目的 采用近红外高光谱成像技术(HSI)鉴别四裂红景天和长鞭红景天.方法 采集935～1720 nm长鞭红景天和四裂红景天的高光谱图像信息.采用主成分分析法(PCA)和正交-偏最小二乘判别分析法(OPLS-DA)进行分类判别.结果 OPLS-DA比PCA分析具有更好的分类性能,HSI和OPLS-DA分析结合可准确识别两种红景天.结论 所用方法可快速、无损地鉴别长鞭红景天和四裂红景天,为红景天的品种鉴定、质量控制和评估提供了参考.

前列腺癌(prostate cancer,PCa)是全球男性中患病最多、致死率第二高的癌症.PCa神经微环境与肿瘤进展、手术根治程度及术后复发密切相关,但具体机制尚不明确.神经微环境中的神经密度(neural density,ND)、神经周围侵袭(perineural invasion,PNI)以及神经内分泌特征(neuroendocrine features,NEF)与TMPRSS2 ERG基因、单胺氧化酶A(monoamine oxidase A,MAOA)、核因子κB,神经营养因子以及神经肽Y(neuropeptide Y,NPY)等的表达密切相关.挖掘与该基因组学及蛋白组学相关的影像标志物可以早期识别PCa神经微环境从而影响临床诊疗方案.基于多参数磁共振成像(multiparameter magnetic resonance imaging,mp-MRI)影像组学特征可以识别PNI及NEF的潜在影像标志物.基于磁粒子成像技术(magnetic particle imaging,MPI)、深度神经网络(deep neural network,DNN)图像分类模型可以进行神经可视化.新兴神经影像技术弥散张量成像(diffusion tensor imaging,DTI)、扩散频谱成像(diffusion spectrum imaging,DSI)、神经突定向扩散与密度成像(neurite orientation dispersion and density imaging,NODDI)以及基于吩噁嗪的近红外荧光团的设计合成与神经成像技术,在显示及预测ND、PNI、NEF也蕴含着独特的价值.本文就PCa患者神经微环境潜在影像标志物的研究现状进行综述,以进一步揭示PCa神经微环境的神经生理机制,为后续诊疗过程及改善患者预后提供影像学依据.

目的 青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)是危害青少年健康的常见疾病之一.临床上,X线图像Cobb角测量法是评估患者脊柱侧凸严重程度的"金标准".由于X线图像中肋骨和骨盆阴影重叠以及椎骨形态差异等因素影响,人工测量在寻找关键点时步骤复杂且耗时长,快速且准确的Cobb角自动测量方法具有重要临床应用价值.现有深度学习方法中基于分割的方法易受图像质量影响;基于关键点检测方法过于关注局部特征提取导致定位不准确等问题.为此,本文提出了一种以椎骨为中心的标志点检测方法,来实现脊柱侧弯Cobb角自动估计算法.方法 构建一种基于融合多尺度和注意力机制M型椎骨检测网络(multi-scale attention M-shaped network,MSAM-Net).首先,使用多尺度金字塔拆分注意力(multi-scale pyramids squeeze attention,MPSA)模块和注意力特征融合(attentional feature fusion,AFF)模块提取椎骨特征和上下文信息,然后,根据椎体中心和角偏移量定位4个角标志点,以在脊柱侧弯评估任务中提高椎骨标志点检测的性能,进而实现近胸段、主胸段和胸腰段曲线的Cobb角估计.结果 为了评估Cobb角估计与真实侧弯角度之间的偏差程度,本研究算法基于AASCE MICCAI 2019挑战赛数据集,使用4种指标对Cobb角精度进行评估,分别是对称平均绝对百分比误差(symmetric mean absolute percentage error,SMAPE)、欧氏距离(Euclidean distance,ED)、曼哈顿距离(Manhattan distance,MD)和切比雪夫距离(Chebyshev distance,CD).测试得到SMAPE为9.39％,ED为4.18;MD为5.92;CD为5.34.与基于分割和检测的5种深度学习方法进行对比,实现更好的Cobb角测量结果.结论 本研究可以准确识别和定位X线图像中椎骨,帮助医生测量AIS患者的Cobb角,为临床AIS诊断、手术计划和脊柱健康分析提供决策支持.

目的 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.

目的 通过机器学习分析"舌边白涎"舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能.方法 使用Python进行图像预处理,搭建用于舌象识别的视觉几何组 16层(visual geometry group 16,VGG16)卷积神经网络模型,分析其对"舌边白涎"舌象鉴别分析的效果,并结合热力图分析"舌边白涎"典型舌象表现.结果 基于PyTorch框架,进行卷积神经网络的舌象鉴别研究,VGG16 及残差网络 50 层(residual network 50,ResNet50)模型验证准确率均较高,达到 80%以上,且ResNet50 模型优于VGG16 模型,可为舌象识别提供一定参考.基于加权梯度类激活映射(gradient-weighted class activa-tion mapping,Grad-CAM)技术,通过舌苔舌色差异分布的网络可视化,有助于直观进行模型评估分析.结论 基于卷积神经网络模型对舌象数据库进行分析,实现"舌边白涎"舌象识别,有助于临床诊疗的客观化辅助分析,为舌诊智能化发展提供一定借鉴.

目的:分析糖尿病患者早期黄斑区微循环变化及其与视力的相关性。方法:采用横断面研究方法，收集2019年12月至2020年9月于扬州大学附属苏北人民医院确诊的不合并糖尿病视网膜病变(NDR)患者75例75眼作为NDR组、非增生性糖尿病视网膜病变(NPDR)患者33例33眼作为NPDR组，另收集年龄匹配的健康体检者35人35眼作为对照组。采用RTVue XR光相干断层扫描血管仪扫描受检者黄斑区3 mm×3 mm的光相干断层扫描血管成像(OCTA)图像，采用Angio Vue软件系统对检测数据进行量化。分析并比较3个组患者黄斑中心凹无血管区(FAZ)面积及周长、非圆度指数(AI)、浅层和深层FAZ轮廓异常分级、浅层毛细血管网(SCP)和深层毛细血管网(DCP)血流密度和FAZ旁宽300 μm区的毛细血管(FD300)血流密度，并分析各指标与视力的相关性。结果:对照组、NDR组和NPDR组间黄斑区FAZ面积、FAZ周长、AI总体比较，差异均无统计学意义( F＝1.948， P＝0.146； F＝2.632， P＝0.075；H＝5.582， P＝0.061)。对照组、NDR组和NPDR组黄斑区浅层FAZ轮廓异常眼的比例分别为22.9%(8/35)、37.3%(28/75)和54.5%(18/33)，深层FAZ轮廓异常眼的比例分别为42.9%(15/35)，70.7%(53/75)和87.9%(29/33)，其中NPDR组浅层及深层FAZ轮廓异常眼的比例明显高于对照组，差异均有统计学意义(均 P<0.05)。且随着DR病情程度的加重，无论是浅层还是深层FAZ，轮廓异常眼的分级均呈现逐渐升高趋势( χ2＝9.827、9.030，均 P<0.05)。对照组、NDR组和NPDR组旁中心凹DCP血流密度分别为[52.50(50.70，54.80)]%、[50.40(48.40，52.60)]%和[48.30(43.60，51.55)]%，DCP血流密度分别为[49.90(47.70，51.80)]%、[47.30(45.20，50.10)]%和[45.80(41.30，48.60)]%，总体比较差异均有统计学意义( H＝21.719、21.652，均 P<0.001)，组间两两比较差异均有统计学意义(均 P<0.05)。NPDR组中心凹SCP血流密度、中心凹DCP血流密度、FD300血流密度明显低于对照组，差异均有统计学意义(均 P<0.05)。各组旁中心凹SCP血流密度、SCP血流密度总体比较，差异均无统计学意义( H＝5.290、5.534，均 P>0.05)。糖尿病患者的旁中心凹SCP血流密度及SCP血流密度与LogMAR最佳矫正视力(BCVA)均呈负相关( rs＝-0.305、-0.330，均 P<0.05)，浅层FAZ轮廓分级与LogMAR BCVA呈正相关( rs＝0.353， P<0.05)。 结论:糖尿病患者出现临床可见眼底病变前即可出现旁中心凹DCP血流密度、DCP血流密度及FAZ轮廓的异常，糖尿病患者旁中心凹SCP血流密度、SCP血流密度及浅层FAZ轮廓分级等微循环异常与视力存在相关性。OCTA在监测糖尿病患者视网膜病变进展和识别影响视功能的微循环参数方面有一定的作用。

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:评估基于计算机视觉技术开发的眼底图像质量评估系统的准确性。方法:选取2016至2017年在“上海糖尿病眼病研究”中由上海市各社区卫生服务中心的工作人员采用免散瞳眼底照相机拍摄的787例2型糖尿病患者的2 397幅彩色眼底像图片作为测试数据集。患者年龄（69.65±19.09）岁，男性384例，女性403例。根据眼底图像预处理、成像质量评价、内容检测和评估结果输出4个模块开发眼底图像质量评估系统。将2 397幅彩色眼底像图片输入该系统自动进行图像质量评价和视盘、黄斑识别，并根据图像质量判断规则对图像进行合格与否的判断并分类。同时由12位专业眼底图片阅片医师对此数据集的图像质量进行人工分类，其中合格1 846幅，不合格551幅。将系统判断结果与人工判断结果进行比对分析。结果:眼底图像质量评估系统可对输入的彩色眼底像图片自动进行眼别和眼位识别，并进行图像质量评估，之后直观输出评估结果。每幅眼底图像评估时间<1 s。1 846幅人工判断为图像质量合格的图片，经系统判断亦为合格者1 788幅（96.86%）；551幅人工判断为不合格的图片经系统判断结果亦为不合格者550幅（99.82%）。图像质量不合格原因为图像过暗（62幅，11.27%）、图像过亮（51幅，9.27%）、黄斑区不清晰（59幅，10.73%）、黄斑视盘未见（36幅，6.54%）、未见眼底结构（125幅，22.73%）、图像模糊（175幅，31.82%）、图像有遮挡（42幅，7.64%）。系统评估与人工判断结果总体一致率为97.54%。结论:该眼底图像质量评估系统对眼底图像质量的评估结果与专业阅片医师判断结果一致性高，具有客观性。 （中华眼科杂志，2020，56：920-927）

目的:基于胎盘植入患者临床高危因素及超声征象建立一种胎盘植入性疾病(PAS)的风险模型，以识别重型胎盘植入。方法:回顾性分析2018年1月至2022年6月首都医科大学附属北京妇产医院收治并于分娩过程中临床分型诊断或病理诊断的PAS患者121例。根据植入类型分为轻型组和重型组，比较两组之间的临床高危因素、超声征象的差异。基于临床高危因素及超声征象建立一种PAS的风险模型，预测围产期并发症。结果:经临床诊断和(或)胎盘病理诊断的PAS 130例，剔除临床资料不全或超声图像显示不规范9例，余121例纳入研究。121例患者中粘连型64例，植入型39例，穿透型18例。粘连型为轻型，植入型和穿透型统称为重型，其中轻型组64例，重型组57例。两组间前置胎盘、宫腔操作史次数比较差异无统计学意义(均 P>0.05)；两组间剖宫产次数、子宫肌层变薄、胎盘陷窝、子宫－膀胱交界面异常血管化、子宫膀胱交界面桥接血管、胎盘隆起以及宫颈受累比较差异有统计学意义(均 P<0.05)。二元Logistic回归分析结果显示胎盘陷窝、子宫－膀胱交界面异常血管化及剖宫产次数是重型PAS的独立危险因素，基于此建立风险模型，并分别绘制各独立危险因素及风险模型ROC曲线，风险模型AUC为0.826，较其他独立危险因素有良好的诊断效能。 结论:在PAS高危患者的产前超声分型诊断中，胎盘陷窝、子宫－膀胱交界面异常血管化及剖宫产次数三者联合建立PAS风险模型，对于重型胎盘植入具有良好的诊断效能。

目前人工智能技术已在诸多领域如图像分析、自然语言处理、语音识别等取得了卓越的成果。随着医学图像数字化技术的发展，人工智能辅助的医学图像分析成为研究者们高度关注的焦点，其中病理学图像作为医学图像的一个分支在这类研究中占有很大比重。最近工作中很多成人肿瘤的病理图像分析任务都已取得了不错的成果。然而，与成人研究相比，儿科相关的研究因其人口基数小、发病率低、难于获取数据、疾病谱与成人不同等问题，未能得到足够关注和实质性进展。本文将总结现阶段人工智能在成人病理图像的研究成果、儿科病理与成人相比较的不同之处和面对的挑战以及人工智能在儿童病理图像分析中的发展现状和未来趋势。