目的:构建多标签学习MRI膝关节运动损伤检测诊断模型，并验证该模型的实际效能。方法:回顾性连续纳入2013年8月至2019年3月解放军东部战区总医院1 343例膝关节运动损伤青年患者的1 391个膝关节MRI图像。采用随机采样法将数据按7∶1∶2分为训练集（ n=973）、验证集（ n=139）及测试集（ n=279）。将膝关节损伤分为半月板损伤、肌腱损伤、韧带损伤、骨与骨端软骨损伤、滑膜关节囊损伤及周围软组织损伤6大类，由放射科医师依各层面图像对所有损伤进行标注作为金标准。根据PyTorch V1.1.0算法包搭建通用YOLO深度学习工具包，开发膝关节运动损伤MRI多标签定位检测模型，并在测试集上验证模型效能，评价其对病灶检测的灵敏度、特异度及平均精度均值。 结果:测试集279个膝关节MRI数据中，MRI多标签学习模型对半月板损伤、肌腱损伤、韧带损伤、骨与骨端软骨损伤、滑膜关节囊损伤及软组织损伤定位检测的平均精度均值分别为83.1%、89.0%、88.0%、85.8%、85.5%和83.2%，整体的平均精度均值为85.8%。模型对肌腱损伤检出效能最高，灵敏度为91.2%，特异度为87.1%。结论:多标签学习MRI膝关节运动损伤检测诊断模型可以有效辅助膝关节运动损伤的定位检测，提高影像诊断工作效率。

目的:评估基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌脉管侵犯（VI）的价值。方法:回顾性分析2011年7月至2020年12月郑州大学第一附属医院经病理证实的296例局部进展期胃癌患者，VI阳性213例、阴性83例，采用分层抽样方法按7∶3的比例将数据分为训练集（207例）和测试集（89例）。记录患者临床特征，采用多因素logistic回归筛选胃癌VI的独立危险因素。利用Pyradiomics软件提取肿瘤静脉期CT影像组学特征，采用最小绝对收缩和选择算法（LASSO）进行特征筛选，得到最优特征子集，建立影像组学标签。使用极端梯度提升（XGBoost）、逻辑回归（logistic）、朴素贝叶斯（GNB）和支持向量机（SVM）4种机器学习算法，对影像组学标签和筛选出的临床独立危险因素构建预测模型。采用受试者操作特征曲线评估模型预测胃癌VI的效能。结果:分化程度（OR=13.651，95%CI 7.265~25.650， P=0.003）、Lauren分型（OR=1.349，95%CI 1.011~1.799， P=0.042）和CA199（OR=1.796，95%CI 1.406~2.186， P=0.044）是预测局部进展期胃癌VI的独立危险因素。基于静脉期增强CT图像提取了864个影像组学特征，经LASSO筛选出18个最优特征构建组学标签。训练集中，XGBoost、logistic、GNB和SVM模型预测胃癌VI的曲线下面积（AUC）分别为0.914（95%CI 0.875~0.953）、0.897（95%CI 0.853~0.940）、0.880（95%CI 0.832~0.928）和0.814（95%CI 0.755~0.873），测试集中分别是0.870（95%CI 0.769~0.971）、0.877（95%CI 0.788~0.964）、0.859（95%CI 0.755~0.961）和0.773（95%CI 0.647~0.898）。logistic模型在测试集中AUC最大且稳定性高。 结论:基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌VI均具有较高的效能，其中logistic模型的诊断效能最佳。

目的:探讨基于脂代谢相关基因（LMRG）预测局部晚期直肠癌（LARC）新辅助放化疗疗效的价值。方法:于基因表达数据库获得接受新辅助放化疗的LARC的全基因组表达数据GSE46862，进行差异表达分析以获得差异表达基因。于分子标签数据库（MSigDB数据库）搜集LMRG并与差异表达基因取交集获得差异表达的LMRG。基于最小绝对收缩和选择算子（LASSO）回归、支持向量机递归特征消除（SVM-RFE）、随机森林（RF）三种机器学习算法筛选获得候选LMRG。采用基因本体论（GO）与京都基因与基因组百科全书（KEGG）分析进行功能富集分析以获得潜在的功能与作用通路。采用受试者操作特征（ROC）曲线分析评估候选LMRG预测LARC新辅助放化疗疗效的准确性。结果:共筛选出8个候选LMRG（ ALOX5AP、 FADS2、 GALC、 PLA2G12A、 AGPAT1、 AACS、 DGKG、 ACSBG2），这些LMRG主要涉及脂质代谢相关生物进程，并参与调控多个重要的脂质代谢相关信号通路。此外，这8个候选LMRG拥有较高的预测LARC新辅助放化疗疗效的曲线下面积（AUC）值。 结论:基于3种机器学习算法鉴定出的8个LMRG拥有较高的预测LARC新辅助放化疗疗效的准确性，可为寻找LARC术前新辅助放化疗疗效评估的分子标志物及潜在的治疗靶点提供线索。

目的:探讨基于机器学习的 18F－FDG PET影像组学特征对≥60岁弥漫性大B细胞淋巴瘤(DLBCL)患者的预后评估价值。 方法:回顾性分析2011年3月至2019年11月166例未经治疗的DLBCL患者(年龄≥60岁)的 18F－FDG PET/CT资料，其中男88例、女78例，年龄60~93岁；训练组115例，验证组51例。对患者PET图像进行病灶勾画及影像组学特征提取，运用3种机器学习方法[最小绝对收缩和选择算子(LASSO)、随机森林(RF)和极端梯度提升(Xgboost)]筛选特征，采用支持向量机(SVM)对特征进行分类并生成影像组学标签(RS)，对患者总生存(OS)进行预测。根据Cox比例风险回归模型构建多参数模型，并通过一致性指数(C－index)进行评估。 结果:共提取1 421种影像组学特征，筛选出10个预测效能强的特征并生成RS。单因素Cox回归分析示，RS[风险比( HR)＝5.685, 95% CI: 2.955~10.939； P<0.001]是OS的危险因素。构建出包含RS、代谢特征及临床风险因素的多参数模型，其较临床模型、基于PET模型及美国国家综合癌症网络国际预后指数(NCCN－IPI)在预测OS上具有更高的效能(训练组C－index：0.752、0.737、0.739、0.688；验证组C－index：0.845、0.798、0.844、0.775)。 结论:基于机器学习 18F－FDG PET影像组学特征的RS是≥60岁DLBCL患者生存预后的预测因素。构建的包含影像组学特征的多参数模型能较好地预测患者预后。

目的:应用综合机器学习(ML)模型开发新的精确生物标志物，以预测胰腺癌(PC)患者预后及药物敏感性。方法:从公共多中心队列中获取768例患者的数据，并从CTRP-V2.0数据库中检索PC细胞的吉西他滨耐药数据。采用由9种ML算法组成的95个ML模型创建吉西他滨耐药相关基因特征(GRGS)。根据GRGS，PC患者被分为高危(共385例)和低危(共383例)两组。通过R 4.1.3软件的不同软件包，在纳入队列中评估GRGS预测PC患者总生存率(OS)的风险比( HR)；并将CRGS与已发表基因标签进行比较。运用AutodockVina 1.2.2软件筛选药物与GRGS核心基因进行分子对接，记录药物与核心基因的结合能评分。单因素多因素分析均采用cox回归模型，Kaplan-Meier法绘制生存曲线，HR评估两组个体之间生存时间的差异， t检验比较连续性变量，c指数值(c-index)用来比较模型和基因标签效能。 结果:在95个模型中，最小绝对收缩和选择操作＋随机生存森林模型(LASSO＋RSF)开发的GRGS显示出最高的c-index，在5个队列中的平均值为0.674。在癌症基因组图谱(TCGA)中，CRGS分数较高的PDAC患者，其OS越差[ HR＝7.40，95%可信区间( CI)：4.42～12.41， P<0.01]，相较于Grade分级、TNM分期、性别和年龄，CRGS是PADC患者较差OS的独立风险因素[ HR＝1.07，95% CI：1.05～1.08， P<0.01]。与已发表的43个基因标签比较，GRGS在评估多个队列的预后方面表现更佳(c-index＝0.94)。SMC4是组成GMGS的九个基因之一，达沙替尼结合SMC4蛋白分子的效能为－0.246。 结论:GRGS可作为评估PC患者临床预后和全身治疗的有前途的生物标志物。

目的:开发一个基于深度学习的心脏年龄预测模型，并探讨其在各类心电图数据集上的应用效果，特别是在评估心房颤动（房颤）患者病情严重程度方面的潜力。方法:首先利用PTB-XL公开数据库的12导联心电图和相应年龄数据，设计了一种结合多尺度Transformer网络和Inception架构的双流网络模型，提升心脏年龄预测的性能。接着，使用SPH数据集评估该模型的稳定性，根据心律失常发生率将该数据集分为全健康组、半健康组和异常组，并对模型对于不同组别的心脏年龄预测性能进行了比较分析。最后，探索了该模型在真实世界采集的不同轻、重症房颤患者数据集上的应用。模型性能通过（ MAE）、均方根误差（ RMSE）、决定系数（ R2）、解释方差分数（ EV）和相关系数（ COR）来评估模型预测与实际标签的平均偏差及相关性。 结果:在PTB-XL数据集中，模型的 MAE和 RMSE分别为7.48和9.43， R2为0.626， COR为0.748， EV为0.633。在SPH数据集中，健康组的 MAE和 RMSE显著低于异常组，且异常组的 R2和 EV显著低于健康组，验证了模型在健康样本上的高准确性，同时表明受试者心律失常的发生率越高，预测结果与实际年龄的差异越大。对于不同严重程度的房颤患者，轻症组和重症组的 MAE分别为11.61和12.55，显示了心脏年龄预测准确性与患者病情严重程度有显著相关性（ P<0.001），表明预测的心脏年龄与真实年龄差值可作为衡量房颤严重程度的可靠指标。 结论:基于心电图和神经网络预测的心脏年龄可以作为评估不同心律失常心脏健康程度的指标。本心脏年龄预测模型仅需使用患者的心电图数据，可为临床提供一种更为便捷的房颤病情严重程度判别工具。

目的:建立包含治疗前CT影像组学特征的食管癌调强放疗放射性肺炎（RP）的预测模型，并评价其应用价值。方法:前瞻性分析2019年1月—2021年12月在福建医科大学附属泉州市第一医院连续入组的267例（前206例为训练集，后61例为验证集）食管癌调强放疗患者的临床资料，提取放疗定位CT的双肺影像组学特征。通过单因素分析选择可能预测症状性RP的变量，分别采用最小绝对收缩和选择算子（LASSO）、极致梯度提升（XGboost）、支持向量机（SVM）三种机器学习算法筛选影像组学特征，选择最佳的分类器组成影像组学标签（RS），并分别建立临床、影像组学以及联合预测模型。通过受试者操作特征曲线（ROC）的曲线下面积（AUC）、校准曲线以及决策曲线分析比较三种模型的预测效能和临床获益情况，并在验证集中验证。多变量分析采用logistic回归进行评估；不同ROC曲线采用DeLong检验进行比较。结果:与RP独立相关的因素包括心血管疾病、食管最小内径、辅助化疗以及影像组学标签。临床、影像组学与联合预测模型的AUC，训练集分别为0.772、0.745与0.842，验证集分别为0.851、0.811与0.901。决策曲线分析显示联合预测模型的临床获益优于临床预测模型。结论:治疗前CT的影像组学特征具有提高食管癌调强放疗RP预测模型预测效能的潜力。

目的:应用注意力机制网络的多实例学习（Attention-MIL）框架技术，实现慢性胃炎多项指标的自动识别。方法:收集2018年1月1日至12月31日复旦大学附属肿瘤医院诊断为胃炎活检病例1 015例和上海市浦东医院诊断为胃炎活检病例115例，所有病理切片经扫描仪进行数字化处理，转化为全载玻片成像（whole slide imaging，WSI），WSI标签依据胃炎病理报告，包含活动性、萎缩和肠化3项指标。所有的WSI分为训练集、单一测试集、混合测试集和外部测试集，Attention-MIL模型在3个测试集上评价自动识别的准确性。结果:Attention-MIL模型在240例WSI单一测试集上的受试者工作特征曲线下面积（AUC）值分别为：“活动性”0.98，“萎缩”0.89，“肠化”0.98，3项指标的平均准确率为94.2%。模型在117例WSI混合测试集上的AUC值分别为：“活动性”0.95，“萎缩”0.86，“肠化”0.94，3项指标的平均准确率为88.3%。模型在115例WSI外部测试集上的AUC值分别为：“活动性”0.93，“萎缩”0.84，“肠化”0.90，3项指标的平均准确率为85.5%。结论:在慢性胃炎的人工智能辅助病理诊断中，Attention-MIL模型的诊断准确性非常接近病理医师的诊断结果，这种弱监督下的深度学习模式适于病理人工智能技术的实际应用。

目的:使用置信学习识别并检测丙泊酚麻醉临界状态下与意识波动相关的脑功能特征，并用其进行意识状态分类。方法:选择2019年10月至2020年10月在西安交通大学第一附属医院行胸腹部手术的患者29例，年龄18~45岁，BMI 18~26 kg/m 2，ASA分级Ⅰ、Ⅱ级，无神经和精神类疾病或病史。所有患者靶控输注丙泊酚，初始药物浓度设置为1.0 mg/L，并以0.2 mg/L的阶梯增加直到患者失去意识，每次药物浓度增加均以6 min为间隔。同时，给予患者听音按键任务获取其意识状态，并采集患者的脑电图（electroencephalography, EEG）。对采集的EEG进行预处理，依据声音刺激将其分为长为5 s的数据段，基于患者对每个声音刺激反应与否给予每个数据段一个标签（有意识或无意识），将患者在有意识和无意识交替出现的意识状态波动阶段定义为临界状态。提取每个数据段的包括脑电信号功率普特性、信号复杂度、脑区间功能连通性和脑网络特性的110个脑功能特征。使用前向选择方法进行特征筛选。使用置信学习对训练集进行清洗，采用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM) 3种分类器模型分别计算置信学习前后的意识状态分类正确率。 结果:被置信学习清洗的标签大多位于意识波动的临界状态阶段。置信学习前LDA、LR和SVM分类器模型对意识状态的分类正确率分别为（85.3±3.7）%、（85.3±3.9）%和（85.3±3.8）%，置信学习后的分类正确率分别为（93.5±2.0）%、（92.9±1.8）%和（93.3±1.0）%，相比于置信学习前平均增长了7.93%。原本显示为无意识状态（对声音刺激无反应）而被置信学习重新标记为有意识状态的数据段上的α占比-顶后区、PLI-δ-额顶和聚类系数-δ这三类特征与稳定无意识数据段差异有统计学意义（ P<0.001），而与稳定有意识数据段差异无统计学意义（ P>0.05）。尽管快慢波-α-额区、排列熵-θ-额区、排列熵-θ-中央和α占比-额区上在不确定意识与稳定有意识状态和稳定无意识状态差异均有统计学意义（ P< 0.001），但和稳定的无意识相比，这些数据明显更加接近于稳定的有意识状态。 结论:使用置信学习可以有效提高临界状态下不同意识水平的分类结果，为更精确的术中意识监测提供方法学支持。

目的:评估三维no new U-Net（3D nnU-Net）深度学习（DL）网络基于腹部CT图像自动分割结直肠癌（CRC）的可行性。方法:本研究为横断面研究，回顾性收集2018年1月至2023年5月广东省中医院（中心1， n=777）、南方医科大学南方医院（中心2， n=732）及中山大学孙逸仙纪念医院（中心3， n=671）共2 180例经病理证实的原发性CRC患者，其基线腹部CT检查于以上3个中心、4种品牌、7种不同机型的CT设备完成，包括动脉期及静脉期增强扫描。由2名放射科医师对动脉期和静脉期CT图像上全瘤病灶进行手动标注。合并中心1和中心3的数据，按照4∶1的比例使用加权随机抽样法分为训练集（ n=1 159）和验证集（ n=289），中心2的数据作为独立的外部测试集（ n=732），对3D nnU-Net分割模型进行训练和验证。以手动标注的标签数据作为评价标准，分别基于不同期相和不同肿瘤部位计算分割覆盖率（SCR）、相似系数Dice（DSC）、召回率（REC）、精确度（PRE）、F1分数及95%豪斯多夫距离（HD 95），对模型的分割性能进行评价。采用独立样本 t检验比较肿瘤自动分割时间与手动标注时间的差异。 结果:在独立的外部测试集中，3D nnU-Net模型于动脉期自动分割肿瘤的效能优于静脉期，动脉期SCR、DSC、REC、PRE、F1分数及HD 95分别为0.865、0.714、0.716、0.736、0.714及27.228；静脉期分别为0.834、0.679、0.710、0.675、0.679及29.358。模型对右半结肠癌的分割效果最好，基于动脉期图像的SCR、DSC、REC、PRE、F1分数及HD 95分别为0.901、0.775、0.780、0.787、0.775及21.793，其次为左半结肠癌和直肠癌，对横结肠癌的分割效果最差（SCR、DSC、REC、PRE、F1分数及HD 95分别为0.731、0.631、0.641、0.630、0.631及38.721）。每例肿瘤单期相的自动分割时间为（1.0±0.3）min，手动标注时间为（17.5±6.0）min，差异有统计学意义（ t=128.24， P<0.001）。 结论:经多中心多机型的数据集训练和验证后，3D nnU-Net DL网络基于腹部CT图像可实现对CRC的自动分割，且模型具有较好的鲁棒性及泛化能力。