目的 分析脑电生物反馈治疗结合学习任务训练治疗注意缺陷多动障碍(ADHD)患儿临床疗效.方法 选取68例注意缺陷多动障碍患儿,随机分为对照组与观察组,各34例.对照组给予脑电生物反馈治疗,观察组给予脑电生物反馈治疗结合学习任务训练治疗,比较2组临床疗效结果.结果 观察组临床总有效率(94.12％,32/34)高于对照组(76.47％,26/34)(P＜0.05).治疗后,2组β波均高于治疗前,观察组高于对照组(P＜0.05);2组θ波、SMR波均低于治疗前,观察组低于对照组(均P＜0.05);2组Conners父母用量表(PSQ)评分低于治疗前,观察组低于对照组(均P＜0.05);2组持续性注意力测试指标水平均低于治疗前,观察组低于对照组(均P＜0.05).结论 脑电生物反馈治疗结合学习任务训练治疗注意缺陷多动障碍患儿,改善患儿注意力缺陷症状、脑电活动,疗效明显.

目的:探究甲基苯丙胺依赖青年女性工作记忆能力的特点，分析通过时空编码(CODING)训练任务对甲基苯丙胺依赖青年工作记忆能力的影响。方法:选取四川省某女子戒毒所甲基苯丙胺依赖青年女性60名作为甲基苯丙胺依赖组，同时选取某职业高中和大学女性健康志愿者60名作为正常对照组。采用视觉记忆力测试(VISGED)评价被试工作记忆能力，运用SPSS 21.0软件对两组记忆力差异进行非参数检验；根据工作记忆基线匹配原则将甲基苯丙胺依赖组分为治疗组和等待组，对治疗组进行时空编码范式进行工作记忆训练，通过独立样本 t检验分析其训练效果。 结果:(1)甲基苯丙胺依赖组与正常对照组工作记忆的个人参数[0.06(－1.62，1.67)，1.93(－0.28，2.71)]和工作项目[15.00(14.00，16.00)，17.00(15.00，20.00)]均差异具有统计学意义( Z＝－3.83， P<0.05； Z＝－3.50， P<0.05)。(2)通过记忆力训练，治疗组训练前后个人参数[(0.08±1.79)，1.68(0.68，2.25)]差异具有统计学意义( Z＝－3.63， P<0.05)，等待组前后测试中个人参数[(－0.01±1.86)，0.72(－1.54，1.88)]差异无统计学意义( Z＝－1.35， P>0.05)。 结论:甲基苯丙胺依赖会损伤青年女性的工作记忆，这种损伤不因年龄和教育水平而有所不同；记忆力训练能一定程度的恢复和提升记忆能力，有助于学习能力和生活能力的恢复，为更好回归社会奠定了基础。

目的:研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法:MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例，以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本，随机划分300例用于训练与验证，197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC)，与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响，按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN)，使用相同数据训练与测试，统计并对比两者DSC。结果:MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020，训练与测试时长是Unet、DeepLabv3+的1/3~1/30，S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002，脊髓平均值相差0.001，但标准差却比MTLW-CNN高0.014。结论:MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画，不仅可以提高模型应用效率，还有利于提高模型的泛化性能。

2022年11月30日，美国人工智能研究实验室OpenAI发布了聊天机器人程序ChatGPT(全称：Chat Generative Pre－trained Transformer)。作为人工智能技术驱动的自然语言处理工具，ChatGPT能够基于在预训练阶段所学习的模式和统计学规律来生成回答，还能根据聊天的上下文进行互动，真正像人类那样聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务。

上肢感觉运动障碍在卒中后常见，但对于如何改善上肢功能尚缺乏具有循证依据的干预措施。因此，瑞典斯科讷大学医院的Carlsson等进行了一项探索性随机对照试验，目的是在慢性卒中患者中评估感觉再学习联合特定任务训练的有效性以及可行性。

目的:研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法:收集安徽省第二人民医院6 068张眼底图像构建训练集，并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统，该系统由两级网络结构组成，第一级网络结构用于识别MMD是否存在，第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果:Densenet网络模型在MMD筛查任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示，本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征，准确识别弥漫性和局灶性脉络膜萎缩区域。结论:基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征，并准确进行MMD筛查及其严重等级判断，可有效辅助临床。

目的:探讨基于一般线性模型（GLM）的机器学习方法在血氧水平依赖功能磁共振成像（BOLD-fMRI）定位脑胶质瘤患者个体化运动功能中的应用价值。方法:前瞻性研究。纳入2017年11月—2021年11月西安交通大学第一附属医院神经外科确诊为脑胶质瘤且病灶位于大脑运动功能区的38例患者作为机器学习模型的验证集（男25例、女13例，年龄24～69岁），同期招募健康志愿者50例作为模型的训练集（男26例、女24例，年龄22～68岁）。采用独立成分分析法（ICA），随机提取98例人类连接组计划（HCP）受试者的静息态功能核磁共振（rs-fMRI）特征。依据健康志愿者的rs-fMRI和基于任务的功能磁共振（tb-fMRI）的相关性，训练基于GLM的机器学习模型。观察项目：（1）采用Pearson相关系数（CC）分析比较GLM预测的激活与实际激活的相似度。（2）采用Dice系数（DC）作为模型预测效能的定量指标，比较GLM与ICA方法的预测效能。结果:（1）胶质瘤患者基于GLM的机器学习方法所预测的激活与实际tb-fMRI的功能激活相似度高［（89.47%（34/38）的患者CC值>0.30）］。（2）胶质瘤患者GLM预测任务态运动功能激活的效能，DC为0.34（0.27，0.42），优于ICA方法的效能DC 0.26（0.16，0.30），差异有统计学意义（ Z=-3.88， P<0.001）；GLM在肿瘤半球的预测效能优于ICA方法，DC分别为0.36（0.17，0.48）和0.34（0.04，0.45），差异有统计学意义（ Z=-2.43， P=0.015）；2种方法在非肿瘤半球的预测效果均显著高于肿瘤半球（ Z=-4.33、-3.59， P值均<0.001）。 结论:基于GLM的机器学习方法能够很好地在术前利用rs-fMRI数据预测出胶质瘤患者的tb-fMRI运动功能激活，且其预测效果好于ICA方法。

目的:探讨任务导向性训练在社区卒中偏瘫患者中的疗效。方法:选择上海市黄浦区半淞园街道社区卫生服务中心2017年1月至2019年12月收治的80例卒中患者，38例在康复过程中采用常规Bobath技术和运动再学习方法的患者纳入对照组，42例在此基础上联合任务导向性训练的患者纳入观察组，所有患者均康复治疗12周。分别在治疗前和治疗12周后采用Brunnstrum分期评价患者肢体功能，采用Bobath法平衡功能评定表评价患者坐站平衡功能，采用改良Barthel指数（MBI）评价患者日常生活活动能力。结果:两组患者治疗后上肢、手、下肢Brunnstrum分期，Bobath法坐位、立位平衡功能分级以及MBI评分均明显提高（观察组： Uc=5.037、4.567、5.228、2.538、6.508， t=36.215，均 P<0.05；对照组： Uc=2.483、2.311、2.335、2.200、4.102， t=29.260，均 P<0.05），且观察组患者治疗后各项指标均优于对照组，差异有统计学意义（ Uc=2.592、2.243、2.897、2.018、2.825， t=8.375，均 P<0.05）。 结论:Bobath技术和运动再学习方法结合任务导向性训练对卒中患者肢体运动功能的恢复和日常生活能力的提高具有积极的促进作用。

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:采用深度迁移学习方法实现基于正位X线图像的股骨头坏死（osteonecrosis of femoral head，ONFH）、发育性髋关节发育不良（developmental dysplasia of hip，DDH）与其他常见髋关节疾病的鉴别诊断。方法:回顾性收集2018年1月至2020年12月在广州中医药大学第一附属医院就诊的ONFH、DDH及原发性髋关节骨关节炎、非感染性炎性髋关节病、股骨颈骨折等髋关节疾病患者的髋关节正位X线图像，建立临床数据集。通过图像旋转、翻转形式的数据增强方法扩展数据集，然后将数据集随机平分为训练集和测试集。将可迁移归一化技术引入ResNet-152深层神经网络模型，替换原有的批归一化技术，建立新的深度迁移学习模型。通过训练集训练该模型，随后评价该模型在测试集基于髋关节正位X线图像实现人工智能区分ONFH、DDH及其他髋关节疾病的效果。结果:临床数据集共纳入1 024髋的正位X线图像，共计542髋ONFH、296髋DDH、186髋其他髋关节疾病（原发性骨关节炎56髋、非感染性炎性髋关节病85髋、股骨颈骨折45髋）。通过数据增强方法扩展为包含6 144髋的数据集。在训练集上对深度迁移学习模型进行100 050次训练。该模型区分ONFH及其他髋关节疾病的二分类准确率最佳值达95.80%，区分ONFH、DDH及其他髋关节疾病的三分类准确率最佳值达91.40%。模型重复训练至50 000次后分类准确率达到平台期。二分类及三分类任务平台期的准确率平均为95.35%[95% CI（95.33%，95.37%）]和90.85%[95% CI（90.82%，90.87%）]。 结论:深度迁移学习模型在初诊环节，可基于简便、经济的正位X线图像区分ONFH、DDH与其他的常见髋关节疾病。