目的 通过机器学习方法对流行性感冒临床证候学资料进行训练,获得流感辨证模型.方法 收集2019年12月-2022年3月就诊于中日友好医院发热门诊的流行性感冒患者病历资料,使用数据采集系统进行数据处理,将不同数据处理过程产生的数据分别存储,以逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM和随机森林为备选模型,通过Optuna进行超参数优化选择,并在各数据集中分别训练模型,以macro-F1评分为核心指标,对模型的预测性能进行评价.结果 整理得到训练样本1 011个,其中风热犯卫证453个、风寒束表证152个、表寒里热证406个;得到用于训练的数据集8个,包含数据80份.经训练,逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM、随机森林模型的macro-F1评分分别为0.783 0、0.774 2、0.731 5、0.782 4、0.716 7、0.793 8、0.815 3.加权样本能显著提高平均模型性能,而主成分分析降维会降低平均模型性能.单一模型中,逻辑回归模型预测性能最佳;集成方法模型中,随机森林模型预测性能最佳.结论 在样本量较小的情况下,流行性感冒中医辨证模型使用逻辑回归、决策树、支持向量机和lightGBM较为适宜,随着样本量增加,逻辑回归、支持向量机、lightGBM和随机森林可能更为合适.不同数据处理方式会影响模型性能,对证型典型程度信息的采集有利于提高模型性能.

目的:探讨基于 18F－FDG PET/CT影像组学特征的机器学习模型在胃癌(GC)和原发性胃淋巴瘤(PGL)的术前鉴别诊断中的价值。 方法:回顾性分析2012年1月至2020年12月于天津医科大学肿瘤医院术前行 18F－FDG PET/CT检查且经病理证实的155例GC患者[男104例、女51例，年龄(59.3±12.8)岁]和82例PGL患者[男40例、女42例，年龄(56.8±14.6)岁]，使用Python3.7.1软件将患者随机分为训练集和测试集。分别对PET和CT图像进行感兴趣体积(VOI)勾画，提取三维和二维影像组学特征。使用多层感知机(MLP)、支持向量机(SVM)2种机器学习模型分别对CT影像组学特征、PET影像组学特征和PET/CT影像组学特征进行学习，以鉴别GC和PGL。通过ROC曲线分析评估各模型的预测性能。 结果:训练集166例，测试集71例。基于PET/CT影像组学特征的SVM模型在GC和PGL的鉴别诊断方面(AUC＝0.88，95% CI：0.83~0.94)有优于MLP机器学习模型(AUC＝0.80，95% CI：0.73~0.87)的趋势( z＝1.15, P＝0.337)。基于PET/CT影像组学特征的SVM预测模型对2种疾病的预测效果优于单独CT影像组学特征模型(CT－SVM：AUC＝0.74，95% CI：0.67~0.81； z＝2.28， P＝0.022)。 结论:基于 18F－FDG PET/CT影像组学特征的机器学习模型有望成为GC和PGL患者术前无创且有效的鉴别诊断工具。

通过机器学习算法挖掘常规检验的血细胞分析参数，构建抑郁症诊断及与焦虑症鉴别诊断的预测模型。利用2020—2021年北京朝阳医院和河北医科大学第一医院血细胞分析参数进行研究，收集研究对象22项血细胞分析检验项目及年龄、性别参数，探索采用支持向量机、决策树、朴素贝叶斯、随机森林和多层感知器多种机器学习技术构建抑郁症预测模型。结果显示，基于健康人群和抑郁症组血细胞分析参数，构建的随机森林模型预测抑郁症发生准确率高达0.99，F1为0.975，受试者工作特征曲线下面积和平均精准度分别为0.985和0.967。血小板参数变化是影响抑郁症发生的重要因素。而基于抑郁症组和焦虑症组的血细胞分析数据，构建的随机森林鉴别诊断模型显示出最高的预测准确性（0.68）和AUC（0.622）。年龄和血细胞参数及红细胞平均体积对该模型贡献最大。综上，本研究通过挖掘血细胞分析项目，初步建立了抑郁症预测及与焦虑症的鉴别诊断模型，显示了机器学习模型在精神疾病中更为客观的评估价值。

目的:基于超声弹性及血流向量成像(VFM)技术联合无监督聚类分析和有监督机器学习方法，实现肝心一体化的早期评估。方法:采用观察性研究设计，在无任何干预的条件下，选取2021年12月至2022年9月哈尔滨医科大学附属第一医院收治的肝硬化患者45例，肝纤维化患者43例，健康志愿者42例。应用肝脏联合弹性技术及VFM技术分别获取受检者肝脏和心脏信息。对获取的数据进行标准化处理，借助拓扑数据分析(TDA)技术对处理后的数据进行聚类，再基于统计学分析评估聚类结果，最后通过机器学习方法实现有监督的多分类任务。结果:依据受检者相似性网络分为5类，各类维度的平均表现为：与其他类别相比，类别1的整体肝心状况最差，类别2、3次之，而类别4则均为肝心正常的健康对照组；类别5较为特殊，此类受检者的肝脏状况不佳，但根据心脏舒张功能评估指南，其心脏表现并无明显的异常，只有少数指标显示出较大的偏差。应用支持向量机(SVM)、随机森林(RFT)、多层感知机(MLP)在测试集多分类任务中准确性平均值分别为70%、81%、84%。结论:通过结合肝脏联合弹性、心脏VFM技术及TDA技术构建的患者相似性网络，成功识别出常规心脏指标未显现异常，而可能存在潜在心功能异常的肝纤维化患者，对于指导临床干预措施的选择和优化患者管理分层具有重要意义。

目的:比较9种机器学习模型对幕上深部自发性脑出血（SICH）患者发生早期血肿扩张及预后不良情况的预测性能。方法:回顾性研究。纳入2015年1月—2019年5月4家医院幕上深部SICH患者420例。其中男275例、女145例，年龄25~90（61.0±12.9）岁。420例患者按照7∶3的比例，采用完全随机法分为训练集294例和验证集126例。患者在72 h内复查CT，若血肿体积比初始体积增长>6 mL或>33%，判定存在早期血肿扩张。采用改良的Rankin评分量表（mRS）评估预后，以mRS>3分判定为预后不良。比较训练集和验证集的基线资料。采用随机森林、极限梯度提升算法（XGboost）、梯度爬升决策树、自适应提升算法、朴素贝叶斯、logistic回归、支持向量机、K近邻、多层感知机9种机器学习算法对早期血肿扩张及预后不良分别构建预测模型；在训练集中，依据各模型的灵敏度和特异度绘制受试者操作特征曲线，采用3折交叉验证取曲线下面积（AUC），比较各模型对早期血肿扩张及预后不良情况的预测性能，并在验证集测试模型的可靠性。结果:训练集和验证集患者基线资料比较差异均无统计学意义（ P值均>0.05）。420例患者中，早期脑血肿扩张的患者有117例（27.86%）；399例患者获随访，其中预后不良的患者有210例（52.63%）。预测早期血肿扩张：训练集中，9种机器学习模型的AUC为0.590~0.685，其中以XGboost模型最高，AUC为0.685±0.024；在验证集中，XGboost模型AUC为0.686［95%可信区间（ CI）0.578~0.721］。预测预后不良：9种机器学习模型的AUC为0.703~0.852，其中logistic回归模型最高，AUC为0.852±0.041；而在验证集中，logistic回归模型AUC为0.894（95% CI 0.862~0.912）。 结论:9种机器学习算法模型中，XGboost对幕上深部SICH早期血肿扩张的预测性能最佳，而logistic回归模型对预后不良的预测性能最高；对于不同临床结局的预测，应选用合适的机器学习模型。

目的:建立可预测Ⅱ~Ⅲ期胃癌患者淋巴结转移的神经网络模型，并探讨其预测价值。方法:病例纳入标准：（1）经病理确诊为Ⅱ~Ⅲ期（第8版AJCC分期）胃腺癌；（2）术前胸片、腹部超声及上腹部CT等检查无肝、肺、腹腔等远处转移；（3）行R 0切除。病例排除标准：（1）术前接受过新辅助化疗或放疗；（2）一般临床资料不完整；（3）残胃癌。回顾性收集2010年1月至2014年8月期间在福建医科大学附属协和医院胃外科接受根治性切除术的1 231例Ⅱ~Ⅲ期胃癌患者的临床病理资料。全组共1 035例患者经术后证实淋巴结转移，196例患者未出现淋巴结转移。416例（33.8%）术后病理分期为Ⅱ期，815例（66.2%）为Ⅲ期。全组患者被随机分为建模组861例（69.9%）和验证组370例（30.1%）。先运用Logistic单因素分析方法，对建模组的病例样本进行回顾性分析，筛查影响淋巴结转移的变量，确定人工神经网络输入节点的变量项目，再使用多层感知器（MLP）训练N+-ANN。N+-ANN由Logistic单因素分析筛选出的变量构成输入层。人工智能依据输入数据分析患者淋巴结转移状态，并与真实值进行比较。通过绘制受试者操作特性（ROC）曲线、获取曲线下面积（AUC）来评估模型的准确性。 结果:建模组与验证组临床资料的比较，差异均无统计学意义（均 P>0.05）。建模组单因素分析结果显示，术前血小板淋巴细胞比值（PLR）、术前系统性免疫性炎性指数（SII）、肿瘤大小、临床N（cN）分期与患者出现淋巴结转移有关。将以上因素连同术前中性粒细胞淋巴细胞比值（NLR）、术前糖类抗原19-9、术前癌胚抗原、肿瘤位置、临床T（cT）分期作为输入层变量构建N+-ANN。建模组N+-ANN对术后淋巴转移预测准确率为88.4%（761/861），灵敏度为98.9%（717/725），特异度为32.4%（44/136），阳性预测值为88.6%（717/809），阴性预测值为84.6%（44/52），AUC值为0.748（95%CI：0.717~0.776）；而验证组，N+-ANN的预测准确率为88.4%（327/370），模型灵敏度为99.7%（309/310），特异度为30.0%（18/60），阳性预测值为88.0%（309/351），阴性预测值为94.7%（18/19），AUC值为0.717（95%CI：0.668~0.763）。根据N+-ANN所输出的个体化淋巴结转移概率，取截点0~50%、>50%~75%、>75%~90%、>90%~100%，将患者分为N 0组、N 1组、N 2组、N 3组。建模组和验证组的N+-ANN对pN分期总体预测准确率分别为53.7%和54.1%，而cN分期对pN分期的总体预测准确率仅为30.1%和33.2%。 结论:本研究构建的N+-ANN能准确预测Ⅱ~Ⅲ期胃癌患者的淋巴结转移情况。基于N+-ANN的个体化淋巴结转移概率相较于cN分期，对pN分期预测的准确性更高。

目的:采用多层感知器评价经胸超声对"术中右上肺静脉鞘管压迫"测量房间隔缺损(ASD)压管值对选择封堵器的准确性。方法:回顾性分析2016年1月至2019年1月在空军军医大学第一附属医院成功进行封堵治疗的残缘为软缘、发育菲薄或合并房间隔瘤的中央型ASD患者460例，年龄(34.32±18.84)岁，男性129例，女性331例。记录术前经胸超声心动图(TTE)测量的ASD大小，以及术中TTE测量经右上肺静脉鞘管压迫后所得的ASD压管值大小。以手术最终选择的封堵器大小作为因变量，分别将术前和术中超声测量值作为协变量。将所有患者按照5∶2∶3比例随机分为训练集、测试集及验证集导入多层感知器，采用梯度下降法优化调整权重，分别进行10次运算，计算相对误差平均值，评价两种超声测量方法对封堵器选择的准确性。结果:所有患者术前超声测量的ASD大小为(15.26±5.33)mm，术中压管值为(23.83±6.39)mm，术后封堵器大小为(25.14±6.55)mm。术前、术后及封堵器大小依次递增，差异有统计学意义(χ 2＝850.450， P<0.001)，两两比较差异均有统计学意义( P<0.001)。运行10次多层感知器，获得基于术前TTE和术中右上肺静脉鞘管压迫后TTE测量的ASD压管值预测封堵器大小的训练模型。其中采用术前TTE获得的模型在验证集的相对误差为(16.55±0.02)%，术中右上肺静脉鞘管压迫后TTE测量的ASD压管值获得的模型在验证集的相对误差为(4.81±0.01)%，两种测量方法的误差差异有统计学意义( t＝16.185， P<0.001)。 结论:ASD封堵术中使用右上肺静脉鞘管压迫法、经胸超声测量ASD压管值的大小，对ASD封堵器的选择更加准确。对于ASD后缘、下缘、后下缘残缘为软缘，且发育菲薄或合并房间隔瘤的ASD患者封堵器的精确选择有重要指导作用。

目的:探讨与血管外肺水指数（EVLWI）相关的肺部超声影像组学特征，采用基于肺部超声的影像组学方法联合机器学习预测重症患者的EVLWI并进行效能验证。方法:采用回顾性病例对照研究方法，收集2021年11月至2022年10月广西医科大学第一附属医院重症医学科收治的重症患者肺部超声视频和脉搏指示连续心排血量（PiCCO）监测结果，按照8∶2的比例随机分为训练集与验证集。从肺部超声视频取帧得到对应图像并提取影像组学特征，以PiCCO测得的EVLWI为"金标准"，通过统计分析和LASSO算法对训练集影像组学特征进行筛选。采用经过筛选的影像组学特征训练8种机器学习模型，包括随机森林（RF）、极限梯度提升（XGBoost）、决策树（DT）、朴素贝叶斯（NB）、多层感知器（MLP）、K-近邻（KNN）、支持向量机（SVM）和Logistic回归（LR）；绘制受试者工作特征曲线（ROC曲线），评估上述模型在验证集中对EVLWI的预测效能。结果:最终共30例患者151组样本（包括906份肺部超声视频和151份PiCCO监测结果）纳入分析，其中训练集120组样本，验证集31组样本；两项数据集的性别、年龄、体质量指数（BMI）、平均动脉压（MAP）、中心静脉压（CVP）、心率（HR）、心排血指数（CI）、心功能指数（CFI）、每搏量指数（SVI）、全心舒张期末容积指数（GEDVI）、全身血管阻力指数（SVRI）、肺血管通透性指数（PVPI）、EVLWI等主要基线资料差异均无统计学意义。151份PiCCO监测结果中整体EVLWI范围为3.7~25.6 mL/kg；分层分析显示，两项数据集EVLWI均集中于7~15 mL/kg区间，EVLWI分布差异无统计学意义。通过LASSO算法筛选出2个影像组学特征，即灰阶不均匀性（权重为-0.006?464）和复杂度（权重为-0.167?583），并用于建模；ROC曲线分析显示，MLP模型具有较好的预测效能，其预测验证集EVLWI的ROC曲线下面积（AUC）高于RF、XGBoost、DT、KNN、LR、SVM、NB模型（0.682比0.658、0.657、0.614、0.608、0.596、0.557、0.472）。结论:肺部超声灰阶不均匀性和复杂度是与PiCCO测得的EVLWI相关性最高的影像组学特征；基于肺部超声灰阶不均匀性和复杂度构建的MLP模型可用于半定量预测重症患者EVLWI。

肝细胞癌（HCC）是全球最常见的恶性肿瘤之一，也是癌症相关死亡的第三大原因。双表型肝细胞癌（DPHCC）作为HCC的一种亚型，被2015年纳入中国原发性肝癌病理诊断的循证实践指南，术前影像学对DPHCC的初步诊断对于临床决策至关重要，因为有证据表明CK7、CK19阳性HCC具有高侵袭性、增殖和迁移能力。为了描述DPHCC患者的临床特征和预后，该研究纳入了2015年1月至2018年12月就诊的50例术后病理诊断为DPHCC的患者（观察组）和50例CK7、CK19阴性的HCC患者（对照组）（均行钆塞酸二钠增强MRI检查）。利用放射组学平台分析动脉期、门静脉期、延迟期和肝胆期图像，采用最小绝对收缩和选择算子（LASSO）降维，多层感知器、支持向量机、逻辑回归和K-近邻4个分类器来区分DPHCC与CK7和CK19阴性的HCC。Kaplan Meier生存分析评估观察组和对照组1年无病生存率（DFS）和总生存率（OS）。结果显示，DPHCC的最佳术前诊断能力可能来自于不同阶段和分类方法的组合。逻辑回归在门静脉期（0.740、0.780、0.766）、延迟期（0.893、0.700、0.798）、肝胆期（0.800，0.720，0.756）以及多层感知器在门静脉期（0.800、0.720、0.756）中的敏感性、特异性和准确性均表现较好。观察组患者1年DFS为69%，OS为78%。对照组患者1年DFS和OS分别为83%和85%。Kaplan-Meier生存分析显示组间DFS和OS差异无统计学意义（ P=0.231、0.326），但DFS和OS在DPHCC患者中数值较低。从钆塞酸二钠增强MRI图像中提取的放射组学特征可用于诊断术前DPHCC。DPHCC比HCC更容易复发和导致死亡，提示DPHCC患者术后需要积极的管理。

目的:探讨影响达芬奇机器人手术系统胃癌根治术手术时间延长预测模型的构建及其应用价值。方法:采用回顾性队列研究方法。收集2016年8月至2021年8月福建医科大学附属协和医院收治的534例行达芬奇机器人手术系统胃癌根治术患者的临床病理资料；男389例，女145例；年龄为（60±11）岁。534例患者通过SPSS 25.0软件按随机数法以7∶3比例随机分为训练集374例和验证集160例。观察指标：（1）患者手术时间延长情况。（2）手术时间延长和未延长患者术中及术后情况。（3）手术时间延长和未延长患者并发症发生情况。（4）影响患者手术时间延长危险因素分析。（5）手术时间延长人工神经网络预测模型的构建及其预测效能评价。正态分布的计量资料以 x±s表示，组间比较采用独立样本 t检验。偏态分布的计量资料以 M（ Q1，Q3）表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数和百分比表示，组间比较采用 χ2检验或Fisher确切概率法。等级资料比较采用非参数检验。单因素和多因素分析采用Logistic回归模型。基于单因素分析结果，采用多层感知器训练手术时间延长人工神经网络预测模型，绘制受试者工作特征（ROC）曲线，以曲线下面积（AUC）、准确率、灵敏度、特异度、阳性预测值、阴性预测值评价预测模型的效能。 结果:（1）患者手术时间延长情况。534例患者中，行全胃切除术和远端胃切除术分别为284、250例，手术时间分别为（206±42）min、（187±36）min。行全胃切除术手术时间延长和未延长患者分别为41、243例，行远端胃切除术手术时间延长和未延长患者分别为40、210例。81例手术时间延长患者性别（男、女），年龄，体质量指数（BMI），肿瘤长径，肿瘤位置（胃上部、胃中部、胃下部、混合型），新辅助治疗，术前美国麻醉医师协会（ASA）评分（1分、2分、3分），临床T分期（T1期、T2期、T3期、T4a期），临床N分期（N0期、N1期、N2期、N3期），临床TNM分期（Ⅰ期、Ⅱ期、Ⅲ期），手术切除范围（全胃切除、远端胃切除），消化道重建方式（Billroth-Ⅰ吻合、Billroth-Ⅱ吻合、Roux-en-Y吻合），术者经验（≤20例、>20例）分别为61、20例，（61±9）岁，（24±3）kg/m 2，4.0（2.5，5.0）cm，34、10、33、4例，1例、3、73、5例，3、6、26、46例，14、41、19、7例，5、13、63例，41、40例，1、33、47例，5、76例，453例手术时间未延长患者上述指标分别为328、125例，（60±11）岁，（23±3）kg/m 2，3.5（2.0，5.0）cm，129、71、227、26例，6例、45、382、26例，73、100、118、162例，211、180、52、10例，138、108、207例，243、210例，13、200、240例，15、438例；两者BMI、临床T分期、临床N分期、临床TNM分期比较，差异均有统计学意义（ t=-3.68， Z=-4.63、-5.53、-5.56， P<0.05）；性别、年龄、肿瘤长径、肿瘤位置、术前ASA评分、手术切除范围、消化道重建方式、术者经验比较，差异均无统计学意义（ χ2 =0.29， t=-0.95， Z=-1.27， χ2 =5.92， Z=-1.46， χ2 =0.25、1.35、0.87， P>0.05），新辅助治疗比较，差异无统计学意义（ P>0.05）。（2）手术时间延长和未延长患者术中及术后情况。81例手术时间延长患者手术时间、术中出血量、淋巴结清扫数目、术后首次下床活动时间、术后首次肛门排气时间、术后首次进食流质食物时间、术后首次进食半流质食物时间、术后住院时间分别为（261±34）min、50（30，50）mL、（39±15）枚、（2.3±0.6）d、（3.4±0.9）d、（4.1±1.2）d、（5.7±1.2）d、8.0（7.0，9.0）d；453例手术时间未延长患者上述指标分别为（186±29）min、30（20，50）mL、（42±14）枚、（2.2±0.6）d、（3.4±0.8）d、（4.1±1.1）d、（5.7±1.4）d、8.0（7.0，9.0）d；两者手术时间、术中出血量比较，差异均有统计学意义（ t=-20.46， Z=-3.32， P<0.05）；淋巴结清扫数目、术后首次下床活动时间、术后首次肛门排气时间、术后首次进食流质食物时间、术后首次进食半流质食物时间、术后住院时间比较，差异均无统计学意义（ t=1.87、-0.87、-0.16、0.28、0.03， Z=-1.45， P>0.05）。（3）手术时间延长和未延长患者并发症发生情况。81例手术时间延长患者总并发症发生率，外科并发症（腹腔感染、吻合口瘘、腹腔出血、切口相关并发症、肠梗阻、淋巴瘘）发生率，内科并发症（肺部感染、肝脏相关并发症）发生率分别为22.22%（18/81），0、0、2.47%（2/81）、0、8.64%（7/81）、1.23%（1/81），12.35%（10/81）、1.23%（1/81）；453例手术时间未延长患者上述指标分别为13.47%（61/453），2.65%（12/453）、0.44%（2/453）、1.77%（8/453）、0.44%（2/453）、3.31%（15/453）、0，7.28%（33/453）、1.55%（7/453）；两者总并发症发生率比较，差异有统计学意义（ χ2 =4.18， P<0.05），腹腔感染、吻合口瘘、腹腔出血、切口相关并发症、肠梗阻、淋巴瘘、肝脏相关并发症发生率比较，差异均无统计学意义（ P>0.05），肺部感染比较，差异无统计学意义（ χ2 =2.38， P>0.05）。（4）影响患者手术时间延长危险因素分析。单因素分析结果显示：BMI≥25 kg/m 2、肿瘤位置为胃下部、临床T分期为T3~T4a期、临床N分期为N1~N3期是影响达芬奇机器人手术系统胃癌根治术手术时间延长的相关因素（优势比=1.88，0.40，6.24，6.51，3.08，3.39，17.15，95%可信区间为1.03~3.42，0.21~0.76，1.40~27.76，1.50~28.30，1.43~6.60，1.29~8.92，4.84~60.74， P<0.05）。多因素分析结果显示：BMI≥25 kg/m 2、临床T分期为T3期、临床N分期为N3期是影响达芬奇机器人手术系统胃癌根治术手术时间延长的独立危险因素（优势比=2.31，4.97，11.08，95%可信区间为1.19~4.46，1.05~23.55，2.72~45.13， P<0.05）。（5）手术时间延长人工神经网络预测模型的构建及其预测效能评价。将BMI、肿瘤位置、临床T分期、临床N分期导入多层感知器构建手术时间延长人工神经网络预测模型。ROC曲线结果显示：训练集中，预测模型的AUC、准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为0.73（95%可信区间为0.68~0.78）、91.4%、68.1%、94.8%、65.3%、95.4%；验证集中，预测模型的上述指标分别为0.72（95%可信区间为0.65~0.79）、88.1%、67.6%、93.7%、74.2%、91.5%。 结论:BMI≥25 kg/m 2、临床T分期为T3期、临床N分期为N3期是影响达芬奇机器人手术系统胃癌根治术手术时间延长的独立危险因素。基于BMI、肿瘤位置、临床T分期、临床N分期构建的人工神经网络预测模型可较好预测芬奇机器人手术系统胃癌根治术手术时间延长的高危患者。