肠鸣音可以反映胃肠道的运动和健康状况,然而,传统的人工听诊方式存在主观性偏差且耗时耗力.为了更好地辅助医生对肠鸣音的诊断,提高肠鸣音检测的可靠性和高效性,该研究提出了一种结合残差神经网络(ResNet)、双向长短期记忆网络(BiLSTM)和注意力机制的深度神经网络模型.首先使用自主研发的多通道肠鸣音采集系统采集了大量带标签的临床数据,采用多尺度小波分解和重构方法对肠鸣音信号进行预处理,然后提取对数梅尔谱图特征送入网络进行训练,最后通过10折交叉验证和消融实验来评估模型的性能和验证其有效性.实验结果表明,该模型在精确率、召回率和F1分数方面分别达到了83%、76%和79%,能够有效地检测出肠鸣音片段并定位其起止时间,表现优于以往的算法.该算法不仅可以为医生在临床实践中提供辅助信息,还为肠鸣音的进一步分析和研究提供了技术支撑.

目的:探讨基于CT检查影像组学在术前鉴别诊断胰腺浆液性囊腺瘤（SCA）和黏液性囊腺瘤（MCA）中的临床价值。方法:采用回顾性病例对照研究方法。收集2012年1月至2019年12月浙江大学医学院附属第一医院收治的154例胰腺囊性肿瘤病人的临床病理和影像资料；男24例，女130例；年龄为（50±13）岁。154例病人中，99例为SCA，55例为MCA。154例病人术前均行胰腺CT平扫联合增强扫描检查。收集所有病人临床特征、影像特征、影像组学特征，构建临床特征模型、影像特征模型、影像组学模型和融合模型。绘制各个模型的受试者工作特征（ROC）曲线，并以曲线下面积（AUC）、准确度、灵敏度、特异度、阳性预测值和阴性预测值等指标评价构建模型。基于最优模型，构建列线图。观察指标：（1）临床特征模型建立及验证。（2）影像特征模型建立及验证。（3）影像组学模型建立及验证。（4）融合模型建立及验证。（5）融合模型的列线图。正态分布的计量资料以 x± s表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数和（或）百分比表示，组间比较采用 χ2检验和Fisher确切概率法。 结果:（1）临床特征模型建立及验证：通过多元逻辑线性回归分析，筛选出年龄、临床症状、术前血清CA19-9 3个临床特征用于构建临床特征模型，多元逻辑线性回归结果以公式①表示：临床模型得分=0.635-0.007×年龄+0.054×临床症状+0.108×术前血清CA19-9。绘制临床特征模型测试集ROC曲线。临床特征模型训练集和测试集的AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.611（95%可信区间为0.488~0.734， P<0.05）和0.771（95%可信区间为0.624~0.919， P<0.05）、56.6%和77.8%、66.7%和63.1%、56.3%和88.5%、41.5%和80.1%、78.4%和76.7%。（2）影像特征模型建立及验证：通过多元逻辑线性回归分析，筛选出肿瘤位置、肿瘤数目、肿瘤横断面最大径、肿瘤分叶、肿瘤多囊（≥6个）5个影像特征用于构建影像特征模型，多元逻辑线性回归结果以公式②表示：影像特征模型得分=-0.034+0.300×肿瘤位置+0.202×肿瘤数目+0.014×肿瘤横断面最大径-0.251×肿瘤分叶-0.170×肿瘤多囊（≥6个）。绘制影像特征模型测试集ROC曲线。影像特征模型训练集和测试集的AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.862（95%可信区间为0.791~0.932， P<0.05）和0.853（95%可信区为0.713~0.994， P<0.05）、78.8%和88.9%、81.8%和89.4%、77.5%和88.5%、62.8%和85.0%、90.2%和92.0%。（3）影像组学模型建立及验证：本研究在154例胰腺囊性肿瘤病人中共提取4类1 067个影像组学特征，其中一阶直方图统计特征7个、纹理特征53个、小波特征848个、局部二值模式特征159个。在组内相关系数>0.9的条件下，共保留896个稳定性较好的影像组学特征用于构建模型。经过方差阈值与相关系数阈值筛选后，保留350个影像组学特征。为获得深层次的影像组学特征，在原特征基础上构建50个合成影像组学特征，总特征数为400个。采用五折递归特征消除后，最终筛选出22个影像组学特征，包括13个小波特征，7个合成影像组学特征和2个局部二值模式特征。采用支持向量机算法构建影像组学模型，模型惩罚系数“C”=35.938，模型参数“γ”=0.077，核函数为“径向基函数核”。绘制影像组学模型五折交叉验证的ROC曲线。影像组学模型的平均AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.870（ P<0.05）、83.1%、81.8%、83.8%、73.8%、89.2%。（4）融合模型建立及验证：选取影像特征的肿瘤位置、肿瘤分叶和影像组学得分构建融合模型。融合模型的多元逻辑线性回归结果以公式③表示：融合模型得分=-0.154+0.218×肿瘤位置-0.223×肿瘤分叶+0.621×影像组学得分。绘制融合模型测试集ROC曲线。融合模型训练集和测试集的AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.893（95%可信区间为0.828~0.958， P<0.05）和0.966（95%可信区间为0.921~0.999， P<0.05）、83.7%和91.1%、81.8%和84.2%、84.5%和96.2%、71.1%和94.1%、90.9%和89.3%。（5）融合模型的列线图：绘制融合模型的列线图，模型约登指数为0.416。 结论:基于术前CT检查影像组学标签和影像特征的预测模型可鉴别诊断胰腺SCA和MCA。

为及时准确地检测恶性室性心律失常,本研究提出了一种结合心电多尺度分析与递归量化分析(recurrence quantifi-cation analysis,RQA)的方法.首先,通过固定频率经验小波变换滤波器组将心电信号(electrocardiogram,ECG)分解为两个子信号(0.5～10 Hz、10～30 Hz),并分别映射为递归图;然后基于 0.5～10 Hz频段子信号与原信号构建交叉递归图,从三张递归图中提取RQA特征;最后将特征输入XGBoost分类器进行特征排序与筛选,实现ECG的准确分类.本研究使用MIT-BIT恶性室性心律失常数据库和Creighton大学室性快速性心律失常数据库进行实验.在 10 折交叉验证下,该方法对 5s心电的恶性室性心律失常检测的灵敏度、特异性、准确率分别为 97.40％、99.01％和 98.69％.本研究方法在检测恶性室性心律失常方面具有一定的可靠性.

气候变化对海洋生态系统产生多方面的影响,作为海洋生物中的主体,鱼类对气候变化的响应机制研究是探索典型气候事件对海洋生态系统影响的关键.根据2013-2022年浙江近海底拖网渔业资源调查数据,结合尼诺指数(Ocean Nino Index,ONI)、海表温度(Sea Surface Temperature,SST)、海表温度距平(Sea Surface Temperature Anomaly,SSTA)、叶绿素 a 浓度(Chlorophyll a,Chl-a)等海洋环境数据,采用小波函数、相关性分析等探究典型气候事件厄尔尼诺、拉尼娜对浙江近海底层鱼类生物量及其时空分布的影响.结果表明,浙江近海底层鱼类生物量与SST及Chl-a呈极显著正相关(P＜0.01).厄尔尼诺与拉尼娜发生时期春、秋季生物量均小于正常年份,正常年份及拉尼娜事件期间春季生物量具有显著性差异(P＜0.05);正常年份及厄尔尼诺事件期间秋季生物量具有极显著性差异(P＜0.01).对ONI与海洋环境因子指数进行交叉小波发现,浙江近海SST、Chl-a对于典型气候事件均存在不同的频域同步及相关性:ONI与SST在时间局部存在2-3.9个月频域同步,SST滞后ONI3个月;ONI与Chl-a存在1.7-3个月频域同步,Chl-a与ONI呈正相关;ONI与生物量存在3-3.6个月频域同步,生物量滞后于ONI3个月;ONI与SSTA在研究期间不存在明显的频域同步.春季,相较于正常年份,厄尔尼诺期间鱼类整体分布偏北;秋季厄尔尼诺发生期间鱼类整体向南移动,拉尼娜期间则向北移动.厄尔尼诺及拉尼娜事件不仅对鱼类群落在纬度上的分布产生影响,还会对鱼类向近岸洄游的快慢产生影响.两种典型气候事件通过影响浙江近海SST等环境进而对浙江近海底层鱼类时空分布产生影响.

目的 探究基于机器学习组合模型的影像组学在预测肿块型乳腺癌新辅助化疗(neoadjuvant chemotherapy,NAC)疗效中的价值.材料与方法 回顾性分析2018年1月到2021年10月中国人民解放军总医院第五医学中心的97例接受NAC治疗且经组织病理学证实的肿块型乳腺癌患者的临床和影像资料.基于实体瘤疗效评定标准(Response Evaluation Criteria in Solid Tumors,RECIST),将患者分为有效组和无效组,基于治疗前的动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)减影第一期图像上提取的影像组学特征,引入高通或低通小波滤波器和不同参数的拉普拉斯-高斯滤波器对原始MR图像进行预处理.采用基于单变量分析和多变量分析的特征选择方法进行特征筛选,单变量分析包括F检验、卡方检验和互信息;多变量分析采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO);采用支持向量机(support vector machine,SVM)、随机森林(random forest,RM)、logistic回归分析(logistic regression,LR)三种机器学习分类器进行建模,通过交叉组合,共有12种特征筛选器和分类器的组合方案,训练时采用十次重复的五折交叉验证.使用曲线下面积(area under the curve,AUC)、敏感度、特异度、准确率,阳性预测值和阴性预测值评估模型的预测能力.结果 在所有交叉组合的方案中,最佳的特征筛选器是单变量分析中的F检验方法,最佳的分类器是SVM模型,该组合共筛选出191个影像组学特征,AUC为0.83[95%置信区间(confidence interval,CI):0.80～0.86],准确率为 77%(95%CI:74%～80%),特异度为 81%(95%CI:78%～84%),敏感度为71%(95%CI:65%～77%),阳性预测值为67%(95%CI:62%～72%),阴性预测值为85%(95%CI:83%～87%).结论 基于F检验方法和SVM的机器学习组合模型证实了影像组学在预测肿块型乳腺癌NAC疗效中有一定的价值.

目的 探讨不同机器学习的影像组学模型预测胆固醇性胆囊息肉和腺瘤性胆囊息肉的价值.方法 回顾性分析2015年9月至2022年9月我院100例经手术病理证实的胆固醇性息肉和腺瘤性息肉患者的临床及影像资料.基于术前增强CT提取的影像组学特征,训练集采用T检验和最小绝对收缩和选择算子交叉验证法进行特征筛选.然后用3种机器学习方法(人工神经网络、逻辑回归和支持向量机)构建预测模型,利用ROC曲线下面积、准确率以及F1度量值评估3种模型的预测能力,并通过验证集进行验证.结果 人工神经网络算法在基于10个影像组学特征的息肉病变性质鉴别模型中预测效果最好,具有最高的曲线下面积(训练集为1;验证集为0.81)、准确率(训练集为1;验证集为0.83)及F1度量值(训练集为1;验证集为0.76).10个影像组学特征中,基本特征1个、小波特征9个.结论 基于增强CT的机器学习影像组学模型有助于预测胆固醇性胆囊息肉和腺瘤性胆囊息肉的病变性质,为两者的定性诊断及治疗方式的选择提供依据.

目的:探讨基于动态增强MRI(dynamic contrast enhanced magnetic resonance imaging,DCE-MRI)的影像组学在预测乳腺癌Luminal型和非Luminal型中的价值.方法:回顾性分析行乳腺DCE-MRI扫描,并经手术病理证实为乳腺癌的42例患者,采用手动分割法在DCE-MRI强化最明显的图像上逐层勾画病灶提取影像组学特征,用最小绝对收缩算子(least absolute shrinkage and selection operator,LASSO)筛选最优影像特征,根据雌激素受体(estrogen receptor,ER)和孕激素受体(progesterone receptor,PR)的表达情况将所有病例分为Luminal型和非Luminal型,构建基于逻辑回归(logistic regression,LR)、随机森林(Random forest,RF)、K近邻(K nearest neighbor,KNN)和支持向量机(support vector machine,SVM)的分类器,并用5折交叉验证法对预测性能进行验证.结果:最终选出4个最优特征值,包括1个形状特征和3个小波特征,其中Original_Shape_Maximum 2D Diameter Row、Wavelet-LLH_GLCM_Idn和Wavelet-HHH_GLCM_Correlation三个特征值与ER和PR的表达情况均具有显著相关性,基于RF的分类器预测乳腺癌Luminal型和非Luminal型的性能最佳,其敏感度、特异度、准确度及曲线下面积(area under curve,AUC)分别为0.838、0.900、0.853和0.876.结论:基于DCE-MRI的影像组学在预测乳腺癌Luminal型和非Luminal型中具有较好的应用价值,基于RF的分类器的预测性能最佳.

探讨CT影像组学定量特征在预测肺腺癌间变性淋巴瘤激酶(ALK)融合基因表达中的价值.方法 回顾性分析2015年11月至2018年5月北京协和医院有ALK基因检测结果且术前接受本院胸部CT检查的195例肺腺癌患者(其中ALK突变患者60例).使用肺结节自动检测分割算法在CT图像上标注病变的三维容积感兴趣区(VOI).利用PyRadiomics工具对所有VOI区域进行重采样、图像预处理(包括基于小波和拉普拉斯滤波器的预处理方法)和特征提取.在Dr.Wise科研平台上对已提取的特征进行标准化处理,并分别基于不同图像预处理方式及不同特征类型筛选关键特征,用多因素logistic回归建模和10次5折交叉验证法进行验证.采用ROC评价模型对ALK基因突变的预测能力,并使用DeLong比较不同模型的效能.结果 每个病灶共提取1 232个影像组学特征.在特征筛选后共纳入15个组学特征建模,在训练集和验证集中模型预测ALK基因突变的AUC分别是0.88和0.78.分别基于原始CT图像、小波处理后图像和拉普拉斯高斯滤波器处理后图像的组学特征建模时,在验证集中模型的AUC分别为0.76、0.75和0.76.这3组模型与全部特征联合建模模型的效能相比差异均无统计学意义(P>0.05).以不同类型的组学特征建模,一阶特征和灰度共生矩阵(GLCM)纹理特征预测ALK基因突变能力较好,其中GLCM特征模型最优,在验证集中的AUC为0.83,准确率、敏感度和特异度分别为0.74、0.85和0.69;一阶特征模型在验证集中的AUC为0.80.结论 CT影像组学定量特征在预测肺腺癌ALK融合基因表达中有较大的应用价值.

目的 初步探讨多模态MRI影像组学随机森林模型对术前大脑胶质瘤IDH1基因表达类型的预测效能.方法 回顾性分析2015年5月至2019年1月经宁波市第一医院手术病理证实的108例大脑胶质瘤患者的MRI影像资料,包括T1WI、T2WI、液体衰减反转恢复(FLAIR)序列、DWI序列及T1WI增强序列.其中IDH1突变型47例,IDH1野生型61例,按随机森林模型7∶3比例分割要求,分为训练组(73例)与验证组(35例),应用R语言统计软件分别对IDH1突变型和IDH1野生型两组患者一般临床资料和常规MRI形态特征参数进行统计分析,采用单因素分析结合多因素逻辑回归分析法筛选(P<0.05)IDH1突变型独立预测因子,用于构建常规MRI形态特征随机森林诊断模型.应用MaZda影像组学软件于5个序列肿瘤瘤体最大层面上手动勾画ROI,提取包括内有关灰度共生矩阵(GLCM)、游程检验(RUN)、绝对梯度(GRA)、自回归模型(ARM)及小波变换(WAV)影像组学特征,使用最小绝对收缩和选择算法(LASSO)与10折交叉验证进行影像组学特征降维,最后将筛选后的影像组学标签结合常规形态特征独立预测因子共同构建多模态MRI影像组学随机森林诊断模型,并使用验证数据集分别评估两个模型预测的准确率和诊断效能,绘制ROC曲线动态评估两个模型预测的敏感和特异度,并使用ROC曲线下面积(AUC)统计指标量化两模型的预测效能,利用不同结局下模型分类错误率以及随机森林袋外数据(OOB)分类错误率评估随机森林模型的稳定性.结果 常规MRI形态学特征单因素分析及多因素回归分析法结果显示瘤周水肿、囊变、增强3个变量是鉴别IDH1表达类型的独立预测因子(P<0.05);LASSO算法与10折交叉验证进行影像组学特征降维筛选后剩余特征纹理参数6个:T2WI序列的小波变换高频系数(WavEnHH_s?4),T1增强序列的WavEnHH_s?4、熵值[S(5,0)Entropy]、灰度均匀性度量逆差距[S(4,4)InvDfMom],FLAIR序列的熵差[S(1,?1)DifEntrp]、灰度均匀性度量逆差距[S(1,1)InvDfMom].多模态MRI影像组学诊断模型不同结局分类的错误率及随机森林袋外数据分类错误率最终稳定在10%.特征性变量重要性评价图准确率降低指数和基尼指数结果一致,显示除水肿、增强、囊变3大常规MRI形态特征对模型有重要作用外,影像组学标签变量也起到了关键性作用.验证数据集对诊断模型分别进行效能评估,ROC曲线结果显示常规MRI形态特征诊断模型准确率为82.7%、特异度为68.4%、敏感度为90.9%、AUC为0.835,多模态影像组学模型诊断准确率为88.5%,特异度为89.5%,敏感度为87.8%,AUC提高至0.956.结论 结合多模态MRI影像组学标签的诊断模型更能从定量角度提高术前大脑胶质瘤IDH1基因表达类型的预测效能.

人体运动控制系统具有高度的非线性特性,通过量化评价表面肌电(sEMG)信号间的非线性耦合强度,可以得到运动相关肌肉的功能状态,进而探究人体运动控制的机制.本文将小波包分解和n:m相干性分析相结合,构建基于小波包—n∶m相干性的肌间交叉频率耦合分析模型,探究肌电信号间的非线性耦合关系.在维持30％最大自主收缩力(MVC)的肘部屈伸状态下,采集20名健康成年人的sEMG信号,首先基于小波包分解获取子带分量,然后将子带信号进行n∶m相干性计算,分析肌间耦合特征.结果 表明:30％MVC的肘部屈曲运动下,协同肌对和拮抗肌对的线性耦合(频率比为1∶1时)强度高于非线性耦合(频率比为1∶2、2∶1和1∶3、3∶1时);对于肌间非线性耦合,随着频率比的增大,耦合强度随之降低,且频率比为n∶m和m∶n之间没有明显的耦合强度差异;beta和gamma频段内的肌间耦合主要体现在协同肌对之间的线性耦合(1∶1)和低频率比的非线性耦合(1∶2、2∶1)以及拮抗肌对之间的线性耦合上.以上说明:小波包—n∶m相干性方法可以定性、定量地描述肌间非线性耦合强度,为深入揭示人体运动控制机制和运动功能障碍患者的康复评价提供理论参考.