本研究目的是建立一个可家用的能直接显示龋病范围的深度学习分割模型。收集解放军总医院第一医学中心口腔科门诊2019年9月至2021年6月共494张用内窥镜采集的、含有龋齿的磨牙和前磨牙照片，由医师进行标注后用DeepLabv3+进行分割训练，随后进行验证和评估。建立的深度学习分割模型识别龋病的平均准确度为0.993，灵敏度为0.661，特异度为0.997，Dice系数为0.685，并交比（IoU）为0.529。本研究建立的深度学习分割模型可以识别并分割出龋病范围。

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:探究卷积注意力模块（CBAM)与Unet不同融合路径对于急性胰腺炎患者增强CT图像中胰腺自动分割的有效性。方法:回顾性分析川北医学院附属医院2016年1月1日至2021年7月30日收治的1 158例急性胰腺炎患者，纳入首发急性胰腺炎患者141例，依据轻、中、重病例各随机选取5例共15例作为测试集，余下126例作为训练集，在训练集中再随机划分20%的数据作为验证集。以Dice相似系数、豪斯多夫距离（HD）和像素准确率（PA）作为评价指标，对CBAM与Unet网络的不同融合路径进行训练，取验证集表现最佳的模型，在训练集上评估其性能，并将其与Unet、在跳级连接部分加入了注意门注意力机制（AttentionUnet）、在Unet网络中用ResBolck替代原有的卷积模块（ResUnet）、在特征提取的跳级连接分支模块融入CBAM（ResUnet_CBAM）模型进行比较。结果:Unet_CBAM在训练集上取得的效果更好，Dice相似系数为80.06%，HD为3.765 9，PA为0.992 3，均优于其他融合路径，对急性胰腺炎患者CT图像中胰腺区域的分割效果均优于Unet及其相关的变体网络。结论:Unet网络在跳级连接后融入CBAM能够较好地对急性胰腺炎患者增强CT图像行胰腺分割，能有效地提升相关人员对急性胰腺炎患者增强CT图像进行胰腺分割的效率。

目的:评估基于 18F－FDG PET/CT图像的影像组学融合特征结合极端梯度提升(XGBoost)机器学习模型在乳腺癌人表皮生长因子受体2(HER2)表达状态预测中的价值。 方法:回顾性分析2012年1月至2019年12月于天津医科大学肿瘤医院行 18F－FDG PET/CT检查的210例原发性乳腺癌患者[均为女性；年龄52(46，60)岁；HER2阳性95例，HER2阴性115例]，采用Python 3.7.1软件从HER2阳性组及HER2阴性组分别随机抽取70%作为训练集[147例，其中HER2阳性67例，年龄52(46，60)岁；HER2阴性80例，年龄55(45，62)岁]，30%作为测试集[63例，其中HER2阳性28例，年龄54(43，65)岁；HER2阴性35例，年龄52(45，61)岁]。在CT和PET图像上进行肿瘤分割后，分别提取CT、PET影像组学特征，经后处理获得PET/CT融合特征(包括PET/CT拼接特征和PET/CT平均特征)。建立支持向量机(SVM)模型和XGBoost机器学习模型，输入经特征筛选后保留的特征，用于预测乳腺癌原发灶中HER2的表达状态，并用ROC曲线对模型的预测效能进行评估。采用Delong检验分析不同模型及组学特征的预测效能，并绘制预测效能最高的机器学习模型的校准曲线。 结果:与SVM模型比较，XGBoost模型在输入CT特征、PET特征、PET/CT拼接特征和PET/CT平均特征时均有更佳的预测效能( z值：2.26~3.54, P值：0.016~0.040)。在XGBoost机器学习模型中，PET/CT平均特征预测乳腺癌HER2表达状态的ROC AUC为0.83(95% CI：0.73~0.93)，优于CT特征[0.75(95% CI：0.63~0.88)； z＝3.57， P＝0.027]、PET特征[0.73(95% CI：0.60~0.86)； z＝2.64， P＝0.034]及PET/CT拼接特征[0.74(95% CI：0.60~0.87)； z＝2.49， P＝0.037]。 结论:基于PET/CT影像组学融合特征建立的XGBoost机器学习模型有望用于乳腺癌患者HER2表达状态的预测。

目的:探寻和解析我国机器学习相关学位论文的基本情况及其研究热点。方法:基于中国知网、万方数据知识服务平台，检索时间自建库起至2023年2月14日，检索关键词包含"医学"和"机器学习"的所有全文发表的中文学位论文。采用Microsoft Excel 2016软件进行数据整理，提取的数据包括学位论文收录年份、学位授予单位、导师、被引频次信息。运用VOS viewer软件对高频关键词进行可视化分析。结果:共检索出299所高校机器学习相关学位论文2 662篇，论文数量排名前10位的学校论文数量之和占全部论文的29.9%(797/2 662)。学位论文指导教师共2 533名，论文被引频次分布为0至204次。在所有已经发表的学位论文中有46.2%(1 229/2 662)的论文未曾被引用。学位论文的研究主题主要包括医学影像的辅助诊断、电子病历文本提取、医学图像分割算法优化、多模型高效准确利用等。结论:医学专业机器学习相关学位论文及其所属单位和导师数量均较多，但论文质量有待提高，论文热点相对集中于医学辅助诊断方面。

目的:提出一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法。方法:选取2021年采集的男性志愿者的CT胸腔图像250张，通过Canny自适应阈值法提取CT胸腔图像轮廓，并比较Sobel算法、Canny双阈值法和Canny自适应阈值法的相似度；使用霍夫变换来确定感兴趣区域，考察感兴趣区域的选取大小、重建卷积核和管电流对CT胸腔图像噪声的影响。结果:Canny自适应阈值法保留了更多细节，边缘的连续性和完整性有所提高，对边缘检测与图像分割更加灵活以及更加具有鲁棒性。Canny自适应阈值法结构相似性指数最高（0.644），均方根误差最小（0.371），其在边缘轮廓检测方面相似度最高，效果更显著。随着方形感兴趣区域大小的增加，平均噪声呈现下降趋势，噪声标准差在某些区间有所增加，特别是在较大的方形区域。在同一重建卷积核的情况下，CT胸腔图像升主动脉的平均噪声比胸主动脉的高，升主动脉的噪声标准差比胸主动脉的低。对于升主动脉，重建卷积核E的升主动脉平均噪声（41.97 dB）最低，噪声标准差（20.64 dB）最大；对于胸主动脉，重建卷积核E的平均噪声（30.78 dB）最低。胸主动脉的平均噪声和噪声标准差随管电流的增加而下降。结论:提出了一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法，适用于检测CT胸腔图像。

目的:通过数字化分析方法自动分割并定量经颅超声检查下黑质回声的变化，并评估其在帕金森病患者中的应用前景。方法:纳入自2017年11月至2020年10月在华中科技大学同济医学院附属同济医院就诊的652例帕金森病患者（帕金森病组）和99名健康对照者（健康对照组），对其进行经颅超声检查。应用数字化分析方法分析经颅超声图像黑质层面的图片，对得到的黑质高回声的定量化数值采用受试者工作特征（ROC）曲线分析其对帕金森病的诊断性能，并与医生报告的诊断准确性进行比较。最后将定量化的黑质高回声与帕金森病的疾病特点进行相关分析。结果:共得到482例研究对象的黑质高回声定量化结果用于分析，其中帕金森病组400例，健康对照组82名。ROC曲线分析结果显示，定量化的较大侧黑质高回声诊断帕金森病的曲线下面积为0.858（95% CI 0.805~0.910），敏感度87.8%，特异度73.2%，该诊断的准确性与医生报告（曲线下面积0.884）一致。此外，定量化的黑质高回声与帕金森病患者的年龄、发病年龄、病程、运动症状、非运动症状均无相关性（均 P>0.05）。 结论:采用数字化分析方法量化了黑质回声的变化，验证了该方法对帕金森病的诊断准确性与医生报告一致。

目的:采用基于体素的形态测量（voxel-based morphometry，VBM）技术评估痛性颞下颌关节紊乱病（temporomandibular disorders，TMD）患者脑部体积变化。方法:纳入2011年11月至2019年12月就诊于解放军总医院及解放军总医院海南医院放射科门诊的146例TMD患者［TMD组，年龄（36.8±15.8）岁，男性44例，女性102例］，并招募193名颞下颌关节正常的健康志愿者[健康对照组，年龄（43.3±15.6）岁，男性92名，女性101名］，所有受试者均行脑部3.0 TMRI三维结构像扫描。采用VBM技术将三维脑结构像分割成脑灰质、白质及脑脊液图，对脑灰质图像进行双样本 t检验，全脑总体积、年龄及性别作为协变量，评估两组受试者脑部体积的变化。 结果:TMD组患者灰质总体积［（632.4±65.4） ml］显著大于健康对照组［（596.1±76.3） ml］（ t=4.70， P<0.05）。VBM分析提示TMD组患者脑部体积增加脑区主要位于左侧颞下回、双侧梭状回、双侧颞中回（颞极）及右侧舌回［错误发现率（false discovery rate，FDR）校正， P<0.05］。TMD患者较健康对照组受试者无体积减少脑区。 结论:颞叶是TMD患者脑部体积增加的靶向性脑区，其神经机制尚待进一步研究。

目的:研究基于聚类的多Atlas分割方法对正常组织感兴趣区分割的改善，以达到更好的危及器官的勾画效果。方法:选取2019—2020年浙江省肿瘤医院已完成治疗的100例宫颈癌患者的CT图像作为Atlas图谱库。按照危及器官（膀胱、直肠和外轮廓）的体积特征参数作为测度，利用k均值聚类（k-means）算法将Atlas图谱库划分成若干子集。将待分割图像匹配到相对应的图谱库中进行多Atlas分割。使用相似性系数（DSC）对分割结果进行评价分析。结果:以30例患者作为测试组，比较了不同聚类方法所生成的子图谱库对图像分割结果的改进。相较于一般多Atlas分割，聚类多Atlas分割方法能显著提高膀胱（DSC为0.83±0.09∶0.69±0.15， P<0.001和直肠（DSC为0.7±0.07∶0.56±0.16， P<0.001）的分割准确性，但左、右双侧股骨头（0.92±0.04、0.91±0.02）和骨髓（0.91±0.06）的差异无统计学意义。并且聚类多Atlas分割方法平均分割时间短于一般多Atlas分割方法（2.7∶6.3 min）。 结论:聚类多Atlas分割方法不但会减少与待分割图像配准的Atlas图像个数，而且预期能提高分割效果，并获得较高的准确率。

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。