针对病理数据超大尺寸、标注成本高昂等问题带来的病理分类准确率较低的问题,基于多示例网络,引入分级注意力模块,设计一种兼顾示例级和图像块级损失的病理分类算法.回顾性收集皖南医学院第一附属医院口腔颌面外科186例口腔癌(126例鳞癌、60例腺癌),其数字病理切片划分为验证集、测试集及训练集.首先对病理图像进行前后背景分割,去掉背景中的噪声部分,然后采用ResNet50对分割后的病理图像提取特征,并将特征输入第一级注意力网络,得到基于图像块的注意力得分和损失,再根据注意力得分对图像块进行排序重置标签输入第二级注意力网络,得到基于示例级别的损失,最后将两级注意力的损失作为模型的总损失,通过训练最终网络,得到口腔癌分类结果.实验结果表明,使用两级注意力的多示例网络准确率为78.95%,AUC为0.8430,相较于基线模型均有更高表现.

目的 通过治疗前胸部增强CT肺内多病灶组学特征构建加权组学评分模型,预测非小细胞肺癌患者接受程序性死亡受体1(PD-1)/PD配体1(PD-L1)免疫治疗的疗效.方法 回顾性收集北京协和医院2015 年6 月至2022 年2月接受PD-1/PD-L1 免疫治疗的非小细胞肺癌病例.根据临床结局分为有效组(部分缓解或完全缓解)和无效组(疾病稳定或疾病进展).从治疗前动脉期CT图像提取多病灶影像组学,通过基于注意力机制的多示例学习算法在病例水平获得加权组学特征,采用Logistic回归建立加权评分模型.采用受试者工作特征曲线下面积(AUC)分别比较加权评分模型、PD-L1模型、临床模型、加权评分+PD-L1 模型和综合模型预测肿瘤治疗疗效的效能.结果 最终纳入237 例患者,随机分为训练集(n=165)和测试集(n =72).训练集和测试集患者的平均年龄分别为(64±9)岁和(62±8)岁.加权评分模型预测免疫治疗疗效的AUC在训练集和测试集中分别为 0.85 和 0.80,高于PD-L1-1 模型(Z =37.30,P<0.001 和Z = 5.69,P =0.017)、PD-L1-50 模型(Z =38.36,P<0.001 和Z =17.99,P<0.001)和临床模型(Z =11.40,P<0.001 和Z =5.76,P =0.016)的预测能力,与加权评分+PD-L1 模型和综合模型比较差异无统计学意义(P均>0.05).结论 基于治疗前增强CT影像多病灶加权组学评分能够预测非小细胞肺癌患者接受免疫治疗的疗效.

目的:利用深度学习技术,全自动标注病变的计算机断层扫描(CT)数据,开发准确快速区分新型冠状病毒感染(COVID-19)和其他社区获得性肺炎的人工智能模型.方法:回顾性分析248例COVID-19患者及347例其他肺炎患者的资料,进行COVID-19与其他肺炎分类;在人工智能肺分割提取后将异常的CT图像特征降维,输入几种经典强化机器学习模型、三维卷积神经网络(3D CNN)和注意力多示例学习(Attention-MIL)深层神经网络架构中,模型诊断性能利用受试者工作特性(ROC)曲线、精确召回率(PR)曲线、曲线下面积(AUC)、敏感性、特异性、准确性指标进行评价.结果:在经典机器学习模型中K邻近算法(KNN)具有较好的效果,在外部测试集上的AUC值和平均精度(AP)值分别为0.79和0.89,平衡F分数(F1)值为0.76,准确率为0.75,敏感性为0.76,精确率为0.77;经典的3D CNN在外部测试集上效果良好,AUC值和AP值分别为0.64和0.82,F1值为0.71,准确率为0.78,敏感性为0.66,精确率为0.62;Attention-MIL模型在外部测试集上表现出更好的鲁棒性,AUC值和AP值分别为0.85和0.94,F1值达到0.82,准确率为0.92,敏感性为0.74,精确率为0.76.结论:与强化影像组学和3D CNN模型相比,深度学习Attention-MIL模型在鉴别诊断COVID-19和其他社区获得性肺炎上表现出更高的效能.

在临床治疗中,病人的面部疼痛估计受到了广泛的关注,尤其是在诸如儿童、脑损伤病人等具有语言功能障碍的患者中显得尤为重要.与此同时,伴随着模式识别方法的广泛应用,基于视频序列的自动疼痛评估方法引起了很多科研人员的兴趣.本文回顾了近些年来相关文献中关于疼痛估计的方法,尤其着眼于深度学习和弱监督学习在该领域上的应用.此外,本文对每类方法中算法的优缺点进行了深入的分析和比较,并列举了现阶段关于在疼痛估计领域中数据库和方法所面对的挑战.最后,对未来研究的方向做了大胆的预测.

诊断抑郁症的传统方法是通过面对面的评估和交谈.但是,许多患有抑郁症的患者不愿意在早期阶段就医,从而使病情恶化.为了在早期判断抑郁症患者的情况,提出一种利用社交媒体文本信息的时间序列特征和多示例学习的检测模型,考虑到抑郁症状不会立即出现,所以时序样本的使用显得非常重要,因此使用无监督LSTM提取时间序列特征,训练分类器实现二值分类,并使用多示例学习模型来解决不平衡样本问题.首先采用朴素贝叶斯分类器、随机森林、多元社会网络学习和多式抑郁词典学习作为基准,随后利用具有无监督LSTM时间序列功能的多示例学习来更准确地检测抑郁症.在MDDL数据集的基础上,整理出200个调查对象合计7 946条推文信息,并按照训练测试比为8:2的实验得到结果如下:在准确率、精度,召回率和F1得分上分别达到75.0％、76.0％、73.0％、74.5％.结果表明,通过社交媒体中的文本数据,采用机器学习进行早期抑郁症检测是可行的.此外,通过大量的消融实验也证实,采用时间序列特征的方法要比传统的基准模型方法能够获得更好的性能.

目的:设计基于深层神经网络模型用来分析肝脏全景病理切片图像(Whole slide images,WSI)的肝脂肪变性分级方法,以实现对非酒精性脂肪性肝病(Non-alcoholic fatty liver disease,NAFLD)病程的辅助诊断.方法:结合临床诊断,以非酒精性脂肪肝活动度积分(NAFLD activity score,NAS)为评价标准,将肝脂肪变性程度分为无、轻度、中度和重度等四级病程,本研究采用多示例学习的策略构建并训练深度神经网络模型,将训练获得的人工智能模型用来实现计算机自动化诊断肝脏病理切片中肝脂肪变性程度分级.结果:通过使用本研究中的人工智能方法可以在3分钟内对一张WSI进行完整的分析,得到该病患肝脏病理切片中肝脂肪变性分级,训练获得的人工智能模型的AUC为0.97,肝脂肪变性分级的平均准确率为78.18％,macro-F1 score、macro-Preci-sion和macro-Recall分别为79.49、82.03和77.10,其结果展示获得的人工智能模型已满足可辅助临床诊断的水平.结论:本研究基于深度学习技术开发的人工智能方法初步实现快速自动化诊断肝脂肪变性分级,展现了其潜在的临床使用价值.

抽动症是小儿常见的精神疾患,反复发作,持续时间较长,影响患儿的生活学习.西药治疗疗程长,家长常因副作用而弃选,中医药治疗有一定优势.孙桂连主任医师认为小儿抽动症主要是气机郁滞,肺失宣降,治疗应从肺论治,兼调五脏六腑,疏解三焦.以此付诸临床,疗效确切,文末举案示例.

目的:基于深度学习的乳腺X线图像分类模型对于所得出的决策无法给出诊断依据.本文旨在保证模型分类精度的同时,改善模型的可解释性.方法:基于多示例学习,提出一种弱监督病灶分类和定位方法,以应用于乳腺X线图像的乳腺影像报告和数据系统(BI-RADS)分级任务.为了解决传统多示例学习只能应用于二元分类任务的问题,本文利用了BI-RADS分类的有序性,引入了新的样本标签、训练方法和输出判断方法.结果:公开数据集INbreast上的实验结果表明,在使用相同的特征提取网络下,所提出的方法在分类准确性上相较传统方法提升了 2.91％.模型在病灶检出上的准确率达到83.49％,真阳性率达到75.87％,具有一定的病灶定位能力.结论:在不借助病灶轮廓数据或是位置数据进行训练的情况下,所提出的深度学习模型可以展示出每一个可能存在的病变区域及其BI-RADS分类,具有较好的应用场景.