目的:基于胃充盈超声造影下的影像组学构建胃间质瘤美国国立卫生研究院(NIH)危险度分级的预测模型，包括临床超声模型、超声影像组学模型以及两者的联合模型，分别探讨三种模型对胃间质瘤NIH危险度分级的预测效果。方法:回顾性分析2021年6月至2022年6月于天津医科大学肿瘤医院接受手术治疗且病理证实为胃间质瘤的患者共204例，收集其临床及超声影像资料，其中NIH危险度分级为高危险度及中危险度的患者共101例，纳入高危组；NIH危险度分级为低危险度及极低危险度的患者共103例，纳入低危组。通过ITK-SNAP软件对胃间质瘤最大径线的超声图像进行手动分割，应用Python 3.8.7中的Pyradiomics(v3.0.1)模块对所分割的感兴趣区(ROI)图像进行影像组学特征提取。将患者按照7∶3的比例随机分为训练集和测试集。应用Sklearn模块，通过XGBoost算法构建临床超声模型、超声影像组学模型以及两者的联合模型，评估ROC曲线下面积(AUC)、敏感性、特异性及准确性；通过Delong检验比较三种模型的预测能力；应用校准曲线评价模型性能，应用临床决策曲线确定患者的净获益。结果:从ROI中共提取578个影像组学特征，经回归降维处理，最终保留8个超声影像组学特征用于建模。最终，测试结果显示临床超声模型、超声影像组学模型以及联合模型的AUC、敏感性、特异性及准确性分别为0.75、69.3%、68.9%、69.1%，0.87、79.2%、81.6%、80.4%，0.91、80.2%、83.5%、81.9%。Delong检验结果显示，对于胃间质瘤NIH危险度分级预测的ROC曲线，超声影像组学模型与临床超声模型AUC间的差异有统计学意义( Z＝2.698， P<0.001)，联合模型明显优于临床超声模型( Z＝4.062， P<0.001)及超声影像组学模型( Z＝2.225， P＝0.026)。校准曲线显示出联合模型具备较高性能，决策曲线同样显示出联合模型具有优越的临床实用性。 结论:基于胃充盈超声造影下的影像组学构建胃间质瘤NIH危险度分级的预测模型具有可行性，结合临床和超声特征的联合模型预测性能更具优势，在一定程度上可帮助临床术前预测胃间质瘤NIH危险度分级，在个性化医疗时代可以辅助医生选择最佳的管理方案。

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。

随着大数据时代的到来，基于机器学习的人工智能技术，尤其是人工神经网络技术发展迅速，相关研究已涉及口腔医疗多个领域，特别在口腔三维解剖特征的自动化分割与识别方面具有巨大的应用前景，可辅助口腔医师及技师完成繁琐重复的手工操作，并更高效精确地完成诊断与诊疗计划制订。本文简要总结人工神经网络在口腔三维解剖特征的分割与识别领域的应用现状与现存问题，为相关研究与临床应用提供参考。

近年来，人工智能（AI）飞速发展，其深入服务医疗的需求也日益增多，助力妇科恶性肿瘤的诊断、分期和治疗刻不容缓。本研究汇总近10年国内外相关研究，总结AI在妇科恶性肿瘤中的应用进展，列举出27项代表研究（包括子宫颈癌、子宫内膜癌、卵巢上皮性癌各9项），发现目前在妇科恶性肿瘤领域，主要通过深度学习的多种算法将阴道镜图像、子宫颈细胞学图像、磁共振成像（MRI）图像、超声图像进行定位、分割，从而指导疾病的预测和诊疗。AI在妇科恶性肿瘤领域的应用价值和潜力巨大，可以更加准确地为妇科恶性肿瘤的预防和诊疗提供帮助，实现精准医学的目标。

近年来，人工智能与骨科机器人作为医疗领域的研究热点以及重要发展方向，为骨科手术提供了精确的术前规划以及手术导航。人工智能与骨科机器人可以真正实现关节置换手术精准化。人工智能在关节疾病影像诊断、图像分割、术前规划等方面具有巨大的优势，通过更加精确的智能图像分割、更加快捷准确的术前规划可有效降低复杂初次关节置换及翻修术的手术难度，降低临床医生与工程师的沟通成本，理论上可以提高假体选择的准确性。骨科机器人基于X线片或CT扫描信息，在精准术前规划的基础上进行术中的精准骨骼操作，避免术者经验及操作带来的偏差，实现不同级别医生手术水平的同质化，降低关节置换手术的学习曲线，在复杂手术中具有理论上的优势。

目的:探讨基于超声影像组学术前预测肾透明细胞癌(clear cell renal cell carcinoma，ccRCC)世界卫生组织/国际泌尿病理学会(WHO / ISUP)分级的临床价值。方法:回顾性收集2021年1月至2022年10月天津医科大学肿瘤医院经手术病理证实的175例ccRCC患者的临床、超声影像学资料，采用WHO/ISUP病理分级标准将其分为低级别组(Ⅰ、Ⅱ级，共105例)和高级别组(Ⅲ、Ⅳ级，共70例)。选择肿瘤最大径线的清晰图像导入ITK-SNAP软件对图像进行手动分割，并提取超声影像组学特征。将患者按照7∶3的比例随机分为训练组和测试组，其中训练组122例，测试组53例。通过降维处理获得稳定的影像组学特征，并应用支持向量机(SVM)算法预测ccRCC的病理分级，最终构建临床超声影像模型、超声影像组学模型和二者结合的联合模型。通过ROC曲线下面积(AUC)分析三种模型的预测效果，应用校准曲线评价模型性能，应用决策曲线确定患者的净获益。结果:共提取873个影像组学特征，经降维处理，最终获得10项特征用于构建模型。最终测试结果显示，临床超声影像模型、超声影像组学模型以及联合模型的AUC、敏感性、特异性及准确性分别为0.68、0.47、0.78、0.66，0.74、0.53、0.88、0.74，0.84、0.63、0.86、0.77，其中联合模型的AUC大于临床超声影像模型( Z＝－3.224， P＝0.001)及超声影像组学模型( Z＝－2.594， P＝0.009)。校准曲线显示联合模型稳定性较其他两种模型更好。决策曲线显示在阈值0.1~1.0的范围内，联合模型的临床净获益要高于其他两种模型。 结论:基于超声图像构建的影像组学模型术前预测ccRCC的病理分级效果良好，结合相关临床、超声参数构建的联合模型性能更佳，在一定程度上可帮助临床术前预测ccRCC分级，对于医生在个性化医疗时代选择最佳管理方案至关重要。

循证医学理念的提出，是医学发展过程中的一次重要革命，医学由经验时代进入证据时代。循证证据与临床实践之间始终存在着难以克服的转化鸿沟，随着医疗技术的进步，临床医生可以更精准地记录临床实践，产生更贴近真实世界的大数据。如何利用医疗大数据，为临床决策提供更多依据，是目前亟需解决的问题。人工智能技术擅长在复杂数据中寻找规律，帮助医生分析、挖掘数据，增进对疾病的认识。特别是深度学习的方法，擅长图像的分割、增强、重建以及生成，能更好地重建解剖、实现可视化，帮助手术操作。医疗与人工智能的结合，不仅提供了传统的循证医学证据，更丰富了循证证据的内涵，开启了精准把握每个患者病情、反映真实世界的医学新时代。

眼眶肿瘤的位置和组织病理学表现各不相同,给诊断带来了挑战.尽管成像技术的进步改善了这一问题,但其分类与鉴别仍是一项挑战.机器学习作为人工智能的关键分支在医疗领域已取得了一定的成果,尤其是其与影像学、眼科学的结合极大地促进了眼眶肿瘤的精准治疗,其在肿瘤鉴别、病灶分割及图像重建等方面已经展现出极大的潜力和广阔的应用前景,有望在提升眼眶肿瘤诊断水平的同时降低临床实践成本.本文就基于MRI的机器学习技术在眼眶肿瘤中的应用进行综述,旨在为临床医师和放射科医生就眼眶肿瘤的诊断、治疗及预后提供思路,并进一步促进机器学习在该领域的应用与普及推广.

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.

随着科技手段的发展和外科模式的改变，外科教学的方式也随之进步。人工智能的深度介入将持续影响医疗行业变革。"数据"是人工智能探索的基础，腔镜外科手术产生的海量视频、图像数据高度契合人工智能模型开发的需求。人工智能视觉分割是机器学习进行情景感知的基础，目前已实现了术中自动化手术器械的分割识别、部分术式的手术流程识别和关键手术区域识别。在进一步提升准确性后，手术视频的全自动识别和标注将有助于低年资外科医师高效自主学习手术。这或可改变传统外科的教学模式。