目的:基于深度学习及全脑T 1高分辨MRI建立脑龄预测模型，依此探讨肝硬化及肝性脑病（HE）患者大脑衰老趋势，并试图揭示肝硬化及HE加速大脑衰老的具体损伤区域。 方法:横断面研究。从来自全球的8个公开数据库中选取3 609名健康个体的全脑T 1高分辨MRI数据作为训练集搭建基于3D全卷积神经网络的脑龄预测模型。通过计算实际年龄和预测脑龄间平均绝对误差（MAE）和皮尔逊相关系数（ r）、决定系数（ R 2）来评价模型的预测效果。再从公开数据库中的人类连接组计划中制作一个测试集（ n=555）来测试模型的准确性。招募2013年12月至2020年5月于天津市第一中心医院就诊的136例肝硬化患者作为病例组（无HE肝硬化组79例和伴HE肝硬化组57例），同期向社会招募70名健康者作为健康对照组。计算所有受试者的预测脑龄与实际年龄差值（Brain-PAD）、数字连接试验-A（NCT-A）和数字-符号试验（DST）评分，评估健康对照组、无HE肝硬化组及伴HE肝硬化组3组间大脑衰老程度及认知功能，并采用网络遮挡敏感性分析来评估各脑区在脑龄预测中的重要性。 结果:训练集中该脑龄预测模型的实际年龄和预测脑龄间MAE=2.85， r=0.98， R2=0.96；测试集中，MAE=4.45， r=0.96， R2=0.92。在本地数据集中，健康对照组该模型的MAE=3.77， r=0.85， R2=0.73。两组肝硬化患者NCT-A用时均长于健康对照组，而DST得分则均低于健康对照组，差异均有统计学意义（均 P<0.001）。健康对照组Brain-PAD为（0.8±4.5）岁，无HE组Brain-PAD为（6.9±8.1）岁，伴HE组为（10.2±7.7）岁，3组间差异有统计学意义（ P<0.001），且两两组间比较差异亦均有统计学意义（均 P<0.05）。肝硬化患者视觉网络、躯体运动网络的预测重要性占比增加，伴HE组较无HE组占比进一步增加。 结论:肝硬化患者的认知功能减低，大脑加速衰老，这些改变在HE患者中更加明显。各脑区在预测脑年龄中的重要性差异为识别肝硬化和HE加速大脑衰老的特定损伤区域提供了新思路。

目的:基于全卷积网络U-Net预测宫颈癌近距离治疗(BT)感兴趣区(ROI)三维剂量分布，并评估其预测精度。方法:首先选取100例宫颈癌腔内结合组织间插植病例作为整个研究数据集，并将其划分为训练集(72例)、验证集(8例)、测试集(20例)；然后利用U-Net建立模型，将是否包含宫腔管及插针作为区分因素训练两个模型；最后对20例测试集病例进行预测，并进行对比分析。模型的性能通过 、 以及平均绝对离差共同评估。 结果:包含与未包宫腔管与插植针的模型相比，直肠的 上升了(16.83±1.82) cGy ( P<0.05)，其余ROI的 或 均相近(均 P>0.05)；高危靶区、直肠、乙状结肠、小肠、膀胱平均绝对离差分别上升了(11.96±3.78)、(11.43±0.54)、(24.08±1.65)、(17.04±7.17)、(9.52±4.35) cGy (均 P<0.05)；中危靶区的下降了(120.85±29.78) cGy ( P<0.05)；6个ROI的平均绝对离差的平均值下降了(7.8±53) cGy ( P<0.05)，更接近实际计划。 结论:利用全卷积网络U-Net可以实现宫颈癌患者BT的三维剂量分布预测；结合宫腔管与插植针作为输入参数，比单一使用ROI结构作为输入能得到更准确的预测结果。

目的:研发基于人工智能深度学习技术的髋关节翻修术前CT影像分割算法，并进行验证及初步应用。方法:回顾性分析2019年4月至2022年10月于中国人民解放军总医院收治的有清晰CT数据资料的翻修病例706例，其中男520例，年龄（58.45±18.13）岁；女186例，年龄（52.23±16.23）岁。均为单侧，左侧402髋、右侧304髋。搭建transformer_unet卷积神经网络并使用Tensorflow 1.15进行网络模型训练，实现对翻修髋关节CT影像的智能分割。基于已研发的全髋关节置换术三维规划系统，初步构建髋关节翻修手术智能规划系统。分别采用dice overlap coefficient（DOC）、average surface distance（ASD）、Hausdorff distance（HD）参数对transformer_unet、全卷积网络（fully convolutional networks，FCN）、2D U-Net、和Deeplab v3+的分割精度进行评估，统计分割耗时对上述网络的分割效率进行评估。结果:与FCN、2D U-Net和Deeplab v3+学习曲线相比，transformer_unet网络可通过较少的训练量实现更优的训练效果。Transformer_unet的DOC为95%±4%，HD为（3.35±1.03） mm，ASD为（1.38±0.02） mm；FCN分别为94%±4%、（4.83±1.90） mm、（1.42±0.03） mm；2D U-Net分别为93%±5%、（5.27±2.20） mm、（1.46±0.02） mm；Deeplab v3+分别为92%±4%、（6.12±1.84） mm、（1.52±0.03） mm。Transformer_unet各系数均优于其他三种卷积神经网络，差异有统计学意义（ P<0.05）。在分割时间方面，transformer_unet分割耗时为（0.031±0.001） s，FCN为（0.038±0.002） s，2D U-Net为（0.042±0.001） s，Deeplab v3+为（0.048±0.002） s。Transformer_unet分割耗时少于其他三种卷积神经网络，差异有统计学意义（ P<0.05）。将transformer_unet与全髋关节置换术三维规划系统相结合，可初步完成髋关节翻修手术智能规划系统的构建。 结论:与FCN、2D U-Net和Deeplab v3+相比，transformer_unet卷积神经网络可更精准、高效地完成对翻修髋关节CT影像的分割，有望为人工智能髋关节翻修手术术前规划及手术机器人相关领域的研究提供技术支撑。

目的:实现直肠癌靶区和正常组织的自动勾画，提高临床工作效率。方法:采用基于卷积神经网络的深度学习方法，架构神经网络，学习并实现自动勾画，比较自动勾画与人工勾画的差异。结果:210例直肠癌患者随机分组为190例训练集，20例验证集。测量单个患者完整勾画耗时约10s，CTV的平均Dice为0.87±0.04，其余正常组织的平均Dice均>0.8，CTV的HD指数为25.33±16.05，MDA指数为3.07±1.49，JSC指数为0.77±0.07。结论:使用基于全卷积神经网络的深度学习方法可以实现直肠癌靶区的自动勾画，提高工作效率。

目的:基于深度学习方法开发创伤出血量分级预测模型，以辅助预测创伤动物出血量。方法:基于中国人民解放军总医院构建的战创伤动物实验时效评估数据库中猪枪弹伤实验数据进行回顾性观察性研究。提取研究总体的出血量数据，并按照出血量将其分为0~300 mL组、301~600 mL组、>600 mL组。采用生命体征指标作为预测变量、出血量分级作为结局变量，基于4种传统机器学习和10种深度学习方法开发创伤出血量分级预测模型；采用实验室检验指标作为预测变量、出血量分级作为结局变量，基于上述14种算法开发创伤出血量分级预测模型。通过准确率和受试者工作特征曲线下面积（AUC）对上述两组模型进行效果评价，并将两组中的最优模型混合得到混合模型1；通过遗传算法进行特征选择，并根据最佳特征组合构建混合模型2；最后，将混合模型2部署于动物实验数据库系统中。结果:纳入数据库中创伤动物96只，其中0~300 mL组27只，301~600 mL组40只，>600 mL组29只。在基于生命体征指标构建的14种模型中，全卷积网络（FCN）模型为最优模型〔准确率为60.0%，AUC及95%可信区间（95% CI）为0.699（0.671~0.727）〕；在基于实验室检验指标构建的14种模型中，循环神经网络（RNN）模型为最优模型〔准确率为68.9%，AUC（95% CI）为0.845（0.829~0.860）〕。FCN与RNN模型混合后得到混合模型1，即RNN-FCN模型，模型效果得到提升〔准确率为74.2%，AUC（95% CI）为0.847（0.833~0.862）〕；通过遗传算法进行特征选择，根据筛选后的特征组合构建混合模型2，即RNN-FCN*模型，进一步提升了模型效果〔准确率为80.5%，AUC（95% CI）为0.880（0.868~0.893）〕，该模型包含10项指标，分别为平均动脉压（MAP）、血细胞比容（HCT）、血小板计数（PLT）、血乳酸（Lac）、动脉血二氧化碳分压（PaCO 2）、二氧化碳总量、血Na +、阴离子隙（AG）、纤维蛋白原（FIB）、国际标准化比值（INR）。最后，将RNN-FCN*模型部署在数据库系统中，实现了对创伤动物出血量的自动、连续、高效、智能、分级预测。 结论:基于深度学习开发了一种创伤出血量分级预测模型，并部署在信息系统中，实现了对创伤动物出血量的智能分级预测。

目的:探讨脑龄差异（brain age gap，BAG）作为大脑健康生物标志物的潜力及其与常见脑部疾病的因果关系。方法:选取公共数据库英国生物银行（UK Biobank，UKB）、阿尔茨海默病神经影像学倡议（Alzheimer′s Disease Neuroimaging Initiative，ADNI）、帕金森病进展标志物倡议（Parkinson′s Progression Markers Initiative，PPMI）数据库中脑部结构磁共振成像（structural magnetic resonance imaging，sMRI）图像，输入简单全卷积神经网络（simple fully convolutional network，SFCN）估计脑龄差异；根据有无ICD-10编码和相应脑部疾病标签定义患者组（有相应编码或标签， n=6 796）和健康对照组（无相应编码或标签， n=9 660），采用双样本 t检验比较患者组和健康对照组脑龄差异；使用全基因组关联分析（genome-wide association study，GWAS）分析UKB数据库31 520人中与脑龄差异显著相关基因组区域；通过孟德尔随机化（mendelian randomization，MR）分析脑龄差异与14种脑部疾病之间的因果效应。 结果:健康对照组中用于测试的受试者（ n=1 932）的实际年龄与估计脑龄之间平均绝对误差为2.364岁；与健康对照组相比，患者组中阿尔茨海默病（ t=33.42）、焦虑障碍（ t=2.38）、双相障碍（ t=3.76）、脑卒中（ t=2.75）、脱髓鞘疾病（ t=7.45）、抑郁症（ t=3.49）、帕金森病（ t=17.69）、创伤后应激障碍（ t=2.34）脑龄差异显著增加（ PFDR<0.05）；在GWAS中有8个与脑龄差异相关的独立全基因组风险位点（ P<5×10 -8），其中4个是新发现的（相关基因： PICK1、 TBC1D9、 SIAH3、 TMEM98）；MR分析显示阿尔茨海默病与脑龄差异之间存在强因果关系（β=0.23，95% CI=0.08~0.38， PFDR=0.030）。 结论:脑龄差异可作为反映大脑健康信息的生物标志物，同时阿尔茨海默病的发生会导致脑龄差异增加。

目的:研究基于全卷积网络的左侧乳腺癌放疗三维剂量分布预测方法，并对其预测精度进行评估。方法:利用全卷积网络实现三维剂量分布预测。首先建立60例左侧乳腺癌患者的容积调强弧形治疗(VMAT)计划库，从库中随机选取10例作为测试集数据，其他50例作为训练集数据；然后，构建U-Net模型，利用该网络在器官结构矩阵和剂量分布矩阵间建立相关模型；最后，利用模型预测测试集病例的剂量分布，并将预测结果与实际计划结果比较。结果:10例测试患者的PTV、患侧肺、心脏、双侧肺、脊髓的剂量平均绝对离差分别为(119.95±9.04)、(214.02±9.04)、(116.23±30.96)、(127.67±69.19)、(37.28±18.66) cGy。处方剂量80%、100%范围计划剂量和预测剂量的Dice相似性指数分别为0.92±0.01和0.92±0.01。处方剂量80%和10%范围内区域3 mm/3%标准的 γ通过率分别为0.85±0.03、0.84±0.02。 结论:利用全卷积网络可实现左侧乳腺癌行VMAT患者的三维剂量分布预测。

针对手工睡眠分期过程繁琐,自动睡眠分期模型存在精度不足或难以解释分类结果的问题,本研究提出了一种基于混合智能的自动睡眠分期模型,结合数据智能和知识智能以实现睡眠分期精度、可解释性和泛化性的平衡.首先,基于典型脑电(electroencephalography,EEG)和眼电(electrooculography,EOG)通道的任意组合,建立了基于U-Net架构的时序全卷积网络和多任务特征映射结构;其次,通过组合不同睡眠图校正方法,探究了知识智能对粗睡眠图的不同作用方式.本模型在ISRUC和Sleep-EDFx数据集上的F1指标分别为 0.804、0.780.此外,本研究利用知识智能解决了模型得到的粗睡眠图跳变过多、睡眠阶段转换不合理的问题.结果表明,本研究能够为睡眠医师提供有效的判读辅助,在提高临床睡眠分期效率上具有巨大潜力.

目的:评估基于全卷积单阶段神经网络的人工智能(AI)诊断系统在乳腺X线良恶性病变鉴别诊断中的应用价值.方法:回顾性收集288例患者的乳腺X线图像及病理学资料,由AI系统及高、中、低年资医师分别对乳腺良恶性病变进行乳腺影像报告与数据系统(BI-RADS)分类.以病理结果为金标准,计算诊断准确率、阳性预测值、阴性预测值,使用受试者工作特征(ROC)曲线分析其诊断效能.比较AI与不同年资医师诊断准确性的差异,并比较不同乳腺密度、病灶类型及病灶大小对诊断的影响.结果:针对288个病灶(良性病灶100个、恶性病灶188个),AI及高、中、低年资医师诊断乳腺良性病变的准确率分别为89.00％、94.00％、86.00％、73.00％,诊断恶性病变的准确率分别为84.04％、90.96％、86.70％、71.81％;阳性预测值分别为93.49％、96.61％、92.09％、83.33％;阴性预测值分别为74.79％、84.68％、77.48％、57.94％;ROC 曲线下面积(AUC)值分别为0.87、0.92、0.86、0.72.良性病变中,AI与低年资医师诊断准确度差异有统计学意义(P＜0.05);恶性病变中,AI与高、低年资医师诊断准确度差异有统计学意义(P＜0.05).对于不同乳腺密度、病灶类型及病灶大小,AI及高、中、低年资医师诊断准确度差异均无统计学意义(均P＞0.05).结论:AI诊断系统在乳腺X线良恶性病变鉴别诊断中准确率较高,明显高于低年资医师,与中年资医师相当,低于高年资医师,且不受乳腺密度、病灶类型及病灶大小的影响,具有较好的临床应用价值.

目的 提出一种基于实时荧光聚合酶链式反应(Polymerase Chain Reaction,PCR)时序数据的深度神经网络知识蒸馏的阴阳性识别技术.方法 通过使用神经网络进行时序分类,在增加鲁棒性的同时减少异常值对模型结果的影响;结合知识蒸馏技术压缩深度神经网络,降低神经网络对算力资源的需求,以适应较低的计算资源运行环境.结果 收集全自动核酸提纯及实时荧光PCR分析系统AutoMolec 3000数据302260条,将数据集按80%和20%的比例分成训练集和测试集,在测试集上验证知识蒸馏后的全卷积神经网络(Fully Convolutional Networks,FCN)模型与长短时记忆结构(Long Short-Term Memory,LSTM)模型,在准确度、敏感度、特异性和F1均高于0.999的前提下,FCN模型可缩小21.3倍,LSTM模型参数可降低12.8倍;60452条样本的预测时长分别为5.6900、2.2516 s.结论 模型可保证整体的准确度性能,满足对部署环境的算法要求低的需求.