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: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.

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.

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.

背景:基于机器学习的不同算法,如何借助各种算法模型开展腰椎间盘突出症的临床研究已成为目前智能化医学发展的趋势和热点.目的:综述机器学习不同算法模型在腰椎间盘突出症诊治中的特点,归纳相同用途的算法模型各自优势和应用策略.方法:计算机检索PubMed、Web of Science、EMBASE、中国知网、万方数据、维普及中国生物医学数据库中与机器学习在腰椎间盘突出症诊治中的相关应用文献,按入组标准筛选后最终纳入96篇文献进行综述.结果与结论:①机器学习的不同算法模型为腰椎间盘突出症的临床诊治提供了智能化、精准化的应用策略.②监督学习中的传统统计学方法和决策树在探究危险因素,制定诊断、预后模型方面简单高效;支持向量机适用于高维特征的小数据集,作为非线性分类器可应用于正常或退变椎间盘的识别、分割、分类,制定诊断、预后模型;集成学习可相互弥补单一模型的不足,具有处理高维数据的能力,提高临床预测模型的精度和准确性;人工神经网络提高了模型的学习能力,可应用于椎间盘识别和分类,制作临床预测模型;深度学习在具有以上用途的基础上,还能优化图像,辅助手术操作,是目前腰椎间盘突出症诊治中应用最广泛、性能最佳的模型;无监督学习中的聚类算法主要用于椎间盘分割和不同突出节段的分类;而半监督学习方式临床应用相对较少.③目前,机器学习在腰椎间盘的识别、分割,退变椎间盘的分类和分级,自动化临床诊断和分类,构建临床预测模型以及辅助术中操作方面具有一定临床优势.④近年来,机器学习的研究策略已向神经网络和深度学习方向转变,具有更强学习能力的深度学习算法将会是未来实现智能化医疗的关键.

背景 抑郁症病因复杂且临床表现异质性高,神经影像学研究为抑郁症生物学亚型的探索提供了新契机.目前,采用结构磁共振数据(MRI)进行抑郁症亚型划分的研究十分有限.目的 使用弥散张量成像(DTI)和机器学习方法探索抑郁症的生物学亚型.方法 纳入2017年9月-2021年8月于北京安定医院就诊的、符合《精神障碍诊断与统计手册(第4版)》(DSM-Ⅳ)抑郁症诊断标准的患者127例,同期在医院附近社区通过广告招募与患者性别和年龄相匹配的80例健康对照组.采集所有受试者的DTI图像、人口学信息和临床资料.使用纤维束追踪空间统计(TBSS)方法和约翰霍普金斯大学(JHU)脑白质概率图谱提取纤维束各向异性分数(FA),采用半监督学习方法划分抑郁症亚型,并比较不同亚型的患者组与健康对照组全脑白质纤维束FA值的差异.结果 抑郁症患者被划分为两种亚型,亚型Ⅰ患者胼胝体、放射冠等广泛的纤维束FA值低于健康对照组(P<0.01,FDR校正),亚型Ⅱ患者在小脑中脚、左侧小脑上脚和左侧大脑脚的FA值高于健康对照组(P<0.01,FDR校正).亚型Ⅰ和亚型Ⅱ患者基线期HAMD-17总评分差异无统计学意义(P>0.05);治疗12周后,亚型Ⅰ患者组HAMD-17总评分低于亚型Ⅱ患者组(t=2.410,P<0.05).结论 抑郁症患者存在两种具有不同白质损伤模式的生物学亚型,不同亚型的患者对药物的治疗反应存在差异.

目的:在无创血糖检测方法的研究中,因无创生理参数相比血糖真值更易于获取,病理数据库中未用血糖真值标记样本的数量远大于有标记的样本,若能将未标记样本应用于传统有监督血糖预测模型的训练中,将有效扩充训练样本集并提高模型的泛化能力.方法:在基于能量代谢守恒法的理论基础上,利用无创生理参数天然的多视图特性,将半监督学习算法应用于无创血糖的预测中,提出一种基于多视图协同训练与支持向量机技术的血糖预测算法.结果:经实验分析,在一定标记率下,基于协同训练的学习算法相比传统的有监督学习算法预测误差更小.说明未标记样本能够有效提升原始模型的泛化能力.结论:协同训练的引入,充分利用了规模较大的未标记样本,提高了模型泛化能力,并减少了血糖样本采集中标记样本的工作量,为今后无创血糖算法的研究提供了新思路.

卷积神经网络(CNN)是目前计算机视觉和模式识别中效果最为突出的算法.CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴.部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担.本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述.以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向.

目的 评价自动勾画与手动勾画软件在危及器官(OAR)勾画方面差异,研究OAR剂量学参数的变化.方法 选择在放射治疗科行调强放射治疗患者33例,其中男性11例,女性22例;年龄38～81岁,平均年龄63.4岁;鼻咽癌13例,乳腺癌10例,直肠癌10例.在同一定位CT序列图像分别进行手动勾画与自动勾画.首先使用AccuContour软件评估自动勾画结构与手动勾画的相似性指数,然后将自动勾画与手动勾画的OAR结果回传至Pinnacle 9.8计划系统,将以手动勾画为参考的剂量分布复制到自动勾画靶区上,评价手动勾画与自动勾画OAR的体积剂量和剂量体积等参数的变化.结果 鼻咽癌、乳腺癌和直肠癌平均手动勾画的时间分别为(56.50±9.00)min、(23.12±4.23)min和(45.23±2.39)min;AccuContour 自动勾画的平均时间为(1.5±0.23)min、(1.45±0.78)min 和(1.80±0.56)min.鼻咽癌中,眼球勾画获得最佳Dice相似系数(DSC)为0.907±0.020,脊髓获得最差的DSC为0.459±0.112;乳腺癌中,所有OAR包括肺、心脏与脊髓均获得很好勾画效果(DSC＞0.7),其中肺的勾画最佳DSC为0.944±0.030,最差勾画脊髓DSC为0.709±0.100;直肠癌中,OAR膀胱勾画获得最佳DSC为0.91±0.04,而股骨头的勾画最差,DSC为0.43±0.10.尽管大部分器官都得出很好的自动勾画效果,然而自动勾画的剂量学参数却有重要的差别,勾画效果较差的小体积器官,如晶状体、视神经等剂量学参数差异无统计学意义(P＞0.05),而勾画效果较好的大体积器官,如剂量学参数差异有统计学意义(P＜0.05).结论 基于深度学习的自动勾画方法具有很高临床研究价值,然而DSC的值不能完全反映剂量分布.膀胱、肺等边界清楚的器官可以采用自动勾画,而对于股骨头、脊髓和脑干等一些依赖于人工经验及勾画习惯的可以采用半自动勾画的方式,自动勾画不仅为临床应用节省了大部分的勾画时间,也对临床手动勾画起到监督的作用.