基于影像学的早期肺腺癌浸润性预测，对于肺结节的临床管理、手术方法和预后评估具有重要意义。相比于基于特征构建的统计学方法和影像组学方法，以卷积神经网络为基础的深度学习方法用于预测肺腺癌浸润性具有性能高、可靠性强、自动勾画等优势，有很好的应用前景。目前已有研究对多模态学习、浸润性分类、多任务处理、辅助临床、可解释性等领域进行了探索，并提高了模型的预测准确度。随着融合模态的丰富、多中心大样本的建立、小样本学习方法的应用以及前瞻性研究的开展，深度学习将在肺腺癌浸润性的预测中发挥更重要的作用。

人工神经网络（ANN）是一种驱动人工智能（AI）的网络框架，其中采用经典卷积神经网络（CNN）进行胚胎质量评估可进行固定时间节点胚胎细胞计数和图像识别；采用全连接的深度神经网络（DNN），胚胎图像识别准确度提升，适用于较高硬件配置以及需要整合临床信息进行综合预测；残差网络通过增加层数提高准确度并通过跳跃连接解决梯度消失问题，实现动态胚胎评估。贝叶斯网络（BN）机器学习擅长推理，在条件缺失情况下可通过推理弥补数据不足，可结合临床复杂信息进行综合预测评估；支持向量机（MLP）机器学习存在梯度消失与爆炸，容易丢失图像部分空间特征，适用于小样本评估。ANN在预测胚胎植入率、胚胎非整倍体方面具有一定优势，开发新的胚胎质量评估方法减少侵入性检测是人类辅助生殖技术（ART）重要研究方向。

目的:构建一个小样本超广角眼底照相（UWFI）多疾病分类人工智能模型，初步探究人工智能对UWFI多病种分类任务的能力。方法:回顾性研究。2016年至2021年于武汉大学人民医院眼科就诊并行UWFI检查的1 123例患者的1 608张图像用于UWFI多疾病分类人工智能模型构建。其中，糖尿病视网膜病变（DR）、视网膜静脉阻塞（RVO）、病理性近视（PM）、视网膜脱离（RD）、正常眼底图像分别为320、330、319、268、371张。来自天津医科大学眼科医院106例患者的135张图像作为外部测试集。选取EfficientNet-B7作为主干网络，对纳入的UWFI图像进行分类分析。使用受试者工作特征曲线及曲线下面积（AUC）、灵敏度、特异性、准确率评估分类模型在测试集上的表现，所有数据均使用数值及95%可信区间（ CI）表达。将数据集在网络模型ResNet50、ResNet101上进行训练，并在外部测试集上进行测试，对比观察EfficientNet与上述两种模型的性能。 结果:UWFI多疾病分类人工智能模型在内部、外部测试集上的总分类准确率分别为92.57% （95% CI 91.13%~92.92%）、88.89% （95% CI 88.11%~90.02%）。其中，正常眼底分别为96.62%、92.59%，DR分别为95.95%、95.56%，RVO分别为96.62%、98.52%，PM分别为98.65%、97.04%，RD分别为97.30%、94.07%。在内部、外部测试集上的平均AUC分别为0.993、0.983。其中，正常眼底分别为0.994、0.939，DR分别为0.999、0.995，RVO分别为0.985、1.000，PM分别为0.991、0.993，RD分别为0.995、0.990。内部、外部测试集上EfficientNet性能均较ResNet50、ResNet101模型更佳。 结论:初步构建的小样本UWFI多疾病分类人工智能模型对常见眼底疾病的分类水平较高，可能具有辅助临床筛查及诊断的价值。

目的 传统的NICE分型依赖于医生的主观判断和经验,存在一定的主观性和不确定性.本研究旨在开发基于小样本学习算法的结直肠息肉NICE分型分类模型.方法 共计414张来源于苏州大学附属第一医院和上海交通大学医学院苏州九龙医院内镜中心的结直肠息肉NICE分型图片纳入研究.研究基于三种不同模型架构(MobilenetV2,Resent50,Xception),利用二次迁移学习方式,分别开发了传统深度学习分类模型与基于度量学习的小样本学习分类模型(3-way,3-shot),同时使用梯度加权分类激活映射对小样本学习分类模型的分类结果进行可视化解释.分类模型于测试集中进行性能评价,并收集高、低年资医师对测试集数据的分类结果,将其与模型的分类结果进行对比,进一步评估模型的分类能力.结果 传统深度学习分类模型分类准确性一般,平均分类准确性为0.638.基于三种不同特征提取架构的小样本学习分类模型均拥有较好的分类准确性,其平均准确性为0.827.高低年资内镜医师均拥有较好的判断表现,其平均分类准确性0.824.结论 对于结直肠息肉NICE分型图片,基于较小训练样本量的小样本学习算法展现出优于传统深度学习分类模型的性能,拥有近似于内镜医师的分类准确性.

针对运动想象脑电信号的小样本问题,现有的基于黎曼流形的分析方法大多在流形中对齐后设计分类器,或通过切空间投影后在欧式空间进行分类.在流形中设计分类器运算较为复杂,而在切空间直接分类会因源域和目标域的切空间分布不一致而导致结果有误差.因此,本研究提出一种黎曼切空间对齐的迁移学习算法用于运动想象脑电信号的分类.通过计算源域和目标域的协方差矩阵并求得各自的黎曼均值点作为切点,分别将协方差矩阵进行切空间映射,再将两个切空间利用一组公共特征基进行投影对齐完成迁移学习.采用3个运动想象数据集进行验证,分别有7、9和9个被试,3个数据集中的被试分别有300、144和120个样本,利用分类准确率、数据分布图和统计学方法对算法进行性能评估.所提出的算法在3个数据集上的平均分类准确率分别为81.45％,77.14％和66.94％,相比未使用迁移学习的模型分别提高了 25.05％、17.69％和10.98％,Mann-Whitney U检验验证了两种模型下的分类结果差异具有统计学意义.与其他4种对比算法之间的性能比较具有显著性差异,显示出所提出算法的优越性.该算法能够有效缩小不同域之间的分布差异,提高跨被试分类模型的准确率,一定程度上实现小样本数据的扩充.

目的:比较中国与东南亚护理专业学生专业态度的异同.方法:采用方便抽样的方法,对中国和3个东南亚国家的护理专业学生进行小样本调查.结果:护生专业态度总均分排名中,中国护生得分最高,其次是马来西亚、泰国、印度尼西亚,差异有统计学意义(P<0.05);其中,在合作、理论指导实践和继续教育的维度中,中国护生得分均最高,差异均有统计学意义(P<0.05).结论:中国及东南亚护生的专业态度较为积极,应加强对护生科研能力的培养,增加护生在校学习期间对外交流的机会,促使护生把课堂上所学到的知识应用到实践中,加强和巩固护生良好的继续教育专业态度.

全美中医药学会特邀11位专家展开海外针灸发展方向的讨论.刘保延教授认为应从两个方面探索,小样本RCT和全样本大数据两法并举;田小明教授阐述针灸在美国医学体系中的特殊地位和贡献,推动医改,从常见病到疑难病扩大针灸适应证是针灸在美国的出路;吴滨江教授号召学习、发展中医理论,阐述循经感传存在的八大规律,传承经典手法;马寿椿教授提出针灸或者靠拢西医,或者走进中医,没有第三条道路,专病专方,回归经典是出路,一旦针灸在美国全面沦陷,中医将是针灸的最后保障;金观源教授指出系统医学是针灸医学发展的正确方向,继往圣,开来学,用经典针灸的合理内核来发展现代针灸;焦望义博士认为针灸和中医不可分,中医针灸是我们的闪亮名片;郝吉顺教授提出扩大适应证,增加病种,针灸急需创新,争取话语权;陆飚教授提出传承经典,在真假难辨面前,我们应反思我们的"真"水平;何崇博士反思中医针灸的度量模糊性、不精确性、兼容性、逻辑性,评判和发展中医更需大智慧者;潘晓川教授认为中医由道及术,中医有独特的方法论,需要纠正理念偏差、实践偏差、疗效偏差;冷三华博士认为整合与创新是针灸发展的出路,循证医学是推动针灸发展的强大工具.

全美中医药学会特邀11位专家展开海外针灸发展方向的讨论.刘保延教授认为应从两个方面探索, 小样本RCT和全样本大数据两法并举;田小明教授阐述针灸在美国医学体系中的特殊地位和贡献, 推动医改, 从常见病到疑难病扩大针灸适应证是针灸在美国的出路;吴滨江教授号召学习、发展中医理论, 阐述循经感传存在的八大规律, 传承经典手法;马寿椿教授提出针灸或者靠拢西医, 或者走进中医, 没有第三条道路, 专病专方, 回归经典是出路, 一旦针灸在美国全面沦陷, 中医将是针灸的最后保障;金观源教授指出系统医学是针灸医学发展的正确方向, 继往圣, 开来学, 用经典针灸的合理内核来发展现代针灸;焦望义博士认为针灸和中医不可分, 中医针灸是我们的闪亮名片;郝吉顺教授提出扩大适应证, 增加病种, 针灸急需创新, 争取话语权;陆飚教授提出传承经典, 在真假难辨面前, 我们应反思我们的"真"水平;何崇博士反思中医针灸的度量模糊性、不精确性、兼容性、逻辑性, 评判和发展中医更需大智慧者;潘晓川教授认为中医由道及术, 中医有独特的方法论, 需要纠正理念偏差、实践偏差、疗效偏差;冷三华博士认为整合与创新是针灸发展的出路, 循证医学是推动针灸发展的强大工具.

结肠直肠癌手术中,腹腔镜手术已是被广泛接受并大量应用的微创方法.但对于直肠癌,尤其是中、低位直肠癌,由于解剖空间有限以及腹腔镜器械本身灵活和精细程度不足等,腹腔镜手术相对困难且耗时,学习曲线延长,应用受到一定的限制[1-3].不仅如此,在环周切缘等标本切除质量方面,腹腔镜手术甚至存在达不到开腹手术效果的风险[4-5].机器人是新兴的微创手术方式,在世界范围内陆续开展.目前已有多项回顾性研究和小样本随机对照研究支持机器人辅助直肠癌根治术,在某些方面甚至优于广泛应用的传统腹腔镜手术[6-7].有关机器人与腹腔镜直肠癌手术比较的临床研究已陆续开展,将进一步明确机器人辅助直肠癌手术的优势所在.

心律失常是因心脏疾病引起的心电活动中的异常症状,早期心室收缩(PVC)是由异位心跳引起的常见心律失常形式.通过心电图(ECG)信号检测PVC对于预测可能的心力衰竭具有重要意义.本文提出一种面向PVC心拍分类的心电信号分类算法,重点研究基于自适应学习的PVC异常心拍分类特征提取模型,通过计算心拍关联后验概率,结合领域专家标注信息训练分类器,提高整体分类效果.实验采用MIT-BIH心律失常数据库的ECG数据,研究结果表明所提方法针对非线性流形结构数据,能够有效提升小样本心拍自适应分类器的准确性.