针对机器学习方法在对脑电特征进行分类时无法同时兼顾脑电信号的时-空域特征的问题,利用添加注意力机制的卷积神经网络提取空间特征和双向门控循环单元提取时间特征,提出一种基于特征融合的运动想象(Motor Imagery,MI)脑电分类算法(Attention-EEGNet-BiGRU,AEBGNet),AEBGNet可将时、空域两类特征相融合,得到更具表征性的时-空域特征,最终构建的AEBGNet分类模型在BCI competition IV 2b数据集上取得80.37%的平均正确率,比标准的EEGNet方法提高6.09%.结果表明,本文方法可以有效提高MI脑电信号的分类正确率,为MI脑电信号的分类提供新的思路.

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。

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: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。

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。

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。

目的:从概念证据角度建立一个使用电子病历数据的循环神经网络模型，该模型能够持续个体化评估PICU患儿住院期间的病死风险，以作为疾病严重程度的替代指标。设计:回顾性队列研究。场所:一家三级学术型儿童医院的PICU。对象:2010年1至2019年2月间的12 516次PICU入院(9 070例)儿童，分为培训组(50%)、验证组(25%)和测试组(25%)。干预措施:无测量方法与主要结果:测试组2 475次PICU住院≥24 h，循环神经网络模型第12小时预测的受试者工作特征曲线下面积(area under the curve，AUC)为0.94( CI 0.93~0.95)，高于儿科病死率指数(0.88， CI 0.85~0.91， P<0.02)、小儿死亡风险评分Ⅲ(第12小时)(0.89， CI 0.86~0.92， P<0.05)和小儿器官功能障碍评分(第1天)(0.85， CI 0.81~0.89， P<0.002)。循环神经网络的辨别力随所获数据增多和引导时间缩短而增强，出院前24 h AUC达到0.99。尽管没有诊断信息，但循环神经网络在不同主要诊断类别中均表现良好，这些组的AUC得分普遍高于其他3个评分。测试组内692次PICU住院≥5 d，循环神经网络的AUC显著优于其匹配的每日小儿器官功能障碍评分( P<0.05)。 结论:循环神经网络模型可以处理患儿电子病历数据中包含的数百个输入变量，并在测量数据可用时动态集成。其高分辨能力表明循环神经网络有潜力为ICU患儿提供准确、连续和实时的评估。

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:评估通过最小化基于等效均匀剂量（EUD）的损失函数优化放疗计划中危及器官（OAR）剂量体积直方图（DVH）预测方法的实用性。方法:随机选取2020—2021年在中国医学科学院肿瘤医院深圳医院完成鼻咽癌容积调强弧形治疗（VMAT）的66例患者的治疗计划，其中50例用于训练循环神经网络（RNN）模型，其余16例用于测试模型。研究基于RNN构建了DVH预测模型，并为66例患者均设计了一个9野等权重的三维适形计划。训练时将OAR每个分野对应的DVH作为模型输入，VMAT计划的DVH为预期输出，通过最小化基于EUD的损失函数计算的预测误差训练模型。预测准确度用预测值和真实值之间的平均偏差和标准偏差表示。根据DVH预测结果为测试病例重新优化计划，使用Wilcoxon配对检验和箱线图比较新计划和原计划OAR的EUD和感兴趣DVH参数（如脊髓等串型器官的最大剂量）的一致性和差异性。结果:基于EUD的损失函数训练得到的神经网络能够得到更好的DVH预测结果。根据预测DVH得到的新计划与原计划具有很好的一致性：在绝大多数情况下，两组计划的计划靶区（PTV）的D 98%都大于95%处方剂量，脑干、脊髓和晶状体的最大剂量和EUD的差异均无统计学意义（ P>0.05）。相较于原计划，新计划在视交叉、视神经和眼球的最大剂量平均减少1.56 Gy以上，EUD平均减少1.22 Gy以上，颞叶的最大剂量和EUD分别平均增加了0.60 Gy和0.30 Gy。 结论:基于EUD的损失函数提高了DVH预测的准确性，确保预测的DVH能够在治疗方案优化中给出适当的剂量目标，并提高计划质量的一致性。

经前期综合征(PMS)缺乏与中西医临床诊疗标准吻合度高、可行性好且表现稳定的动物模型,导致其发病机制、药效药理的相关研究缺乏可靠的实验载体.该研究旨在从"病-证-症"关联视角,系统解析PMS的生物内涵,在此基础上建立黄体酮撤退与情志刺激结合诱导型PMS动物模型,并对其进行客观评价.首先通过GeneCards、DisGeNET、MalaCards和中医证候本体及多维定量关联计算平台(SoFDA)数据库与已发表文献,收集PMS现代医学与中医诊疗标准中肝郁气滞与气滞血瘀证型相关的临床症状基因集,并依据基因间相互作用信息,建立PMS的"病-证-症"关联网络.基于数据挖掘结果,在经典黄体酮撤退模型基础上,结合慢性束缚刺激,模拟临床发病过程中由外部环境刺激引起的情绪抑郁,从生理与情志2个维度引起病理损伤,制备PMS大鼠模型,评价2种造模条件下的模型在旷场实验得分,脏器指数,卵巢病理变化,血清雌二醇(E2)、促卵泡激素/促黄体生成素(FSH/LH)、5-羟色胺(5-HT)、多巴胺(DA)、去甲肾上腺素(NE)水平及凝血四项、血流变指标.通过计算"病-证-症"关联网络节点在网络中的度值、介度和接近度,筛选出163个具有网络拓扑重要性的核心基因.进一步的生物功能挖掘结果表明,PMS核心基因主要参与"神经-内分泌-免疫"系统与血液循环障碍相关通路的调控;临床表型症状基因集映射分析提示,PMS核心基因与抑郁症状及血瘀所致肿痛症状显著相关.与单纯的黄体酮撤退模型相比,注射与束缚双重刺激的大鼠在旷场实验水平得分与总分,卵巢组织病理变化,血清神经递质5-HT与DA水平,血清性激素E2与FSH/LH水平的异常改变均更为显著,且注射加束缚条件加剧了模型大鼠血液流变性、凝血功能和红细胞形态的病理改变,证实了该大鼠模型能够表征PMS发生、进展中的"神经-内分泌-免疫"系统紊乱与血液循环系统障碍,与该疾病的中西医临床诊疗标准相符.黄体酮撤退与情志刺激结合诱导型PMS大鼠模型的建立能够为PMS发病机制的阐释、治疗药物的发现与药效评价提供可靠的实验载体,也为客观化反映PMS中西医临床表征与精准治疗提供参考.