目的 探讨基于最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归分析构建Nomogram模型预测原位腺癌(AIS)、微浸润腺癌(MIA)及浸润性腺癌(IAC)的价值.方法 选取本院 97 例经手术病理证实且病理亚型明确的肺腺癌患者,将AIS和MIA归为第 1 组,IAC为第 2 组,比较两组患者年龄、性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征差异,采用 3D Slicer软件进行图像分割,特征提取与选择,通过LASSO算法对特征进行降维,筛选影像组学特征构建预测模型.再采用R软件的rms工具包构建Nomogram模型,计算ROC曲线下面积(AUC),以评价Nomogram模型鉴别肺磨玻璃结节病理亚型的效能.结果 1)性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征均差异无统计学意义(P>0.05);2)筛选 7 个 CT 影 像 组 学 特 征:平面度、大依赖低灰度强调、小波变换LHL第十百分位、小波变换HLL第十百分位、小波变换最小值、小波变换均值及小依赖低灰度强度比较,差异均有统计学意义(P均<0.05);3)基于CT影像组学特征建立预测肺磨玻璃结节病理亚型的Nomogram模型,训练集中AUC为 0.863,准确率为 87.9%,灵敏度为 67.9%,特异度为 91.1%;验证集中 AUC为 0.792,准确率为 75.0%,灵敏度为66.7%,特异度为 90.5%,可见此Nomogram模型具有较好的预测效能.结论 对于预测肺腺癌浸润程度,Nomogram 模型具有明显优势,可作为一种鉴别手段.

目的:探讨CT影像组学定量特征在预测肺癌表皮生长因子受体（EGFR）突变中的价值。方法:回顾性分析2013年9月至2018年10月在苏州大学附属第一医院确诊的144例有EGFR基因检测结果的肺癌患者的资料，男75例、女69例，中位年龄54（25~68）岁。其中，EGFR突变型81例，男39例、女42例，中位年龄52（25~64）岁；EGFR野生型63例，男36例、女27例，中位年龄56（32~68）岁。按照2∶1的比例随机分配为训练组和验证组。利用MaZda软件提取影像组学特征包括灰度直方图（GLH）、绝对梯度（GRA）、灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）、自回归模型（ARM）和小波变换（WAV）等特征。采用费希尔参数法（Fisher）、分类错误率联合平均相关系数法（POE+ACC）和相关信息测度法（MI）3种特征选择方法对提取的定量特征进行筛选，分别选择10个相关的最优特征，得到最优特征子集。然后用线性判别分析法（LDA）和非线性判别分析法（NDA）对三组最优特征子集进行分析，计算出其鉴别肺癌EGFR突变型与野生型的准确度、敏感度和特异度，利用人工神经网络（ANN）对训练组准确度最高的最优特征子集建立预测模型，并利用建立的预测模型，对验证组肺癌EGFR突变型与野生型进行鉴别诊断。结果:MaZda软件提取训练组肺癌EGFR突变型与野生型图像定量特征，一共301个。Fisher-NDA和（POE+ACC）-NDA法选择的最优特征子集鉴别肺癌EGFR突变型与野生型的准确度最高，为93.8%。Fisher-NDA法最优特征子集预测模型鉴别验证组中肺癌EGFR突变型与野生型的准确度、敏感度和特异度分别为83.3%、86.7%和77.8%。结论:CT影像组学最优特征子集在预测肺癌EGFR突变中有较高的准确度，为预测肺癌基因表达提供了一种新的方法。

目的:基于肺癌患者放疗前的CT影像组学特征，综合临床信息与放疗剂量学特征，利用机器学习方法构建症状性放射性肺炎的预测模型。方法:回顾性收集2018年11月至2020年4月在江南大学附属医院接受放疗的103例肺癌患者的临床与剂量学资料。获取这些患者放疗前胸部CT影像，勾画双侧正常肺组织结构，提取250种影像组学特征。用单因素分析研究临床、剂量学特征与放射性肺炎发生的相关性。收集所有影像组学特征、临床和剂量学特征作为潜在预测因子，通过LASSO回归机器学习方法筛选特征，并得到肺炎预测模型。然后根据筛选的特征建立放射性肺炎发生风险的列线图。结果:单因素分析结果表明，症状性放射性肺炎与双侧正常肺组织的平均肺剂量(MLD)、 V20 Gy和 V30 Gy的相关性具有统计学意义( t＝2.20、2.34、2.93， P<0.05)。在综合所有影像组学特征、临床和放疗剂量学特征后，本研究共筛选出4个特征，为肺的剂量体积百分数 V30 Gy，和3个影像组学特征，包括灰度共生矩阵类别的熵特征、小波变换直方图类别的均值及中位数特征。基于这些特征所构建的肺炎预测模型的曲线下面积(AUC)为0.757。绘制了可根据特征值给予个体化的风险预测与提前干预的列线图。 结论:放疗前的CT影像组学结合剂量学特征可用于预测症状性肺炎的发生，可望为临床提前干预提供帮助。

癫痫是一种严重的慢性神经系统疾病，可通过分析由脑神经元产生的脑电信号对其进行检测，因此脑电图成为诊断癫痫的关键工具。应用特异性方法对脑电信号进行处理和分析，在探索大脑工作机制和脑神经系统疾病的诊断方面具有重要意义。本文通过对脑电图信号的特征提取、特征分类等相关分析方法（如主成分分析、独立成分分析、小波变换、线性判别分析、支持向量机、人工神经网络和决策树等）进行总结，阐述了其在癫痫治疗中的应用，概括展示了近年来的研究进展。为癫痫发作的检测和分类以及未来的研究方向提供了一定的借鉴和参考。

目的:探讨提取腭裂语音中过高鼻音特征性共振峰参数建立的级联声道模型和小波包变换结合线性预测系数(LPC)2种算法模型，在识别腭裂患者高鼻音中的应用效果。方法:选取2015年10月至2018年12月，在四川大学华西口腔医院语音矫治专科就诊的859例腭裂患者，其中男421例，女438例，平均年龄12.1岁。正常语音216例，轻度高鼻音220例，中度高鼻音213例，重度高鼻音210例。按照汉语普通话测试工具收集包括词组、短句的语音样本共62 707份。运用级联声道模型、小波包变换结合LPC的语音信号识别方法提取共振峰参数，采用K近邻分类器，对数据进行分类，判别有无过高鼻音及具体等级。将2种算法模型的分类结果与人工语音评估金标准结果进行对比，运用卡方检验分析其准确性。结果:级联声道模型和小波包变换结合LPC提取共振峰参数这2种方法判断高鼻音有无的正确率分别为80.56%(692/859)和89.99%(773/859)，对高鼻音等级判断的总正确率为72.29%(621/859)和88.13%(757/859)，差异均具有统计学意义( P<0.05)。2种算法对每个高鼻音等级自动判别的正确率均为小波包变换结合LPC优于级联声道模型，且差异具有统计学意义( P<0.05)。2种方法对高鼻音等级类别的识别错误类型中，最严重的错误均为将正常语音判断为轻度高鼻音，小波包变换结合LPC法与级联声道模型分别达到了18.98%(41/216)与14.81%(32/216)，但前者的其余错误率均在5%以下，优于后者。 结论:小波包变换结合LPC的算法与级联声道模型相比，在判断腭裂患者高鼻音有无及等级方面正确率更高，可辅助人工语音师对腭裂患者的语音评估。

目的:探讨MRI影像学特征联合纹理分析技术在术前预测肾透明细胞癌（ccRCC）WHO/国际泌尿病理学会（ISUP）核分级的价值。方法:回顾性分析2016年7月至2020年7月福建医科大学附属第一医院78例经手术病理确诊为ccRCC患者的术前肾脏MRI图像，根据WHO/ISUP分级系统，分为低级别组（49例，Ⅰ级2例，Ⅱ级47例）和高级别组（29例，Ⅲ级25例，Ⅳ级4例），并以随机数表法按照7∶3的比例将患者分配到训练集（ n=63）与验证集（ n=15）。评价MRI影像学特征并提取图像纹理特征。选取横断面图像病灶的最大层面，分别在T 2WI及皮髓质期（CMP）图像上勾画ROI。使用MaZda软件提取纹理特征，包括灰度直方图、灰度共生矩阵、游程矩阵、梯度、自回归模型及小波变换6种类型。联合Fisher法、分类错误概率结合平均相关系数、交互信息3种方法对提取的纹理特征进行初步筛选，并对筛选出的纹理参数或影像学特征进行两组间独立样本 t检验、Mann-Whitney U检验或χ2检验，差异有统计学意义的参数构建多因素二元logistic回归模型，建立ROC曲线，分析其术前预测ccRCC核分级的效能。 结果:训练集中，低、高级别ccRCC组间肿瘤长径、形状与边界、CMP强化程度、静脉瘤栓和47个纹理特征差异有统计学意义。在训练集中，构建7个多因素二元logistic回归模型，包括影像学特征模型（M1）、T 2WI纹理特征模型（M2）、CMP图像纹理特征模型（M3）、影像学特征联合T 2WI纹理特征模型（M4）、影像学特征联合CMP图像纹理特征模型（M5）、T 2WI纹理特征联合CMP图像特征模型（M6）以及联合所有特征模型（M7）。其中M7预测ccRCC核分级的ROC曲线下面积最大，在训练集和验证集中，曲线下面积分别为0.901（95%CI 0.828~0.974）、0.820（95%CI 0.564~0.974）。 结论:基于MRI纹理分析联合影像学特征有望成为术前无创预测ccRCC WHO/ISUP核分级的有效方法。

目的:对室间隔缺损、房间隔缺损、动脉导管未闭和卵圆孔未闭合并肺动脉高压4种常见先天性心脏病(简称先心病)心音信号进行分析，提出一种基于深度学习的智能听诊算法，实现心音信号的自动分类。方法:基于数字信号处理技术，将一维时序信号分类问题转换为二维图像分类问题，利用深度神经网络实现心音的自动分类。采用该算法对浙江大学医学院附属儿童医院采集的941例心音数据进行训练、验证和测试，按照8∶1∶1的比例分为训练集、验证集和测试集。此外，本研究还收集了107例基于临床筛查环境的心音数据，用于验证智能听诊算法在实际临床应用中的效果。结果:本文采用离散小波变换法对心音信号进行降噪处理，观察到降噪处理对模型性能的显著改善。与未经降噪处理的模型相比，经过降噪处理的模型在测试集上的准确率、灵敏度、特异度和F1分数分别提高了15.8%、32.6%、11.1%和27.3%。比较5种通用分类神经网络模型(Swin_transform、Vit、Mobilenet、Resenet和Vgg)的性能，F1分数分别为0.905、0.842、0.687、0.814和0.864。使用Swin_transform模型对107例外部数据集进行测试，得到0.833的准确率、0.872的灵敏度和0.801的特异度。结论:先心病心音信号的自动分类模型性能受噪声与神经网络结构的影响较大。通过应用离散小波变换法对心音信号进行降噪处理，模型性能显著改善。比较多种通用分类神经网络模型发现Swin_transform模型展现出了最佳的分类性能。智能听诊算法在实际临床应用中有良好的有效性、准确率、灵敏度和特异度。基于深度学习的智能听诊算法在先心病心音信号自动分类方面具有潜在应用价值。

目的:结合图像自动分割技术和机器学习方法对乳腺钼靶X线图像进行准确分类识别。方法:以数字钼靶X线图像数据库（DDSM）中的BI-RADS4类的簇状分布多形性钙化钼靶图像为研究对象，自动切分图像的感兴趣区域（ROI）。对小波变换、Gabor滤波和灰度共生矩阵法所提取的特征参数进行融合，并基于灵敏度分析对融合后的特征参数进行筛选。使用基于集成学习的方法，对多项式核支持向量机（SVM）、随机森林和逻辑（logistic）回归分类器进行投票集成，构成用于乳腺钼靶X线图像自动分类的分类器。投票集成方法为软投票。结果:提出的集成分类器可高效地识别与分类乳腺钼靶X线图像，其分类的灵敏度、特异度和准确率分别为99.1%、99.6%和99.3%。结论:所提出的乳腺钼靶X线图像处理与分类识别方法能为医生的临床判断提供辅助检测的依据，并为细分BI-RADS4类图像提供技术基础。

目的:构建诊断颈动脉斑块内微钙化的影像组学模型并分析其诊断价值。方法:纳入苏州大学附属第三医院神经内科自2017年5月至2019年11月收治的52例大动脉粥样硬化型脑梗死患者进入研究。所有患者均行颈动脉常规超声检查明确存在颈动脉斑块，同时采用Micropure ?超声技术检测斑块内微钙化情况。若颈动脉斑块内存在微钙化，取微钙化密度最高的斑块横断面；若无微钙化则取斑块最大横断面。所有图像经Photoshop软件进行归一化处理后，通过MaZda 4.6软件勾画斑块为感兴趣区，自动提取斑块283个纹理特征。通过不同观察者间观察一致性分析[组内相关系数(ICC)>0.75)、两样本 t检验、Lasso回归筛选出诊断效果最强的纹理特征，并通过随机森林(RF)和支持向量机(SVM)分类器构建模型，以7∶3划分训练集和验证集，通过受试者工作特征曲线(ROC)计算曲线下面积(AUC)评估模型的诊断效果，并采用Delong检验比较两种模型对验证集诊断能力的差异。 结果:共纳入52例患者148个斑块图像，其中斑块内有微钙化104个，无微钙化44个。最终筛选出9个纹理特征，包括5个图像灰度直方图特征：均值、方差、斜度、峰值、第99百分位数值；1个自回归模型特征：θ 3；3个小波变换特征：WavEnLH_s-3、WavEnLH_s-4、WavEnLH_s-6。RF分类器构建的模型诊断斑块微钙化的准确率为0.93，AUC为0.92；SVM分类器构建的模型诊断准确率为0.91，AUC为0.90。Delong检验显示两种模型对斑块内微钙化的诊断能力差异无统计学意义( Z=1.000， P=0.320)。 结论:通过RF和SVM构建的影像组学模型能准确诊断颈动脉斑块内微钙化情况，且RF和SVM两种模型诊断能力接近。

目的:基于成像式光电容积描记(imaging photo plethysmography,IPPG)技术,提出一种在不同光照条件下依然拥有较高准确率的非接触式血氧饱和度检测方法.方法:首先,通过摄像头采集人脸感兴趣区域的图像;其次,使用自适应伽马校正和欧拉视频放大算法对图像进行预处理;再次,将视频信号转化为数字信号,提取IPPG信号,并使用经验小波变换进行滤波去噪;最后,利用二次函数拟合得到血氧饱和度公式,从而计算出血氧饱和度.结果:相较于其他文献算法,该方法具有更强的抗光照变化干扰能力,在不同光照条件下的平均误差均不超过1.5％,最大误差在2％左右,且与指夹式血氧仪的检测结果具有较好的一致性.结论:该方法在不同光照条件下测量血氧饱和度均具有较高的准确率,能够达到实际测量的要求.