针对当前皮肤病辅助诊断中生物医学特征建模规模较小且耗费巨大人工成本,而患者疾病特征的时间序列同样无法准确描述等难点,本研究运用融合文本分类算法,融合常用的文本分类模型TextLSTM、TextCNN、RCNN得到皮肤疾病辅助诊疗模型(TLNN模型),通过提取图像传感器医学特征向量化后进行预处理减少焦块数量以及消除偏差较大的特征信息,提高决策数据精度.在ISIC2018和PH2数据集进行对照实验,TLNN模型的准确率为72.36%,高于其余3种文本分类模型.在与医生主观诊断对比实验中,模型诊断准确率为92%,接近于医生94%的平均准确率,而有效诊断效率(1.17 min/例)明显高于医生人工诊断(4.57 min/例),整体效率提升幅度达290%,结果表明对比传统人工诊断,融合文本分类算法模型能以更短时间获得精确的诊断.TLNN模型可以应用于疾病诊断,辅助医生医疗决策,为患者提供优质便捷的智能诊疗服务.

目的 探索一种在小数据量条件下提高医学诊断神经网络模型准确率和泛化能力的方法,解决在指甲病图像计算机辅助诊断中由于训练数据量小而导致神经网络模型性能不佳的问题.方法 提出融合实例分割与细粒度特征分类的双模型策略,采用第一届全国数字健康创新应用大赛健康医疗大数据主题赛基于图像的指甲病智能诊断模型任务数据集训练基于双模型策略的神经网络模型,该任务数据集涵盖甲母痣、甲沟炎、银屑病甲、甲真菌病、甲下出血、甲黑线、甲周疣、甲黑素瘤8类指甲病,各类别不平衡.评估双模型策略的诊断性能,并与相同软、硬件训练条件下单模型策略[图像分类模型(ResNet50、Swin Transformer)和基于快速区域卷积神经网络(Faster R-CNN)的目标检测模型]进行比较.结果 纳入任务数据集包括甲母痣210例、甲沟炎186例、银屑病甲69例、甲真菌病203例、甲下出血149例、甲黑线71例、甲周疣93例、甲黑素瘤67例共1 048例样本,其中90％的样本用于训练不同策略的模型,10％用于评估模型.基于ResNet50的图像分类模型的micro F1值为0.324,基于Swin Transformer的图像分类模型为0.381,基于Faster R-CNN的目标检测模型为0.572,基于双模型策略的Mask R-CNN+Swin Transformer模型为0.714.双模型策略预测各指甲病的准确度为甲母痣80.95％(17/21)、甲沟炎89.47％(17/19)、银屑病甲100.00％(7/7)、甲真菌病70.00％(14/20)、甲下出血73.33％(11/15)、甲黑线14.29％(1/7)、甲周疣55.56％(5/9)、甲黑素瘤42.86％(3/7).双模型策略在该任务1 000例测试集中的micro F1值为0.844.结论 双模型策略可以有效结合功能不同的模型,更好地完成小数据量训练条件下的指甲病图像智能诊断任务.

目的 拟探讨99Tc m-MIBI(甲氧基异丁基异腈)SPECT/CT(单光子发射计算机断层成像/计算机断层扫描)对甲状旁腺功能亢进症的诊断效能及其相关因素,以及MIBI断层融合显像的增益价值.方法 入组标准:①回顾性分析2017年5月至2023年6月间临床怀疑甲状旁腺功能亢进症的患者;②在本院行甲状旁腺切除术;③在术前2周内行99Tcm-MIBI SPECT/CT甲状旁腺显像.由2位核医学科高年资主治医师共同阅片,观察MIBI平面及断层图像,分析记录病变特点及同机CT显示的骨质改变.结果 符合筛选条件并最终入组的患者共100例,共切除165个病灶,包括甲旁亢病灶112枚.MIBI平面显像与断层融合显像诊断甲旁亢病灶的灵敏度、特异性、约登指数、阳性预测值和阴性预测值分别为66.07％、87.03％、53.10％、91.36％和55.29％和85.71％、87.03％、72.74％、93.20％和74.60％.MIBI平面显像阳性组患者的血清PTH(甲状旁腺激素)水平、血清ALP(碱性磷酸酶)水平明显高于阴性组.MIBI断层融合显像显示出96个真阳性病灶中,其中76个病灶在CT表现为密度均匀的类圆形或椭圆形结节,17个病灶伴囊性改变,3个病灶伴钙化.另外,MIBI断层融合显像发现了8枚异位甲状旁腺腺瘤.MIBI平面显像阳性组的甲旁亢病灶的长径、PPD(垂直直径的乘积)均大于显像阴性组;MIBI平面显像阳性组较阴性组更易出现颅骨皮质变薄及颅骨增厚.相关性分析结果显示血清ALP水平与颅骨CT值、颅骨皮质变薄、颅骨增厚及有无骨质吸收灶之间均存在相关性.结论 MIBI显像对甲旁亢的诊断具有重要作用,SPECT/CT断层融合显像提高了传统平面显像的诊断准确率,同时有助于对甲旁亢病灶提供准确定位.同机CT显示的骨骼特点为甲旁亢的临床诊疗提供了更多的信息.

目的:探讨基于三维高分辨MR血管壁成像（3D HRMR-VWI）的影像组学方法鉴别症状性大脑中动脉粥样硬化患者责任斑块的价值。方法:回顾性分析2018年10月至2020年10月因脑血管病在华中科技大学同济医学院附属同济医院接受诊治的117例患者的139个大脑中动脉粥样硬化斑块的临床和影像学特征。采用分层随机抽样方法按照7∶3的比例将139个斑块分为训练集（97个斑块）和验证集（42个斑块）。根据MR图像和临床症状将斑块分为69个责任斑块和70个非责任斑块。采用独立样本 t检验、Mann-Whitney U检验及χ 2检验对责任斑块及非责任斑块的临床及影像特征进行单因素分析，对差异有统计学意义的特征进一步纳入多因素logistic回归分析，筛选出责任斑块的独立预测因子。基于训练集斑块在平扫3D HRMR-VWI、增强3D HRMR-VWI、平扫+增强3D HRMR-VWI上提取并筛选影像组学特征并构建模型。最后联合责任斑块的独立预测因子及平扫+增强3D HRMR-VWI特征构建融合模型。以受试者操作特征曲线及曲线下面积（AUC）评估各模型的效能，以DeLong检验比较不同模型效能的差异。 结果:责任斑块与非责任斑块的斑块内出血、狭窄处管腔面积、狭窄处血管直径、狭窄率、斑块负荷、强化率差异均有统计学意义（ P<0.05），多因素logistic回归分析证实斑块内出血是预测责任斑块的独立危险因素（OR=7.045，95%CI 1.402~35.397， P=0.018）。验证集中，平扫3D HRMR-VWI模型预测大脑中动脉责任斑块的AUC低于增强3D HRMR-VWI模型（ Z=-2.01， P=0.044，），平扫+增强3D HRMR-VWI模型预测大脑中动脉责任斑块的AUC与增强3D HRMR-VWI差异无统计学意义（ Z=0.79， P=0.427），融合模型预测大脑中动脉责任斑块的AUC与平扫+增强3D HRMR-VWI模型差异无统计学意义（ Z=-0.59， P>0.05）；融合模型预测大脑中动脉责任斑块效能最好，AUC为0.939，灵敏度、特异度、准确度分别为95.24%、76.19%、85.71%。 结论:基于3D HRMR-VWI的影像组学方法对识别症状性大脑中动脉粥样硬化患者的责任斑块具有一定价值。

目的:探讨基于常规磁共振成像（MRI）影像组学模型预测垂体大腺瘤质地价值。方法:回顾性分析2014年12月至2019年12月皖南医学院弋矶山医院经手术病理证实的101例垂体大腺瘤患者完整资料，根据术中垂体瘤质地分为质软组（ n=58）与质硬组（ n=43），按照7∶3比例随机将患者分为训练组（ n=72）和验证组（ n=29）。所有患者均行垂体常规MRI扫描。使用ITK-SNAP软件逐层手动勾画T 1加权像（T 1WI）、T 2加权像（T 2WI）和T 1WI增强图像上肿瘤感兴趣区（ROI）并进行三维融合，然后导入AK软件提取纹理特征；利用最小冗余最大相关（mRMR）和最小绝对值收敛和选择算子（LASSO）回归分析进行特征选择和建立影像组学标签，并用100次留组交叉验证（LGOCV）验证模型的可靠性，绘制受试者工作特征（ROC）曲线评价模型的预测能力；应用决策曲线分析（DCA）评估模型的临床应用价值。 结果:T 1WI、T 2WI、T 1WI增强和联合序列模型在训练组和验证组中预测垂体大腺瘤质地曲线下面积（AUC）（95 %CI）分别为0.91(0.84~0.98）和0.90(0.78~1.00)、0.86(0.78~0.95）和0.83(0.64~1.00)、0.90(0.83~0.97）和0.89(0.77~1.00）以及0.92(0.85~0.98）和0.91(0.79~1.00)。DCA表明T 1WI、T 2WI、T 1WI增强和联合序列模型均具有较好净获益。 结论:常规MRI的T 1WI、T 2WI、T 1WI增强和联合序列模型均具有很高预测垂体大腺瘤质地的效能，为探索预测垂体大腺瘤质地提供了一种新的定量分析方法。

目的:探究一种融合了SAM-YOLOV 5深度学习网络和图像处理技术的人工智能(AI)新模型在乳腺影像报告与数据系统(BI-RADS)4类肿块超声动态视频良恶性分类中的应用。方法:回顾性收集2019年5月至2023年6月汕头大学医学院第一附属医院经病理证实的BI-RADS 4类的乳腺肿块患者458例(530个肿块)，按7∶3的比例进行模型的训练和测试，分析模型的ROC曲线下面积(AUC)、敏感性、特异性、阳性预测值、阴性预测值。先与单张静态图像下的测试效果进行比较，再与3个传统的深度学习网络以及高、低年资医师组的测试效果进行比较。分析新模型在BI-RADS 4a、4b、4c类肿块中的诊断效能。结果:二维超声动态视频在新模型中测试所得到的AUC、敏感性、特异性、阳性预测值、阴性预测值高于使用单张超声静态图像(均 P<0.05)。基于二维超声动态视频下，新模型的AUC、敏感性、特异性、阳性预测值、阴性预测值高于3个深度学习网络模型(YOLOV 5、VGG 16、Resnet 50)和低年资医师组(均 P<0.05)，低于高年资医师组(其中仅特异性、阴性预测值 P<0.05)。新模型对BI-RADS 4b类肿块诊断效能最低。 结论:基于SAM-YOLOV 5深度学习网络和图像处理技术开发的用于BI-RADS 4类乳腺肿块动态超声分类诊断的新模型有较高的诊断价值，有望用于辅助临床诊断。

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:探讨帕金森病脑深部电刺激(DBS)术后颅内积气对电极位置的影响规律。方法:回顾性研究2021年5月至2022年10月于浙江大学医学院附属第二医院神经外科行双侧丘脑底核DBS的帕金森病患者的临床资料，共78例。患者均于术后早期(24 h内)和晚期(1个月)行头颅螺旋CT薄层扫描，通过图像的融合分析，计算颅内积气的体积、电极偏差(电极实际位置与计划靶点间的偏差值)；并于前、后连合(AC-PC)下4 mm的轴位层面上计算术后早期与晚期的坐标差[ X代表AC-PC旁开距离(外侧为正，内侧为负)； Y代表AC-PC方向(前方为正，后方为负)]，评估术后1个月内因颅内积气的吸收导致电极位置的偏移量，并分析颅内积气与坐标差间的相关性。 结果:78例患者术后早期整体颅内积气体积[ M( Q1， Q3)]为1.08(0.22，3.02)cm 3，其中左、右侧分别为0.24(0.00，0.94)cm 3、0.48(0.06，1.62)cm 3；至术后晚期所有患者的颅内积气均完全吸收。术后早期左、右侧的电极偏差分别为(1.40±0.61)mm、(1.08±0.52)mm，术后晚期分别为(1.30±0.55)mm、(1.19±0.57)mm；术后早期与晚期同侧别比较，电极偏差的差异均无统计学意义(均 P>0.05)。术后早期与晚期比较，电极位置的偏移量，左侧：Δ X＝(0.41±0.52)mm，Δ Y＝1.00(0.70，1.50)mm；右侧：Δ X＝(0.43±0.50)mm，Δ Y＝1.00(0.70，1.30)mm。相关性分析显示，左侧颅内积气与左侧 X轴向( r＝0.17， P＝0.039)和 Y轴向电极偏移量( r＝0.24， P＝0.003)均相关；右侧颅内积气与右侧 X轴向电极偏移量( r＝0.10， P＝0.388)无关，但与 Y轴向电极偏移量( r＝0.44， P<0.001)相关。 结论:帕金森病患者DBS术后的颅内积气可能对电极位置产生影响，随着颅内积气的吸收和脑组织的回位，电极位置会向前和向外移位。

目的:探讨基于CT的影像组学预测早期急性胰腺炎（AP）进展的价值。方法:回顾性分析2013年11月至2021年2月皖南医学院弋矶山医院109例根据新修订的亚特兰大分类诊断为AP的患者，根据随诊结果分为进展组（40例）和非进展组（69例）。所有患者初次发病1周内行腹部平扫及增强CT扫描。采用计算机完全随机方法将患者按7∶3的比例分为训练集（77例，进展组28例，非进展组49例）和验证集（32例，进展组12例，非进展组20例）。在平扫、动脉期、静脉期和延迟期图像上，对胰腺实质全部层面沿胰腺边缘手动勾画感兴趣区并进行三维融合，采用AK软件提取纹理特征，使用最小冗余最大相关和最小绝对收缩和选择算子回归分析对纹理特征降维，建立平扫、动脉期、静脉期、延迟期和4个序列联合的影像组学标签。采用多因素logistic回归分析，联合临床特征和CT特征建立临床模型，联合临床、CT特征和影像组学标签建立综合模型。使用受试者操作特征（ROC）曲线评价各模型预测早期AP进展的效能，应用决策曲线分析（DCA）评估模型的临床应用价值。结果:在训练集中，logistic回归结果显示边缘是AP进展的独立预测因子（OR=0.16， P=0.033），联合血钙建立临床模型，其在训练集和验证集中的曲线下面积（AUC）分别为0.69、0.70。在平扫、动脉期、静脉期、延迟期和联合序列图像中分别提取了14、11、13、13、9个最优纹理特征，其中延迟期影像组学标签在训练集和验证集中均有相对更好的预测效能，ROC曲线下面积（AUC）均为0.85。基于延迟期影像组学标签（OR=2.22， P<0.001）及边缘（OR=0.02， P=0.042）建立综合模型，在训练集和验证集中AUC分别为0.90、0.86。DCA显示综合模型和延迟期影像组学标签均具有较好的净收益。 结论:基于CT影像组学模型预测早期AP患者病情进展具有较高的价值，明显优于临床模型。

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。