目的 本研究基于半监督算法残差网络(semi-supervised algorithm Residual network,SMRNet)的深度学习方法,探索其在计算机辅助自主分析膝关节MRI诊断前交叉韧带(anterior cruciate ligament,ACL)损伤方面的应用.方法 使用100名经过关节镜确认的ACL损伤患者和100名关节镜确认无ACL损伤的患者的术前MRI图像.在选取适当层面后,裁剪并用于SMRNet的训练.SMRNet对单个MRI切片上ACL损伤的概率进行最终判断.4名临床医师对相同图像进行读片诊断.结果 SMRNet分类的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为97.00％、94.00％、95.50％、94.17％和96.91％.医师的整体阅片情况类似,敏感性区间91.00％～96.00％、特异性区间90.00％～94.00％、准确性区间90.50％～95.00％、阳性预测值区间90.09％～94.12％、阴性预测值区间90.90％～95.92％,二者差异无统计学意义(P＞0.05).结论 经过训练的SMRNet模型在ACL损伤检测上超越部分临床医师,为膝关节MRI诊断提供高效可靠方法,展现深度学习在医学影像的潜力.未来,SMRNet有望成为膝关节MRI诊断的重要工具,为患者提供更精准的诊疗方案.

目的:深入了解青少年特应性皮炎（AD）患者在校期间疾病管理的体验。方法:本研究为质性研究。采用目的抽样法，于2022年1—11月选取南方医科大学皮肤病医院皮肤科收治的17例青少年AD住院患者为研究对象，进行半结构式访谈。根据Colaizzi 7步法对访谈内容进行整理分析。结果:青少年AD患者在校期间疾病管理体验主要包括学习生活受到疾病影响（学习注意力不集中、睡眠障碍、容貌焦虑与负性社交）；疾病管理应对冲突（皮肤保湿护理与时空冲突、皮损发作与体育运动冲突、复诊与上课冲突）；需求支持不足（专业知识指导来源不足、老师对疾病认识不足、缺乏长期治疗的监督指导）3个主题。结论:青少年AD患者在校学习生活受到疾病反复发作的困扰，缺乏良好的管理方法并且学校社会支持不足。医护人员应为患者及其家长、学校老师科普疾病知识，指导疾病规范管理方法，解决青少年AD患者在校期间疾病管理困境，提高患者疾病管理能力。

目的:探讨分管医院感染副院长、医院感染管理专职人员、护理管理者、科主任等不同群体对护士长医院感染预防与控制（简称感控）核心能力的期望。方法:2021年1—6月，采用现象学研究方法，以目的抽样法对浙江省杭州市5所三级综合医院的医院感染副院长、医院感染管理专职人员、护理管理者、科主任、临床工作人员和后勤主管共25名访谈人员进行深入半结构式访谈，采用Colaizzi 7步分析法对收集的资料进行分析。结果:提炼出4个主题，分别是对护士长感控目标管理能力的期望、对护士长感控专业知识能力的期望、对护士长感控临床实践能力的期望及对护士长感控影响力的期望。结论:在科室感控管理中，护士长要有较强的感控目标管理能力，持续学习并更新感控知识及理念，提高临床感控实践能力，感控管理中适当授权，合理激励，提高团队执行力，营造良好的科室感控氛围，促进感控工作的发展。

目的:探讨不同灰质结构亚型强迫症患者静息状态下的动态功能连接（dynamic functional connectivity，dFC）模式，并探究不同亚型强迫症患者的异常灰质体积和dFC模式与临床症状的关系。方法:前瞻性收集2013年9月至2020年3月就诊于齐齐哈尔医学院附属第四医院（20例）和齐齐哈尔市精神卫生中心住院和门诊（28例）的共48例强迫症患者的临床资料，其中男 33 例，女 15 例，年龄 18~45（27.1±6.7）岁。同期招募年龄匹配的健康对照者39 名，其中男 31 名，女 8 名，年龄 18~45（28.5±8.6）岁。对符合ICD-10诊断标准的48例强迫症患者（强迫症组）和39名健康对照（对照组）进行磁共振成像扫描。采用基于体素的形态学分析（voxel-based morphometry，VBM），使用半监督机器学习方法，以灰质体积为特征对强迫症组进行亚型分析，选取灰质体积异常的脑区为感兴趣脑区，进行基于全脑体素的dFC分析，探究异常灰质体积和dFC模式与强迫症临床症状之间的相关性。结果:基于灰质体积，强迫症可分为2个亚型，其中亚型1为右中央后回灰质体积增加［809个体素； t=4.31；高斯随机场（Gaussian random field，GRF）校正，体素 P<0.001，团块水平 P<0.05双尾］，亚型2为左颞上回灰质体积降低（1 118个体素； t=-4.37；GRF校正，体素 P<0.001，团块水平 P<0.05双尾）。在亚型1中，右侧中央后回与左内侧额上回之间的dFC显著降低（187个体素； t=-4.42；GRF校正，体素 P<0.001，团块水平 P<0.05双尾）；在亚型2中，左侧颞上回与左侧海马、左侧中央旁小叶之间的dFC显著降低（分别为272、99个体素； t=-4.69、-5.01；GRF校正，体素 P<0.001，团块水平 P<0.05双尾）。亚型1右侧中央后回与左内侧额上回之间的dFC值与病程呈负相关（ r=-0.579； P=0.002，未校正）；亚型2左侧颞上回与左侧海马之间dFC值与病程呈正相关（ r=0.578； P=0.003，未校正）。 结论:静息状态下，基于灰质体积的不同亚型强迫症患者具有不同的dFC异常模式。

目的:针对眼科超声图像数量有限、标注成本高和模型泛化能力不强的问题,提出一种基于改进YOLOv8的超声生物显微镜(ultrasonic biological microscopy,UBM)图像眼前节参数测量方法.方法:首先,使用StyleGAN3进行数据增强,降低YOLOv8模型对UBM图像的敏感度,提高模型的泛化性能;其次,借鉴半监督学习中的伪标签自训练的方法,使用以原始UBM图像为数据集的YOLOv8模型生成虚拟UBM图像的伪标签;最后,使用扩充后的数据集训练YOLOv8模型,同时使用全局上下文网络(global context network,GCNet)模块改进YOLOv8模型,使用关键点排序算法对YOLOv8的预测结果进行排序,结合先验知识筛选出合格图像后,计算眼前节生理参数的测量值.结果:与眼科专家的手工标注结果相比,经StyleGAN3数据增强和自训练的YOLOv8模型的定位误差为(61.94±40.66)μm,测量前房角间距、瞳孔直径、睫状沟间距、中央角膜厚度、前房深度、晶状体厚度的平均相对误差分别为0.62％、1.35％、0.68％、4.87％、0.93％、0.75％.结论:提出的方法能够提高UBM图像眼前节参数测量的精度,且能满足实时性的需求.

目的 基于LesionMix数据增强和熵最小化损失建立一种半监督肺癌CT影像分割方法——熵最小化病灶增强(EMLM).方法 首先,提出LesionMix数据增强方法,即通过对少量有标注的CT影像进行病灶信息提取并重复利用,来提升标注数据的利用效率.其次,提出两阶段半监督训练策略,第一阶段通过LesionMix数据增强方法使模型快速学习到少量标注数据的病灶特征,第二阶段使用熵最小化损失函数使其拟合真实数据分布情况,提高模型分割效果.最后,在LIDC-IDRI数据集上,通过对比实验和消融实验评估EMLM方法的分割性能.结果 对比实验结果显示,在30％和10％标注比例的情况下,EMLM方法的戴斯相似度系数(DSC)均高于当前6种最佳半监督分割方法(URPC模型、UAMT模型、RD模型、MT模型、AEM模型、CPS模型),在50％标注比例的情况下,EMLM方法的DSC高于MT模型、RD模型、CPS模型、UAMT模型(P＜0.05).消融实验结果显示,使用Baseline模型同时配合EMLM方法时的DSC大于仅使用Baseline模型或者使用Baseline模型单独配合熵最小化损失(P＜0.05),与使用Baseline模型单独配合LesionMix数据增强方法差异无统计学意义(P＞0.05).结论 对于肺癌病灶分割,EMLM方法可以有效降低对标注数据的依赖并实现良好的分割效果.LesionMix数据增强方法与熵最小化损失实现了对肺癌病灶的重复利用,提高了标注的利用效率,同时可以更好地拟合真实数据分布情况而获得更佳的分割结果,从而有效提升了模型对肺癌病灶的分割能力.

先天性心脏病是导致婴幼儿死亡的主要原因之一,超声心动图是其首选检查方法,但其复杂性、可重复性问题常常影响了筛查和术前的诊断质量,以深度学习为基础的人工智能方法近来已经成为超声心动图诊断先天性心脏病的研究热点,本文就基于深度学习在儿科先天性心脏病超声心动图诊断中的应用进展进行综述.

目前,机器学习在重症医学科发展迅速,脓毒症诊疗中的应用更是目前研究的热点.集成算法、决策树、神经网络等监督学习法在患者紧急入院时脓毒症早期诊断与风险评估中具有重要意义,但监督学习算法要求所有数据进行标记,具有困难性;聚类算法和数据降维一类半监督学算法在脓毒症预测、脓毒症预后因素分析等方面应用较为常见,但算法相对简单,在多分类任务的处理上得出结果不理想;半监督学习算法结合了前两者,在现实世界更为实用,鉴于半监督学习算法的数据特征,在脓毒症诊疗的决策支持应用方面有待统筹.作者从脓毒症预测及诊断中常见模型的角度总结不同机器学习模型在脓毒症预测及诊断中的应用并进行综述,以期为国内学者提供参考.

数字病理学(digital pathology,DP)是通过复杂的计算机技术将组织学切片转换为数字图像的过程,以便基于机器学习(machine learning,ML)技术对病理信息进行处理与解释[1].ML是人工智能(artificial intelligence,AI)的分支,其传统方法包括随机森林、逻辑回归、贝叶斯方法和C5决策树等,而现代深度学习算法包括卷积神经网络(convolutional neural network,CNN)、递归神经网络、长短时记忆网络和深度信念网络等.深度学习算法模拟人脑神经元,数千层的神经元构成神经网络,而每一层的神经元则会接收来自对应底层神经元的信息输入,随后使用监督、无监督或半监督学习来提取图像特征,加以整合,调整后传递给下一层神经元[2].

源自中枢神经系统活动的脑电信号具有不易伪装性而被广泛应用于情感识别领域,但非稳态及微弱等特性导致其存在个体差异性.为适应不同被试之间的数据分布差异,迁移学习被引入脑电情感识别领域.但现有方法一方面未实现域适应与标记估计的有效协同,另一方面仅关注识别精度与数据分布忽略了共享子空间的属性发掘.针对上述问题,本研究提出一种联合双映射域适应与图半监督标签估计的脑电情感状态识别方法.通过在SEED-Ⅳ情感数据集进行跨被试情感识别效果验证.该数据集为15名受试者在3个不同时段(Session 1,Session2,Session3)播放具有明显情感倾向的影片进行脑电数据采集.结果显示,所提出的方法对SEED-Ⅳ中3个时段数据的平均识别精度(77.7％、78.5％、79.6％)均优于现有多种迁移模型,较经典的联合域适应(JDA)方法的平均识别精度有大幅提升(Session2:53.7％vs 78.5％);较新近提出的模型也有最低8.9％(Session2 vs MEKT)的精度提升.此外,通过特征重要性的角度对共享子空间蕴含的脑电情感激活模式进行发掘,并结合频段权重平均结果显示,相较于其他4个频段γ频段具有较高的重要性,并通过单向方差分析验证了与其余4个频段的显著性差异(P＜0.05);脑地形图呈现的结果发现,(中央)顶叶脑区权重高于其他脑区.所进行的研究对于脑电情感激活模式的学习分析提供了参考.