目的:比较常见时间序列模型应用于新型冠状病毒肺炎（COVID-19）疫情预测的效果。方法:收集2020年4月1日至9月30日美国、印度和巴西3个国家COVID-19每日确诊病例数，分别建立差分自回归移动平均（ARIMA）模型和循环神经网络（RNN）模型，使用平均绝对百分比误差（MAPE）和均方根误差（RMSE）等指标，比较不同模型预测9月21-30日确诊病例的表现。结果:应用ARIMA模型预测美国、印度和巴西疫情的MAPE分别为13.18%、9.18%和17.30%，RMSE分别为6 542.32、8 069.50和3 954.59；应用RNN模型预测美国、印度和巴西疫情的MAPE分别为15.27%、7.23%和26.02%，RMSE分别为6 877.71、6 457.07和5 950.88。结论:ARIMA和 RNN模型的COVID-19预测效果存在地区差异，ARIMA模型的预测效果在美国和巴西较优，而RNN模型的预测效果在印度较优。

针刺可通过抑制神经细胞凋亡、增强海马突触可塑性、改善海马线粒体功能、减轻脑内炎症反应、抑制氧化应激反应、保护血脑屏障、促进血管新生、改善脑循环、增强脑区默认网络连接、改善脑白质损伤等方面治疗血管性认知障碍（VCI）。目前，从脑网络连接角度探索针刺治疗VCI机制仍处于初步阶段；现有机制研究多采用电针作为干预方式，且穴位选择、电针刺激强度等各不相同，还需提高实验严谨性，加强常规针刺研究，并针对操作手法、留针时间等进行探讨；现有动物模型对VCI其他合并症欠缺考虑，与VCI患者临床特征还存在一定差异，今后还需优化。

目的:基于网络药理学及分子对接技术探讨复元醒脑汤治疗脑梗死的作用机制。方法:利用TCMSP、中医药综合数据库（TCMID）、有机小分子生物活性数据库（PubChem）、Uniprot及Swiss Target Prediction数据库对复元醒脑汤的药物活性成分及作用靶点进行筛选，应用GeneCards、OMIM、TTD、DrugBank和PharmGKB数据库筛选脑梗死疾病靶点，将复元醒脑汤中药物靶基因与脑梗死疾病靶基因相交集，将交集靶点导入Cytoscape 3.8.2软件构建成分-靶点网络，使用STRING数据库及Cytoscape 3.8.2软件构建PPI网络，筛选核心靶点。对复元醒脑汤-脑梗死疾病共同靶点基因进行GO功能富集及KEGG通路富集分析，得出相关信号通路，运用AutoDock与Pymol软件对预测靶标与其对应的成分进行分子对接。结果:得到复元醒脑汤治疗脑梗死的有效成分80个，复元醒脑汤-脑梗死共同靶点214个，核心靶点MAPK1、RELA、TP53、JUN、AKT1、HSP90AA1等与脑梗死疾病的关键靶点相互关联，参与调控对药物的反应、对脂多糖的反应、对含氧量的反应等生物过程，细胞组成涉及膜筏、膜微区、神经元胞体等；分子功能主要集中于核受体活性、配体激活转录因子活性、DNA-结合转录因子结合等；并涉及脂质和动脉粥样硬化、化学致癌-受体激活、流体剪切应力和动脉粥样硬化等信号通路；分子对接显示，槲皮素与HSP90AA1（-9.4 kJ/mol）、山柰酚与HSP90AA1（-9.4 kJ/mol）、异鼠李素与HSP90AA1（-9.1 kJ/mol）、槲皮素与JUN（-8.6 kJ/mol）具有较好的结合活性。结论:复元醒脑汤通过调控血管内皮功能、促进血液循环、修复及改善神经功能、保护血脑屏障、减少细胞凋亡及调节免疫和炎症反应等机制防治脑梗死。

目的:探索深度神经网络(DNN)辅助的心肌声学造影(MCE)定量分析对经皮冠状动脉介入治疗(PCI)成功开通梗死相关动脉后的急性ST段抬高型心肌梗死(STEMI)患者短期预后的预测价值。方法:回顾性纳入2021年6－11月于武汉大学人民医院接受PCI成功开通梗死相关动脉(心肌梗死再灌注后血流分级3级)的STEMI患者97例。PCI后48 h内进行MCE检查，随访至术后120 d。主要心血管不良事件定义为心源性死亡及因充血性心力衰竭、再发心肌梗死、卒中、再发心绞痛再入院。心肌分割框架由基于U-net和LSTMs的组成，输出各心肌节段平台期增强强度(A)、灌注速率常数(β)和微循环血流量(MBF)，并进行MCE定量参数重复性检验。通过MBF将患者等分为低MBF组与高MBF组，比较两组间基线特征、心血管不良事件的差异。其他纳入变量包括常规生化检查、室壁运动分析、MCE定性分析及左室射血分数等。通过Cox风险回归分析探索各变量与预后的关系。绘制ROC曲线以评估模型预测效能，使用综合判别改善指数(IDI)进行模型间的预测效能比较。结果:自动心肌分割所有帧(3 810帧)耗时377 s。其中92.89%、7.11%的帧由经验医师评价为"良好分割"和"需要校正"。A、β、MBF的观察者内及观察者间组内相关系数为0.97~0.99。20例患者在随访期间出现心血管不良事件，多因素Cox回归分析显示，梗死相关动脉支配区域MBF每增加1 IU/s，短期发生心血管不良事件的风险降低6%( HR 0.94，95% CI＝0.91~0.98)。低MBF组短期内发生心血管不良事件的风险比高MBF组高4.5倍( HR 5.50，95% CI＝1.55~19.49)。在MCE传统定性分析中加入DNN辅助的MCE定量分析后，预后预测IDI为15%(AUC 0.86，敏感性0.78，特异性0.73)。 结论:STEMI患者PCI术后的梗死相关动脉支配区域微循环血流量是短期心血管不良事件的独立保护因素。基于DNN的MCE心肌分割框架可快速、客观、可重复地输出微循环定量灌注参数。在传统定性分析中加入DNN的定量分析对预后预测提供了增量价值，有望成为STEMI-PCI术后患者风险分层与临床随访的有力工具。

目的:通过网络药理学和分子对接技术探讨参附注射液经神经-内分泌-免疫系统调控应激反应的潜在作用机制。方法:使用中药系统药理学数据库和分析平台筛选参附注射液的主要活性成分及作用靶点，使用PharmMapper、Swiss Target Prediction平台和Uniprot数据库对靶点补充预测并统一基因名；通过检索GeneCards、OMIM、TTD、CTD、Drugbank、Disgenet和Pharmgkb数据库筛选应激反应调控的相关靶点。使用Venny2.1工具获得参附注射液与应激反应调控交集的潜在作用靶点后，导入STRING数据库构建蛋白相互作用网络并筛选关键靶点。将潜在作用靶点上传至Metascape数据库中，通过GO功能富集分析和KEGG通路富集分析进行机制研究；使用Autoduck、Pymol软件进行分子对接及可视化展示。结果:筛选并获取参附注射液主要活性成分43个，相关作用靶点257个；数据库检索到应激反应调控相关靶点4 811个，与参附注射液成分相关靶点取交集获得188个潜在作用靶点，通过蛋白相互作用网络筛选得到关键靶点14个。GO功能富集分析筛选得到18条，主要涉及循环系统及体液调控、对外来刺激及创伤的反应、MAPK级联反应、突触后膜、受体复合体、离子通道复合体、神经递质受体活性等。KEGG通路富集分析高度相关通路20条，主要涵盖神经活性配体-受体的相互作用、钙信号通路、肾上腺素能信号转导、类固醇激素生物合成、IL-17、TNF、MAPK、cGMP-PKG、PI3K-Akt、NF-κB、Toll样受体信号通路和细胞凋亡等。分子对接结果提示主要活性成分与关键靶点具有较好的结合力。结论:参附注射液中山柰酚、β-谷甾醇、去甲基棱砂贝母碱、豆甾醇、人参皂苷、蛇床子苷、次乌头碱等成分可能作用于AKT1、TNF、IL1B、PTGS2、HSP90AA1、MAPK1、NFKBIA、NR3C1、ADRB2等靶点，通过调节神经-内分泌-免疫系统功能状态、抑制炎症反应、抗氧化应激和减少细胞凋亡等机制对应激反应进行调控。

目的:评估采用单一MRI模拟定位实现鼻咽癌光子和质子放疗计划剂量计算的可行性。方法:回顾性分析2020年1月至2021年12月在中国医学科学院肿瘤医院接受放射治疗的100例鼻咽癌患者的T 1加权MRI图像和CT图像。利用深度学习网络模型将MRI转换成伪CT，训练集、验证集和测试集分别包括70例、10例和20例。深度学习方法采用监督学习的卷积神经网络（CNN）和无监督学习的循环一致性生成对抗网络（CycleGAN）两种方法。利用平均绝对误差（MAE）和结构相似性（SSIM）等定量评估图像质量，利用γ通过率和剂量体积直方图（DVH）评估剂量。用Wilcoxon符号秩检验来统计分析伪CT的图像质量。 结果:图像生成方面，CNN和CycleGAN模型的MAE分别为（91.99±19.98）HU和（108.30±20.54）HU，SSIM分别为0.97±0.01和0.96±0.01。剂量学方面，伪CT用于光子剂量计算的准确性高于质子。光子放疗计划的γ通过率（3 mm/3%）分别为：CNN模型99.90%±0.13%，CycleGAN模型99.87%±0.14%，且均大于98%。质子放疗计划分别为：CNN模型98.65%±0.64%，CycleGAN模型97.69%±0.86%。DVH的指标显示，伪CT的光子计划中剂量数值一致性优于质子计划。结论:基于深度学习的模型能从MRI图像生成准确的伪CT，大多数剂量学差异都在光子和质子放疗的临床可接受范围内，只用MRI成像的工作流程对鼻咽癌患者放疗是可行的。但与原始CT相比，伪CT图像在鼻腔区域的CT值误差较大，临床使用时应特别注意。

人工智能是当前最热门的研究主题之一，其发展不仅给人们的生活带来便利，同时也能与其他前沿领域相整合，协助数据处理和结果预测，其中深度学习技术表现尤为突出。阐述了深度学习技术在生物医学多个领域中的广泛应用，简要介绍其常用方法和模型，包括人工神经网络、深度神经网络、卷积神经网络和循环神经网络；总结其在生物医学影像分析、组学数据处理和蛋白质空间结构预测方面的应用；简要讨论其在上述应用中存在的局限性和发展前景。

近年来，人工智能（AI）与肿瘤学迅速融合发展并逐渐走向临床应用。在我国，胃癌的发病率和死亡率在各种肿瘤中位居前列，卷积神经网络、窄带成像放大内窥镜、全视野数字切片、生存循环网络等AI技术的开发，具有应用于胃癌早期筛查、辅助诊断、病理学诊断、预后分析、制定个性化诊疗等方面的潜能。但是AI医疗仍然存在数据样本量不足和整合困难等多种问题。合理设计和应用AI技术有望为胃癌患者提供更为科学准确的诊疗方案，提高胃癌患者的总生存率和生命质量，在医疗领域实现更多突破。

目的:基于深度学习方法开发创伤出血量分级预测模型，以辅助预测创伤动物出血量。方法:基于中国人民解放军总医院构建的战创伤动物实验时效评估数据库中猪枪弹伤实验数据进行回顾性观察性研究。提取研究总体的出血量数据，并按照出血量将其分为0~300 mL组、301~600 mL组、>600 mL组。采用生命体征指标作为预测变量、出血量分级作为结局变量，基于4种传统机器学习和10种深度学习方法开发创伤出血量分级预测模型；采用实验室检验指标作为预测变量、出血量分级作为结局变量，基于上述14种算法开发创伤出血量分级预测模型。通过准确率和受试者工作特征曲线下面积（AUC）对上述两组模型进行效果评价，并将两组中的最优模型混合得到混合模型1；通过遗传算法进行特征选择，并根据最佳特征组合构建混合模型2；最后，将混合模型2部署于动物实验数据库系统中。结果:纳入数据库中创伤动物96只，其中0~300 mL组27只，301~600 mL组40只，>600 mL组29只。在基于生命体征指标构建的14种模型中，全卷积网络（FCN）模型为最优模型〔准确率为60.0%，AUC及95%可信区间（95% CI）为0.699（0.671~0.727）〕；在基于实验室检验指标构建的14种模型中，循环神经网络（RNN）模型为最优模型〔准确率为68.9%，AUC（95% CI）为0.845（0.829~0.860）〕。FCN与RNN模型混合后得到混合模型1，即RNN-FCN模型，模型效果得到提升〔准确率为74.2%，AUC（95% CI）为0.847（0.833~0.862）〕；通过遗传算法进行特征选择，根据筛选后的特征组合构建混合模型2，即RNN-FCN*模型，进一步提升了模型效果〔准确率为80.5%，AUC（95% CI）为0.880（0.868~0.893）〕，该模型包含10项指标，分别为平均动脉压（MAP）、血细胞比容（HCT）、血小板计数（PLT）、血乳酸（Lac）、动脉血二氧化碳分压（PaCO 2）、二氧化碳总量、血Na +、阴离子隙（AG）、纤维蛋白原（FIB）、国际标准化比值（INR）。最后，将RNN-FCN*模型部署在数据库系统中，实现了对创伤动物出血量的自动、连续、高效、智能、分级预测。 结论:基于深度学习开发了一种创伤出血量分级预测模型，并部署在信息系统中，实现了对创伤动物出血量的智能分级预测。

目的:比较不同神经网络由磁共振成像(MRI)图像生成伪CT图像的本领，探讨伪CT用于临床放疗计划的可行性。方法:选取29例同时具有计划CT和诊断MRI的脑癌患者，23例用于训练，6例用于测试。分别采用循环生成对抗网络(cycleGAN)、对比学习非配对图像转换网络(CUT)以及本研究提出的改进网络denseCUT由MRI生成伪CT，并将伪CT导入治疗计划系统中验证其用于放疗计划的可行性。结果:CycleGAN、CUT和denseCUT生成的伪CT与真实CT之间的平均绝对误差分别为(72.0±6.9)、(72.5±8.0)和(64.6±7.3)HU，结构相似性分别为0.91±0.01、0.91±0.01和0.93±0.01，峰值信噪比分别为(28.5±0.7)、(28.5±0.7)和(29.5±0.7)dB，放疗计划剂量计算γ通过率(2%/2 mm)分别为98.05%、97.92%、98.31%。结论:denseCUT能更准确地生成伪CT，伪CT能满足调强放疗计划剂量计算的需求。