间居家感到厌烦是大学生出现抑郁[ OR(95% CI )＝2.84(2.05~3.93)]、神经衰弱[ OR(95% CI )＝2.25(1.63~3.11)]、恐惧[ OR(95% CI )＝1.72(1.36~2.18)]、强迫-焦虑[ OR(95% CI)＝4.64(2.17~9.91)]、疑病[ OR(95% CI )＝2.13(1.29~3.53)]可能的危险因素；每天关注疫情1小时以上是大学生出现恐惧可能的危险因素[整日： OR(95% CI )＝5.15(1.74~9.92)，1~3小时： OR(95% CI )＝3.67(1.55~8.69)]；防疫志愿者身份是大学生出现强迫-焦虑[ OR(95% CI )＝4.31(1.54~12.10)]、疑病[ OR(95% CI )＝3.66(1.48~9.06)]可能的危险因素(均 P<0.05)。家在城市( b＝0.063， P＝0.018)、居家感到厌烦( b＝0.098， P<0.001)、作息不规律( b＝0.060， P＝0.019)者，医学生( b＝0.083， P＝0.003)，文科生( b＝0.091， P＝0.003)分别较家在农村、居家不厌烦、作息规律者、理科生的消极应对水平更高。 结论:疫情防控期间，大学生以恐惧心理为主。高等院校应重点关注那些不能按时上网课、作息不规律、长期居家感到厌烦、每天关注疫情1小时以上、为防疫志愿者的大学生的心理状态，关注居住在城市、长期居家感到厌烦、作息不规律的大学生、医学生、文科生的应对方式，有针对性地进行心理干预及培养大学生的积极应对方式、提升其解决问题的能力。

目的:建立基于机器学习算法的护理人员心理健康状况预测模型。方法:采用便利抽样法，应用一般资料调查表、症状自评量表（SCL-90）、应对方式问卷、社会支持评定量表和工作适应障碍量表于2020年2月对汕头市中心医院和汕头大学医学院附属肿瘤医院的护理人员进行调查。心理健康状况作为二分类变量处理，采用单因素和多因素Logistic回归分析筛选出候选预测因子。研究对象按照8∶2比例随机分为训练集和测试集。应用机器学习算法的Logistic回归、人工神经网络、C5.0决策树、贝叶斯网络和支持向量机建立护理人员心理健康状况预测模型，并对5个模型进行验证及对比分析，筛选出最高预测效能模型。结果:本研究共纳入415名护士，心理健康症状阳性检出率为20.48%。根据单因素和多因素Logistic回归分析筛选出的候选预测因子分别为工作适应障碍（ OR值为1.098，95% CI 1.028~1.174）、自责（ OR值为7.703，95% CI 2.014~29.468）、解决问题（ OR值为0.131，95% CI 0.025~0.686）、每月的夜班数（ OR值为0.204，95% CI 0.073~0.573）和支持利用度（ OR值为0.830，95% CI 0.701~0.984）。Logistic回归、人工神经网络、C5.0决策树、贝叶斯网络和支持向量机5种模型预测准确率分别为84.21%、85.53%、82.89%、78.95%、84.21%；受试者工作特征曲线下面积（AUC）分别为0.801、0.825、0.777、0.583、0.774。人工神经网络模型预测效能高于Logistic回归、C5.0决策树、贝叶斯网络和支持向量机模型（DeLong Test， P<0.05）。 结论:基于机器学习算法建立的护理人员心理健康状况预测模型有较高的预测价值，工作适应障碍、自责和解决问题应对方式、每月的夜班数、支持利用度为模型的预测因子，可将模型纳入护理人员心理健康状况筛查决策，以精准掌握其动态变化，早期识别心理健康异常高危人员，早期干预。

目的:探讨基于近红外自体荧光显像的卷积神经网络（CNN）自动识别甲状旁腺的应用价值。方法:回顾性分析2020年8月至2022年3月在首都医科大学附属北京同仁医院耳鼻咽喉头颈外科接受甲状腺乳头状癌手术的83例患者临床资料，收集其术中甲状旁腺自体荧光图像共725幅，同时收集其中10例患者术区的非甲状旁腺荧光显像视频，截取非甲状旁腺荧光图像共928幅。将甲状旁腺及非甲状旁腺的荧光图像直接作为深度学习的输入特征，构建用于自动识别甲状旁腺的ResNet 34、VGGNet 16及GoogleNet模型。通过准确率、特异度、灵敏度、精确率、受试者工作特征曲线下面积（AUC）评估不同模型识别甲状旁腺的能力。另外，采集2022年3至5月行甲状腺手术13例患者的甲状旁腺荧光图像30幅，非甲状旁腺荧光图像35幅，对表现最好的CNN模型进行前瞻性测试。结果:83例患者中，男25例，女58例，年龄（46.7±12.4）岁。在二分类（甲状旁腺、非甲状旁腺）中，ResNet 34模型在不同的CNN模型中表现最好，识别甲状旁腺的准确率、特异度、灵敏度及精确率分别为97.6%、96.3%、99.3%及95.5%，AUC达到0.978（95% CI：0.956~0.991）。前瞻性测试中ResNet 34模型预测准确率达到93.8%，AUC为0.938（95% CI：0.853~0.984）。 结论:基于近红外自体荧光显像的深度CNN在自动识别甲状旁腺中具有良好的应用价值，可用于辅助甲状腺癌手术中甲状旁腺的识别和保护。