目的:探讨基于眼前节光学相干断层扫描(AS-OCT)图像的核性白内障智能辅助分级算法对白内障分级的诊断价值。方法:采用诊断试验研究方法，收集2020年11月至2021年9月间同济大学附属第十人民医院电子病例系统中核性白内障患者939例1 608眼的AS-OCT图像资料，所有资料均符合临床阅片清晰度要求。其中男398例664眼，女541例944眼，年龄18～94岁，平均年龄(65.7±18.6)岁。由3名经验丰富的临床医生基于晶状体混浊分类系统(LOCS Ⅲ分级系统)，对所收集的AS-OCT图像进行1～6级人工标注。构建一种基于多级排序的全局-局部白内障分级算法，该算法包含5个基本的二元分类全局-局部网络(GL-Net)，每个GL-Net聚合白内障核区域、原始图像等多尺度信息进行核性白内障分级。基于消融实验和模型对比试验，采用准确率、精确率、灵敏度、F1指标及Kappa系数对模型性能进行评价，且所有结果均通过五折交叉验证。结果:模型在核性白内障数据集上的准确率、精确率、灵敏度、F1、Kappa分别为87.81%、88.88%、88.33%、88.51%、85.22%。消融实验结果表明，ResNet18结合局部特征和全局特征进行多级排序分类，模型在准确率、精确率、灵敏度、F1、Kappa指标上均有提升。与ResNet34、VGG16、Ranking-CNN、MRF-Net模型比较，本研究模型各性能指标均有提升。结论:基于深度学习的AS-OCT核性白内障图像多级排序分类算法对白内障分级具有较高的准确度，有望辅助提高眼科医生对核性白内障的诊断精度以及效率。

目的:基于深度卷积神经网络（DCNN）方法自动测量彩色眼底像上全局和局部豹纹分布密度。方法:应用研究。将2021年5~ 7月于山东第一医科大学附属青岛眼科医院北部院区行近视手术的患者514例1 028只眼的1 005张彩色眼底像建立人工智能（AI）数据库。采用RGB颜色通道重标定方法（CCR算法）、基于Lab颜色空间的CLAHE算法、多重迭代照度估计的Retinex算法、具有色彩保护的多尺度Retinex算法对图像进行预处理。对比观察上述4种图像增强方法以及使用Dice损失、边缘重叠率损失和中心线损失对豹纹分割模型效果的影响。建立眼底豹纹分割模型识别全图范围内豹纹结构区域；构建眼底组织结构检测模型用于视盘及黄斑中心凹定位。计算视野范围内后极部豹纹密度（FTD ）、黄斑区豹纹密度（MTD）、视盘区豹纹密度（PTD ）。结果:应用CCR算法图像预处理和训练损失组合后，豹纹分割模型的Dice系数、准确率、灵敏度、特异性、约登指数分别达到0.723 4、94.25%、74.03%、96.00%和70.03%。模型自动测量的FTD、MTD、PTD值与人工标注测量值平均绝对误差分别为0.014 3、0.020 7、0.026 7，均方根误差则分别为0.017 8、0.032 3、0.036 5。结论:基于DCNN分割和检测方法能自动测量近视患者眼底全局和局部区域的豹纹分布密度，可以更准确地辅助临床监测和评估眼底豹纹改变对近视发展的影响。

目的 利用机器学习算法对轻度认知障碍(mild cognitive impairment,MCI)亚型分类有利于患者的个性化治疗,而复杂模型常因分类过程的内部机制不可洞察而饱受诟病,本研究借助可解释技术梳理模型的输出结果,以期为相关领域研究者的决策提供统计支持.方法 本研究联合极限梯度提升(eXtreme Gradient Boosting,XGBoost)与沙普利可加性(SHapley Additive exPlanations,SHAP)构建可解释性框架,用于遗忘型MCI(amnestic MCI,aMCI)和非遗忘型MCI(non-amnestic naMCI)的分类,并根据联合框架输出结果进行解读.结果 联合框架输出aMCI和naMCI的最佳分界值为 0.51,XGBoost分类准确率、灵敏度、特异度、F1 值、AUC分别为 92.81%、94.94%、90.54%、0.93、0.96.SHAP个性化预测结果,7 号和 31 号示例个体被预测为aMCI的概率分别为 0.27 和0.91;全局性解释结果,不同个体随着CEREALL、O-RIENT、CDRSUM、LCMF、RSUPMAR、RMEDORBF、LPOSCENM等指标的shapley值增大,患aMCI的风险越大,上述指标可以解释为aMCI发生的危险因素,而RENT、MMSEORDA、CRAFTVRS等则相反,可以解释为aMCI发生的保护因素.结论 XGBoost-SHAP联合框架用于MCI亚型分类效果较为理想,实现了特定个体不同特征预测效果的比较、不同个体给定特征预测能力的判断,为相关研究者打开了洞察复杂模型内在机制的大门.

目的:探究实时三维斑点追踪成像(3D-STI)及磁共振成像(MRI)对2型糖尿病(T2DM)患者心室舒缩功能的评价.方法:选取2022年1月至2023年6月大庆龙南医院收治的100例T2DM患者,依据左心室射血分数(LVEF)水平将其分为≥50%组(62例)和＜50%组(38例),比较不同LVEF患者3D-STI和MRI参数的差异,并比较3D-STI参数、MRI参数以及联合数据诊断T2DM患者心功能不全的效能.结果:LVEF＜50%组患者的室间隔舒张末期厚度(IVsd)、左前降支(LAd)、左心室后壁舒张末期厚度(LVPWd)、全局面积应变(GAS)、全局纵向应变(GLS)及全局圆周应变(GCS)指标,以及左室收缩期容积(ESV)及右室收缩期容积(EDV)均高于LVEF≥50%组患者;二尖瓣口舒张期血流频谱A峰与E峰速度比值(E/A)、全局径向应变(GRS)、心搏量(SV)、射血分数(EF)及心排血量(CO)均低于LVEF≥50%组患者,差异有统计学意义(t=5.213、4.778、4.936、5.863、4.302、5.057、5.350、5.072、4.636、4.963、5.076、4.898、5.475,P＜0.05).二元logistic回归分析显示,IVsd、LAd、LVPWd、GAS、GLS、GCS、ESV及EDV为T2DM患者心功能不全的危险因素(OR=2.102、1.286、1.605、1.311、1.314、1.324、1.291、1.063,P＜0.05),E/A、GRS、SV、EF及CO为T2DM患者心功能不全的保护因素(OR=0.008、0.823、0.813、1.850、0.201,P＜0.05).采用受试者工作特征(ROC)曲线分析获取MRI参数(SV、EF、ESV、EDV、CO)、3D-STI参数(IVsd、LAd、LVPWd、E/A、GRS、GAS、GLS、GCS)诊断T2DM患者心功能不全的ROC曲线下面积(AUC)分别为0.781、0.743、0.800、0.784、0.777、0.793、0.770、0.754、0.745、0.786、0.836、0.766和0.799.将MRI参数和3D-STI参数纳入logistic回归模型,联合数据诊断T2DM患者心功能不全的AUC为0.995,灵敏度为97.4%,特异度为98.4%.结论:MRI和3D-STI参数可评估T2DM患者心室舒缩功能,且联合数据诊断价值更好.

结合遗传算法全局寻优的特点提出一种GC-LSTM模型,该模型通过特定遗传策略的遗传算法自动迭代搜寻C-LSTM模型最佳超参数配置.利用遗传迭代结果配置模型,并按照医疗仪器促进协会制定分类标准在MIT-BIH心律失常数据库上进行验证.经过测试,本文提出的GC-LSTM模型在分类准确率(99.37%)、灵敏度(95.62%)、精确度(95.17%)、F1值(95.39%)上相较于手动搭建模型均有所提升,且与现有主流方法相比亦具备一定优势.实验结果表明该方法在避免大量实验调参的同时取得较好的分类性能.

目的:通过数据分析建立谵妄的预测模型,并对模型进行评价和应用实践.方法:回顾性整理1521例自贡第四人民医院重症医学科住院患者的临床资料,按照是否发生谵妄,分为谵妄组(527例)和非谵妄组(994例),进行Logistic回归分析后建立模型.结果:谵妄预测模型建立为:L=APACHEⅡ评分+0.0558×总胆红素+1.191×尿素氮+4.098x饮酒史+2.009x呼吸机,L＞51.39,即可预测谵妄发生.预测模型进行评价,模型系数的全局性Omnibus检验,x2＝1025.74,P＜0.001,有统计学意义.模型的灵敏度78.0％,特异度93.5％,漏诊率22.0％,误诊率6.5％.预测概率ROC曲线下面积为0.926,95％置信区间为(0.91,0.94).结论:谵妄预测模型可运用于临床,对预防患者谵妄带来的不良结局有重要意义.

探讨乳腺钼靶侧斜位图像双侧不对称性与近期乳腺癌风险之间的关联性.回顾性分析556例连续两年进行乳腺普查的样本,当前年患癌与阴性样本各278例,且两组样本年龄匹配.对前一年乳腺钼靶侧斜位图像进行预处理获取双侧局部对应区域及全局区域后分别提取空间差异性、结构相似性及位置信息等85维影像特征.删除相关性较高的特征后剩余78个特征,采用留一法与逐步回归分析进行特征选择,并建立基于广义线性模型的近期乳腺癌风险预测模型.结果显示,全局及局部不对称性特征相结合进行风险预测AUC值为0.6667±0.0226,对其进行混淆矩阵分析,特异性为0.690 6,灵敏度为0.521 6.对风险预测值进行回归分析,优势比(Odds Ratio)随风险的增加而显著增加,P值为0.002 033.3个基于年龄的子集(37 ～ 49岁,50 ～65岁,66～87岁)进行近期乳腺癌风险预测,AUC值分别为0.681 0±0.043 2,0.671 6±0.030 0及0.678 2±0.054 7,对应3个年龄段的特异性分别为0.702 7,0.694 3和0.723 4,灵敏度分别为0.554 1,0.490 4和0.5745.两个基于乳腺X线分型的子集(BIRADS 2、BIRADS 3)AUC值分别为0.654 5±0.036 9及0.694 4±0.03,特异性分别为0.676 2和0.733 3,灵敏度分别为0.522 9和0.536 9.结果表明,乳腺钼靶侧斜位图像全局及局部不对称性相结合对近期乳腺癌风险预测具有潜在有效价值.

目的 改善眼底视网膜低对比度血管的检测性能,提高眼部疾病临床辅助诊断的效率和准确率.方法 提出了一种基于随机共振机制的眼底视网膜血管多级分割方法 .首先用图像信号和附加噪声,获取全局意义下的FHN神经元非线性模型的最佳随机共振响应,对高等级强度信号进行检测;然后将输入信号定义为去除高对比度血管的局部图像,优化参数后,再对低等级强度信号进行检测.最后融合多级随机共振响应,得到眼底视网膜血管的分割结果 .结果 以DRIVE图像库为例,分别与两位专家手动分割结果进行灵敏度Sn的定量比较,本文方法得到的结果平均值较高,差值分别为0.2007、0.1817.结论 本文方法充分利用了噪声对于弱信号检测与分割作用,对低强度等级血管的分割上面优势明显.

生态过程模型的发展为研究者在长时间序列和区域尺度的研究提供了便利,但模型模拟的准确性受到模型自身结构、模型参数估计合理性的影响.敏感性分析能够定量或定性筛选出对模型模拟结果影响较大的敏感参数,是模型参数校准过程中的重要工具,也是建模和应用的先决条件.该文以阔叶红松林为研究对象,采用全局敏感性分析方法——傅里叶幅度灵敏度检验扩展法(EFAST)对Biome-BGC模型的生理生态参数进行了敏感性分析,分别分析了红松(Pinus koraiensis)和阔叶树的净初级生产力(NPP)、蒸散(ET)对参数变化的敏感性.结果表明:(1)模拟红松NPP的不确定性高于阔叶树,但二者的模拟ET的不确定性均较小.阔叶树的NPP和ET寸生理生态参数的敏感性总体上都小于红松.(2)无论是红松、阔叶或其他植被类型,模拟NPP均表现出对叶片碳氮比、细根碳氮比、比叶面积(SLA)和冠层截留系数的敏感性,这4个参数的高敏感性主要是由模型自身结构所决定的,与植被类型和研究地区的关系较小.对模拟ET而言,细根与叶片碳分配比、新茎与新叶碳分配比和SLA均是影响红松和阔叶树ET的敏感参数,但红松ET主要受参数与参数间的二阶或多阶交互作用的间接影响,而阔叶树ET则主要是受到敏感参数直接效应的影响.(3)除了上述影响红松和阔叶树碳水通量的共性参数外,诸如核酮糖-1,5-二磷酸羧化酶中叶氮含量、叶片与细根周转率、所有叶面积与投影叶面积之比等也是对模拟结果有影响的重要参数,但是其敏感程度随物种不同和研究区不同而不同,所以这类参数可以根据具体情况进行参数本地化,对于其他不敏感参数则可以采用模型缺省值.

糖尿病视网膜病变 (DR) 是糖尿病严重的并发症, 是视力损害最常见的原因之一.硬性渗出物 (HE) 是DR早期的症状之一, 从眼底图像中对硬性渗出的准确检测是DR筛查的关键步骤.提出一种基于生成对抗网络 (GANs) 的视网膜硬性渗出的自动检测方法.相比一般的卷积神经网络, 生成对抗网络由生成式模型G和判别式模型D组成, 两者之间的博弈与竞争使得生成对抗网络能够更加精确地检测眼底图像中的硬性渗出.首先, 为了避免视盘对后续硬性渗出检测的干扰, 根据血管分布信息与全局灰度信息, 准确定位视盘 (OD) 中心并掩盖视盘;然后, 交替迭代训练生成式模型G和判别式模型D, 得到在验证集上分割效果最佳的模型并保存.所提出的算法在e-ophtha EX数据库上训练和验证, 并进行像素级评估, 获得88.6％、84.3％和86.4％的平均灵敏度、PPV和F-score.在另一个独立的DIARETDB1数据库上进行测试, 获得的平均灵敏度、特异性和准确性分别为100％、96.2％和97.8％.综上所述, 两个视网膜图像数据库的评估结果证明, 生成对抗网络的博弈模式能够有效地检测彩色眼底图像中的硬性渗出.