专家引言：胆管癌是一种发生于肝内、外胆管上皮的原发性恶性肿瘤，具有高度的侵袭性和异质性，其中肝外胆管癌约占75%。近年来，胆管癌的发病率和死亡率逐渐增加，其高发地区主要位于东南亚；中国胆管癌的发病率大于6/10万，是全世界发病率最高的国家之一。胆管癌预后极差，在高发地区是继艾滋病和脑卒中之后死亡率最高的疾病之一。近年来，西南医科大学附属医院放射科舒健教授团队围绕肝外胆管癌的MRI开展了一系列研究，利用深度神经网络在MRI图像上对胆胰壶腹部及肝外胆管癌病灶进行了自动识别与分割，利用MRI的常规影像学特征、定量参数以及结合人工智能评估了肝外胆管癌的生物学行为并进行了生存分析的评估，为辅助肝外胆管癌的诊疗提供了影像学手段和依据。四川大学华西医院宋彬教授指出，2018年国家自然科学基金委员会确定了新时代资助导向，即“鼓励探索、突出原创；聚焦前沿、独辟蹊径；需求牵引、突破瓶颈；共性导向、交叉融合”。影像医学作为近年来医学发展最迅速的学科之一，影像科研工作充满机遇，但也面临挑战。舒健教授团队通过国家自然科学基金的资助，针对胆管癌这一相对高发、预后差的有需求牵引的疾病，通过临床、影像的内容进行了系列研究，就如何有效地进行治疗前评估、改善预后、提高生存质量和生存时间等重要研究方向进行逐一探索并突破瓶颈，所做的研究符合国家自然科学基金委所提出的要求，特别是建立了较好的有学科交叉特点的医工团队，科研产出硕果累累。上述主要研究结果表明舒健教授团队将影像学新技术应用于肝外胆管癌的自动检测、术前评估及临床预后预测等方面，为肝外胆管癌的临床决策提供了快速、无创、便捷和个性化的预测方法。期待该团队未来在肝外胆管癌这一疑难疾病能有更多、更好的研究，最终实现肝外胆管癌患者的生存获益。

目的:提出一种新型脉冲神经元模型及其网络，描述其建模方法，并用计算机模拟验证其性能。方法:在充分考虑生物学适应性（激活电位阈值和不应期开关），及其对尖峰放电脉冲产生及其传导的动态调节机制基础上，在新型脉冲神经元模型中引入了突出后电位多通道滤波器，实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方（LMS）的误差反向传播（BP）学习算法，并将其应用于尖峰放电神经网络的调节。结果:在自发噪声下，新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接，可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征，能够形成复杂的周期尖峰放电模式。对于输入噪声控制，该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论:所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡，这与生物神经元极其相似，能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器，能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。

目的:利用反向传播神经网络（BPNN）算法，建立一种可以识别血糖项目随机误差的实时质控新方法并评价模型效能。方法:通过北京朝阳医院实验室信息系统导出2019年1月至2020年7月在西门子advia2400分析系统上报告的全部患者血糖信息，共计219 000条，作为本研究的无偏数据。人为引入6个偏差生成相应的有偏数据，每种偏差下用2种算法测试。进行计量学及临床评价。结果:BPNN步长设置为10，全部偏差下假阳性率均在0.1%以内；MovSD的最佳步长为150，拦截限为10%，全部偏差下假阳性率为0.38%，比BPNN高0.28%。MovSD在0.5与1误差因子下全部未检出，误差因子>1之后，可检出，但MNPed偏高；而BPNN在全部偏差下MNPed均低于MovSD，两者相差最高达91.67倍。计量学溯源过程生成460 000条参考数据，采用参考数据评定BPNN模型的不确定度仅为0.078%。结论:成功建立了基于BPNN算法识别检测过程随机误差的实时质控方法，模型准确度高，临床效能显著优于MovSD方法。

目的:构建一套内镜下识别幽门螺杆菌（ Helicobacter Pylori， HP）感染多重特征的人工智能辅助诊断系统，并评估其在真实临床病例中的表现。 方法:回顾性收集2020年1月—2021年3月在武汉大学人民医院消化内镜中心同时间段行 13C呼气试验和胃镜检查的1 033例受检者资料， 13C呼气试验阳性（定义为 HP感染）为病例组（485例）， 13C呼气试验阴性为对照组（548例）。将提示 HP阳性和 HP阴性的各类黏膜特征胃镜图像，以及以案例为单位的 HP阳性和 HP阴性病例胃镜图像以8∶1∶1的比例随机分配到训练集、验证集和测试集，基于卷积神经网络（convolutional neural network，CNN）和长短期记忆网络（long short-term memory network，LSTM）开发一套识别 HP感染的人工智能辅助诊断系统，其中，CNN可识别并提取每例患者内镜图像中的黏膜特征，生成特征向量，然后LSTM接收特征向量，综合判断 HP感染状态。以灵敏度、特异度、准确率和受试者工作特征曲线下面积评估系统的诊断性能。 结果:该系统对结节样改变、萎缩、肠上皮化生、黄斑瘤、弥漫性发红+点状发红、黏膜肿胀+皱襞肿大蛇形+黏液白浊和 HP阴性特征的诊断准确率分别为87.5%（14/16）、74.1%（83/112）、90.0%（45/50）、88.0%（22/25）、63.3%（38/60）、80.1%（238/297）和85.7%（36/42）。其综合判断患者 HP感染的灵敏度、特异度、准确率和受试者工作特征曲线下面积分别为89.6%（43/48）、61.8%（34/55）、74.8%（77/103）和0.757，其诊断准确率与内镜医师白光下诊断 HP感染的准确率相当（74.8%比72.1%， χ2=0.246， P=0.620）。 结论:本研究开发的系统在评估 HP感染方面具有较好的诊断性能，可用于辅助内镜医师判断 HP感染状态。

癫痫是一种严重的慢性神经系统疾病，可通过分析由脑神经元产生的脑电信号对其进行检测，因此脑电图成为诊断癫痫的关键工具。应用特异性方法对脑电信号进行处理和分析，在探索大脑工作机制和脑神经系统疾病的诊断方面具有重要意义。本文通过对脑电图信号的特征提取、特征分类等相关分析方法（如主成分分析、独立成分分析、小波变换、线性判别分析、支持向量机、人工神经网络和决策树等）进行总结，阐述了其在癫痫治疗中的应用，概括展示了近年来的研究进展。为癫痫发作的检测和分类以及未来的研究方向提供了一定的借鉴和参考。

目的:利用机器学习预测右向左分流(right-to-left shunt，RLS)人群隐源性卒中(cryptogenic stroke，CS)发病风险，为CS的准确和高效预测提供解决方案。方法:回顾分析2018年1月至2023年9月在青岛大学附属医院崂山院区神经内科治疗的经颅多普勒超声发泡试验(c-TCD)阳性的289例RLS人群的临床数据，包括人口统计学信息、疾病史、实验室检查指标、诊断和治疗等。使用机器学习train_test_split()函数将数据集随机分为训练集和测试集，比例为8∶2。采用Logistic回归、决策树、随机森林、极端梯度提升、人工神经网络、梯度提升、极限树和自适应增强等算法构建RLS人群CS风险预测模型，使用受试者工作特征曲线(receiver operating characteristic，ROC)及曲线下面积(area under curve，AUC)、混淆矩阵、精确率、召回率、准确率、F1值、校准曲线、决策曲线等综合评估模型性能。性能最优的模型使用特征重要性和SHAP值进行可解释性分析。使用SPSS 25.0进行 t检验、Mann-Whitney U检验和 χ2检验。采用Delong检验比较两模型间AUC的差异。 结果:289例RLS人群发生CS 166例(57.5%)，非CS 123例(42.5%)。统计分析结果显示，CS患者D-二聚体、平均血小板体积、纤维蛋白原等血液生化指标高于非CS患者(均 P<0.01)；训练集与测试集各变量均差异无统计学意义(均 P>0.05)。对测试集进行CS风险预测，随机森林模型取得了最高的AUC(0.885)、精确率(0.806)、召回率(0.879)、准确率(0.810)以及F1得分(0.841)。校准曲线显示随机森林模型最接近参考线，决策曲线表明随机森林模型具有更大的净受益。可解释性分析显示高风险因素包括平均血小板体积、D-二聚体、国际标准化比值、体质量指数以及年龄。 结论:基于随机森林的预测工具表现出色，在预测RLS人群CS风险方面准确性较高。

目的:探讨基于深度学习构建胆道闭锁(biliary atresia，BA)超声人工智能(artificial intelligence，AI)诊断模型的可行性。方法:前瞻性收集2018年9月至2020年10月湖南省儿童医院诊治的177例BA患儿(BA组)共计531张胆囊超声初始影像及195例非BA患儿(非BA组)共计585张胆囊超声初始影像，各组按2∶1分为训练集与测试集。使用训练集训练深度神经网络模型Mask R-CNN后，采用测试集分别以患儿和图像为单位对该模型进行测试，评价模型对胆囊的检测率及诊断准确率。另将测试集图像分别以患儿、图像为单位进行随机编号，分别邀请4名超声医师进行图片判读，计算诊断准确率。对模型诊断准确率与超声医师诊断准确率进行比较。结果:在胆囊器官的自动检测方面：模型在BA组与非BA组的检测率均达到100%，但在总计372张测试集图像中有17张出现虚警，虚警率4.57%(17/372)。在诊断方面：以患儿为单位时，模型在测试集中总的诊断准确率为95.97%，高于外院超声医师及本院中级职称超声医师(均 P<0.005)，略高于本院高级职称超声医师(91.94%)，但差异无统计学意义( P＝0.183)。以图片为单位时，模型在测试集中总的诊断准确率为97.04%，均高于外院超声医师及本院中级职称超声医师(均 P<0.001)，略高于本院高级职称超声医师(94.09%)，但差异无统计学意义( P＝0.05)。 结论:基于Mask R-CNN的AI模型可较准确地检测胆囊器官，对BA的诊断准确率较高，该模型切实可行，值得进一步研究。

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。

随着大数据时代的到来，人工智能得以在医疗领域崭露头角并实现了飞速发展，尤其在肿瘤诊断方面存在巨大潜能。人工智能利用自动化图像分割及提取等关键技术，在实现短时间内对大量肿瘤信息汇总分析的同时，还可以反映现实环境中成像数据的分布，使肿瘤诊断从主观感知转向客观科学，从而高效精确地协助医师的诊断，为诊疗计划的制订和预后的判断提供坚实的基础。笔者拟对人工智能在肿瘤诊断中的关键技术及当前的应用进行综述。

高速发展的计算机技术给日常生活及工作带来巨大变化。人工智能是计算机科学的一个分支，是让计算机去行使通常情况下具备智能生命才可能行使的活动，广义的人工智能涵盖机器学习和机器人等等，本文主要聚焦于机器学习与相关的医学领域，深度学习是机器学习中的人工神经网络，卷积神经网络（CNN）是深度神经网络的一种，是在深度神经网络基础上，进一步模仿大脑的视觉皮层构造和视觉活动原理而开发；目前在医疗大数据分析中应用的机器学习方式主要为CNN。在未来数年内，人工智能作为常规工具进入医学图像解读相关的科室是发展趋势。本文主要分享人工智能与生物医学的融合进展，并结合实际案例，重点介绍CNN在胃肠道疾病的病理诊断、影像学诊断及内镜诊断等方面的应用研究现状。