目的:评估基于计算机视觉技术开发的眼底图像质量评估系统的准确性。方法:选取2016至2017年在“上海糖尿病眼病研究”中由上海市各社区卫生服务中心的工作人员采用免散瞳眼底照相机拍摄的787例2型糖尿病患者的2 397幅彩色眼底像图片作为测试数据集。患者年龄（69.65±19.09）岁，男性384例，女性403例。根据眼底图像预处理、成像质量评价、内容检测和评估结果输出4个模块开发眼底图像质量评估系统。将2 397幅彩色眼底像图片输入该系统自动进行图像质量评价和视盘、黄斑识别，并根据图像质量判断规则对图像进行合格与否的判断并分类。同时由12位专业眼底图片阅片医师对此数据集的图像质量进行人工分类，其中合格1 846幅，不合格551幅。将系统判断结果与人工判断结果进行比对分析。结果:眼底图像质量评估系统可对输入的彩色眼底像图片自动进行眼别和眼位识别，并进行图像质量评估，之后直观输出评估结果。每幅眼底图像评估时间<1 s。1 846幅人工判断为图像质量合格的图片，经系统判断亦为合格者1 788幅（96.86%）；551幅人工判断为不合格的图片经系统判断结果亦为不合格者550幅（99.82%）。图像质量不合格原因为图像过暗（62幅，11.27%）、图像过亮（51幅，9.27%）、黄斑区不清晰（59幅，10.73%）、黄斑视盘未见（36幅，6.54%）、未见眼底结构（125幅，22.73%）、图像模糊（175幅，31.82%）、图像有遮挡（42幅，7.64%）。系统评估与人工判断结果总体一致率为97.54%。结论:该眼底图像质量评估系统对眼底图像质量的评估结果与专业阅片医师判断结果一致性高，具有客观性。 （中华眼科杂志，2020，56：920-927）

目的:开发一个基于人工智能的自动内镜下病灶尺寸测量系统，并测试其实时测量白光内镜下病灶尺寸的能力。方法:测量系统由3个模型组成：首先由模型1识别视频的连续图片中有无活检钳，有钳者标记钳叶轮廓；随后由模型2对有钳图片进行分类，分为张钳图片和未张钳图片；与此同时，模型3识别视频的连续图片中有无病灶，有病灶者标记边界；最后系统根据活检钳钳叶轮廓与病灶边界的像素对比，实时计算出病灶尺寸。数据集1由回顾性收集的武汉大学人民医院2017年1月1日—2019年11月30日4 835张图片组成，用于模型的训练和验证；数据集2由前瞻性收集的武汉大学人民医院内镜中心2019年12月1日—2020年6月4日检查拍摄的图片组成，用于测试模型分割活检钳边界和病灶边界的能力；数据集3由151个模拟病灶的302张图片组成，每个模拟病灶包括活检钳倾斜角度较大（与病灶垂直线夹角45°）和倾斜角度较小（与病灶垂直线夹角10°）情况下的图片各1张，用于测试模型在活检钳不同状态下测量病灶尺寸的能力；数据集4为视频测试集，由前瞻性收集的武汉大学人民医院内镜中心2019年8月5日—2020年9月4日检查拍摄的视频组成。以内镜医师复核后结果或内镜手术病理作为金标准，观察模型1识别有无活检钳的准确率、模型2分类活检钳状态（张钳或未张钳）的准确率和模型3识别有无病灶的准确率，用交并比（intersection over union，IoU）评价模型1的活检钳钳叶分割效果和模型3的病灶分割效果，用绝对误差和相对误差评价系统的病灶尺寸测量能力。结果:（1）数据集2共纳入1 252张图片，有钳图片821张（其中张钳图片401张、未张钳图片420张）、无钳图片431张；包含病灶图片640张、不包含病灶图片612张。模型1判断无钳图片433张（430张准确）、有钳图片819张（818张准确），识别有无活检钳的准确率为99.68%（1 248/1 252），以818张模型1准确判断有钳图片的数据统计模型1的活检钳钳叶分割效果，平均IoU为0.91（95% CI：0.90～0.92）。使用模型1准确判断的818张有钳图片评价模型2的活检钳状态分类准确率，模型2判断张钳图片384张（382张准确）、未张钳图片434张（416张准确），模型2的活检钳状态分类准确率为97.56%（798/818）。模型3判断包含病灶图片654张（626张准确）、不包含病灶图片598张（584张准确），识别有无病灶的准确率为96.65%（1 210/1 252），以626张模型3准确判断有病灶图片的数据统计模型3的病灶分割效果，平均IoU为0.86（95% CI：0.85～0.87）。（2）数据集3中：活检钳倾斜角度较小状态下系统病灶尺寸测量的平均绝对误差为0.17 mm（95% CI：0.08～0.28 mm），平均相对误差为3.77%（95% CI：0.00%～10.85%）；活检钳倾斜角度较大状态下系统病灶尺寸测量的平均绝对误差为0.17 mm（95% CI：0.09～0.26 mm），平均相对误差为4.02%（95% CI：2.90%～5.14%）。（3）数据集4共纳入59例患者的59个内镜检查视频的780张图片，系统病灶尺寸测量的平均绝对误差为0.24 mm（95% CI：0.00～0.67 mm），平均相对误差为9.74%（95% CI：0.00%～29.83%）。 结论:基于人工智能的自动内镜下病灶尺寸测量系统可以实现内镜下对病灶尺寸的准确测量，有望提高内镜医师对病灶尺寸估计的准确率。

2024年1月16日,江苏省盐城市湿地和世界自然遗产保护管理中心在组织开展盐城市越冬鸟类调查时,于江苏省盐城市大丰区四卯酉海堤林中(120°41′40″E,33°21′55″N,海拔0 m)发现并拍摄到1只体长12～15 cm的小型林鸟(图1),鉴定为欧亚旋木雀Certhia familiaris.根据《中国鸟类分类与分布名录(第四版)》(郑光美,2023)及中国观鸟中心记录数据(https://www.birdreport.com),确认为江苏省鸟类分布新记录.

为从心电图(electrocardiogram,ECG)中准确识别心拍,本研究提出了一种融合残差连接与注意力机制的改进一维U-Net语义分割模型,使用从上万名患者远程动态ECG记录中截取的 148 340 条单导联ECG数据,对正常窦性心律(Nor-mal)、室性早搏(premature ventricular contraction,PVC)、房性早搏(atrial premature beat,APB)、左束支传导阻滞(left bundle branch block,LBBB)和右束支传导阻滞(right bundle branch block,RBBB)五种常见心拍进行分类.该模型以一定长度的ECG片段作为输入,通过添加背景标签,完成对所有采样点的语义分割,实现对各心拍进行定位的同时,完成类型识别.在测试集上的实验结果表明,该模型能够准确检测心拍位置,仅有 0.04%的心拍被漏检;对Normal、PVC、APB、LBBB、RBBB心拍分类的F1分数分别为 99.44%、99.03%、97.63%、95.25%和 94.77%.该方法与传统U-Net模型相比,能够取得更好的心拍分类效果.

2023年9月17日,在安徽省宣城市宣州区溪口镇十八湾景区(118°43′42″E,30°36′6″N)发现并拍摄到1只深色燕鸥,其喙较长且基部较粗,体羽为全烟褐色,头顶灰色,额白色,眼先黑色,白色眼圈细而不完整(图1).经查阅相关图鉴(刘阳,陈水华,2021;约翰·马敬能等,2022),确定为白顶玄燕鸥Anous stolidus.据邓郁(2020)和《中国鸟类分类与分布名录(第四版)》(郑光美,2023),并查阅中国观鸟记录中心(http://www.birdreport.cn)数据后,确定为安徽省鸟类新记录.

心律失常自动分类对心血管疾病的预防尤为重要,本研究提出一种基于马尔可夫转移场(MTF)和改进MobileNetV2网络的心律失常图像分类方法.首先将原始心电(ECG)信号进行预处理和数据增强,并通过MTF将处理后的ECG片段转变为具有时间关联性的二维图像.其次在MobileNetV2网络的模块中融入高效通道注意力.将正常心拍、左束支传导阻滞、右束支传导阻滞和起搏心拍4种类型的ECG信号通过改进MobileNetV2网络进行分类.结果表明改进MobileNetV2模型复杂度仅略高于原始MobileNetV2,在心律失常分类准确率上,比原始MobileNetV2网络提高0.89%,达到99.71%,实现了对4种不同类型的ECG信号的有效分类.

生物多样性的海拔格局一直是生态学、生物地理学和保护生物学研究的核心问题之一.本研究利用红外相机对广东南岭国家级自然保护区完整垂直带的兽类和鸟类开展连续10年的野外监测,分析了保护区当前鸟兽多样性及受胁情况,并通过整合水平与垂直分布的多样性格局开展热点与空缺分析.2012-2021年间共设置了 116个红外相机点位,相机累计拍摄85,164个工作日,获得可识别独立有效照片21,194张,共记录到兽类24种,鸟类50种.兽类受威胁物种比例较高,为45.83％.相对多度指数(relative abundance index,RAI)最高的5种兽类为赤麂(Muntiacus vaginalis)、小麂(M.reevesi)、红腿长吻松鼠(Dremomys pyrrhomerus)、鼬獾(Melogale moschiata)和藏酋猴(Macaca thibetana);而红颊獴(Herpestes javanicus)和水鹿(Rusa unicolor)RAI最低,仅各拍摄到1次.RAI最高的4种鸟类是白鹇(Lophura nycthemera)、紫啸鸫(Myophonus caeruleus)、黄腹角雉(Tragopan caboti)和白眉山鹧鸪(Arborophiila gingica),有42种鸟类的RAI指数小于1,主要来自雀形目、鴷形目和鸮形目.广义加性模型结果表明,兽类和鸟类的物种丰富度与海拔显著相关,呈典型的"中峰格局",中海拔(1,000-1,400 m)物种丰富度较高.β多样性分析表明低海拔和高海拔与其他海拔段之间的分类相异性最高,中海拔段之间的相异性相对较小.热点与空缺分析表明,广东南岭国家级自然保护区兽类和鸟类主要集中分布在3个热点地区,且全部分布于中高海拔;同时部分区域具有较高的鸟兽多样性,但并未包含在保护区范围内.总体看来,当下广东南岭国家级自然保护区野生动物仍面临较为严峻的保护压力.在南岭国家公园建设大背景下,我们建议当地管理部门:(1)以物种为单元,针对重点物种制定保护管理政策,特别是大中型兽类;(2)充分重视保护区中高海拔地段的生境管理,维持区内完整的气候与生物垂直带谱;(3)建立多营养级生物多样性监测网络,关注人为干扰、环境因子、功能特征、种间互作网络和进化历史等综合因素对野生动物分布格局的长期影响.

2022年8月22日,在甘肃省张掖市山丹县祁家店水库进行鸟类调查时,在水库南岸的浅水区(100°27′57.81"E, 39°59′27.21"N,海拔1 405 m)发现约6只体色黑白相间的鸻形目Charadriiformes鹬科Laridae鸟类,并拍摄到其游弋觅食的清晰照片(图1),经鉴定为红颈瓣蹼鹬Phalaropus lobatus幼鸟.经查阅《中国鸟类野外手册》(约翰·马敬能等,2000)、《中国鸟类分类与分布名录(第三版)》(郑光美, 2017)和中国鸟类记录中心数据(中国鸟类记录中心, 2022),确定为甘肃省分布新记录.

目的 描述海南省红树林生境库蠓属(Culicoides)新种和新记录种.方法 将2021-2022年采集自海南省红树林的库蠓属昆虫制作玻片标本,基于形态学特征进行物种鉴定,并对其主要鉴定特征进行拍摄、测量和绘图.结果 在海南省清澜红树林省级自然保护区、东寨港国家级自然保护区发现1新种拟老挝库蠓(C.pseudolaoensis Deng&Li,sp.nov.),其主要鉴别特征为:雌虫大鄂齿10枚,触角嗅觉器分布在第3、11～15节;中胸盾板浅黄色;小盾片褐色;翅基部淡斑大,向后延伸至臀室基部1/2;受精囊3个,椭圆形,位于中部的1个较大.雄虫阳茎中叶端部粗,柱状,阳基侧突基部末端粗壮.在铁炉港红树林自然保护区发现1中国新记录种拟心形库蠓(C.pseudocordiger Wirth & Hubert,1989),其主要鉴别特征为:足第4跗节呈心形;中胸盾板褐色,表面布满粗鬃;翅r2室全部暗色;雄虫阳茎中叶基拱高且端部尖,阳基侧突端部弯曲且具长齿.新种模式标本保存于海南大学植物保护学院昆虫标本馆.结论 记述了库蠓属1新种及1中国新记录种,进一步丰富了中国红树林生境的库蠓种类.

目的 提出一种基于一维卷积神经网络的患者特异性心电分类方法,提升心拍自动分类性能,特别是室上性早搏(Superventricular Premature Beat,SVEB)分类性能,为临床心电诊断提供辅助依据.方法 将多层一维卷积神经网络自动学习的心电特征和心电的RR间期特征进行融合,送入多层感知器,再通过softmax分类器进行分类;选择少量公共心拍数据加上患者特定的心拍数据用于训练分类模型,实现患者特异性心拍识别.结果 采用麻省理工学院提供的标准心律失常数据库(MIT-BIH Arrhythmia Database)评估算法的分类性能,与已有研究结果相比,分类性能得到提升,其中SVEB识别的灵敏度达到88.7%.结论 该方法可为医护人员诊断心脏疾病提供可靠的辅助依据.