目的 用现有药代动力学(PK)药物相互作用(DDI)信息的数据库,构建出可用于预测AUC倍数变化(FC)的机器学习模型,用于探究对现有DDI预测的可能,为临床用药提供一定的合理建议.方法 从美国食品药品监督管理局(FDA)认证的药品标签中提取DDI的PK数据和AUC倍数变化的数据.通过DrugBank检索出DDI有关的多肽和药效学(PD)信息,用蛋白质资源(UniProt)对相关多肽ID进行药物类型(PPDT)标识,用矩阵归一化的代码生成便于分析的多维向量数据.PPDT对AUC的影响和所产生的倍数变化作为因变量,进行机器学习模型构建.用均方根误差(RMES)值最小的模型进行模型构建,训练出袋装决策树(Bagged)预测模型.利用训练好的模型对部分药物检验,检测模型的预测性别.通过查阅现有的有关检测DDI对的文献研究结果,对预测值进行分析比较,对模型进行评价.结果 检验模型药物对共16对,分别为16种药物对他克莫司的影响,发现对DDI的有无预测准确率为81.25％;预测结果根据FDA标准分类强弱,结果表明,DDI强弱预测,偏离较大的预测较少.结论 模型预测DDI的有无评价一般;但对DDI的强弱分类后,对DDI的预测结果较好,预测结果说明模型预测性能对于在临床试验之前进行潜在的DDI评估具有一定的参考价值.

目的 利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素.方法 回顾性收集2020年7-12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因素变量筛选,合成少数过采样技术-标称连续处理数据不平衡,数据集按8∶2的比例分为训练集与测试集,网格搜索10折交叉验证构建轻量梯度提升机(light gradient boosting machine,LightGBM)、支持向量机(support vector machine,SVM)模型,并与逻辑回归(logistic regression,LR)模型进行比较,基于ROC的AUC、校准曲线分别评价模型的区分度与校准度,性能最好的模型通过Shapley加性解释(Shapley additive explanation,SHAP)模型对预测结果进行解读.结果 本研究共纳入520例MIS患者,2年内复发93例(17.9％),测试集中LightGBM、SVM、LR预测患者2年内复发的AUC分别为0.935(95％CI 0.896～0.973)、0.833(95％CI 0.770～0.896)、0.764(95％CI 0.691～0.835),准确度分别为0.890、0.773、0.693,布里尔分数分别为0.105、0.167、0.200.结果 显示LightGBM模型性能最优,基于SHAP的LightGBM可解释模型重要性前5的是舒张压、年龄、糖尿病、LDL-C、吸烟.结论 本研究建立的LightGBM模型预测效果良好,可为MIS患者2年内复发的预测提供借鉴.通过SHAP可解释性帮助临床医师更好地理解预测模型结果背后的原因,对MIS患者做出更个性化与合理化的临床决策.

目的 探讨前列腺特异性抗原(PSA)水平的动态变化对晚期前列腺癌患者生存预后的影响,为前列腺癌患者个性化治疗提供一定的理论依据.方法 本研究为回顾性队列研究.连续性收集2011-01-01-2017-12-31新疆医科大学附属肿瘤医院经病理学检查确诊为前列腺癌的176例患者作为研究对象,根据治疗方案分为比卡鲁胺联合戈舍瑞林组(n=126)和氟他胺联合戈舍瑞林组(n=50).采用线性混合效应模型和Cox比例风险模型分别拟合晚期前列腺癌患者血清PSA水平的动态变化及其生存数据,进而根据共享随机效应构建极大似然估计和贝叶斯估计法下的联合模型.通过赤池信息准则(AIC)、贝叶斯信息准则(BIC)以及对数似然函数(LLF)值评估2类联合模型的拟合优度.采用受试者工作特征曲线下面积(AUC)和预测误差(PE)比较2类联合模型的预测性能.通过独立样本t检验、Mann-Whitney U秩和检验、x2检验或Fisher确切概率法比较不同治疗方案下患者基线数据的组间差异.结果 共纳入176例前列腺癌患者,年龄45～90岁,平均年龄(71.76±7.86)岁,随访1.30～36.77个月.极大似然估计下的联合模型结果显示,相比于患者血清PSA水平未增加时,当PSA水平随时间增至10倍后,患者死亡风险增加0.94倍(HR=1.94,95％CI:1.74～2.16,P＜0.001);贝叶斯估计下的联合模型结果显示,相比于患者血清PSA水平未增加时,当PSA水平随时间增至10倍后,患者死亡风险增加1.18倍(HR=2.18,95％CI:1.77～2.73,P＜0.001).此外,极大似然估计下的联合模型展现出更好的拟合优度(AIC=3 265.01,BIC=3 303.06,LLF=-1 620.51),而贝叶斯估计下联合模型的AUC值(0.70～0.88)更大、PE值(0.04～0.10)更小,提示其具有更强的预测性能.结论 晚期前列腺癌患者血清PSA水平升高是其生存预后的危险因素,临床上应密切监测前列腺癌患者血清PSA水平的动态变化,以便更准确地制定个性化治疗方案.

目的:应用建立的全自动AI牙体分割算法,从CBCT影像中实现牙体的快速自动化分割,以口内扫描真实离体牙获得的三维数据作为金标准,验证算法的准确性.方法:从上海交通大学医学院附属第九人民医院收集30套CBCT数据及相应的59颗离体牙,通过建立的算法,分割出CBCT中的牙体三维数据.将离体牙处理后扫描获得的数字化信息作为金标准.为了比较算法分割结果以及扫描结果之间的差异,选取骰子系数(Dice)、灵敏度(sensitivity,Sen)以及平均表面距离(average symmetric surface distance,ASSD)评价算法的分割准确性.选用组内相关系数(ICC)评价AI系统获得单个牙与数字化离体牙的长度、面积和体积差异.由于存在不同体素大小的CBCT,使用ANOVA单因素方差分析不同体素组间的差异,同时通过SNK法对其进行两两比较.采用SPSS 25.0软件包对数据进行统计学分析.结果:算法分割结果与离体牙扫描结果对比后,得到平均Dice值为(94.7±1.88)％,平均Sen为(95.8±2.02)％,平均ASSD为(0.49±0.12)mm.比较数字化离体牙与AI系统获得的单个牙的长度、面积和体积的组内相关系数ICC值,分别为0.734、0.719和0.885,AI系统分割出的单个牙与数字化模型在评价长度、面积和体积时有着较好的一致性,但分割结果在具体数值上与真实情况仍有差异.CBCT体素越小,即分辨率越高,分割结果表现更好.结论:本研究建立的CBCT牙体分割算法能够准确实现各分辨率下CBCT中全牙列的牙体分割.CBCT分辨率提高,能让算法结果更准确.相比目前的分割算法,本研究的算法性能更好.但与实际情况相比,仍有一定差异,需对算法继续改进及验证.

目的 评价Alberta卒中项目早期CT评分(ASPECTS)、洛桑卒中量表(ASTRAL)、DRAGON、START和血管事件患者总体健康风险计算评分(THRIVE-c)预测模型对河北省保定市高级卒中中心救治的急性缺血性卒中(AIS)患者预后的预测价值.方法 收集 2016 年 1 月至 2022 年 8 月在保定市第一中心医院高级卒中中心急诊入院行静脉溶栓治疗的 909 例AIS患者的临床资料,并对患者使用ASPECTS、ASTRAL、DRAGON、START和THRIVE-c评分模型进行评分.观察每个评分 3 个月改良Rankin量表(mRS)评分,mRS评分 0～2 分为预后良好,3～6 分为预后不良,比较 5 个评分中变量的多变量Logistic回归系数与原始推导队列的差异.采用受试者工作特征曲线(ROC曲线)分析各评分模型对AIS患者 3 个月不良预后的预测效能,并计算ROC曲线下面积(AUC);采用Hosmer-Lemeshow拟合优度检验评估各模型与实际预后结果的拟合程度;同时,利用校准曲线和Brier评分作为评价模型校准性能的指标.结果 最终纳入 786 例患者,340 例预后不良.验证队列与模型构建原始队列的比较显示:验证队列中平均年龄为 65 岁,女性占比相对较少(33.84%),中位血糖值为 8.09 mmol/L,与ASPECTS和THRIVE-c评分原始队列比较,验证队列预后不良占比较低(43.68%比51.90%,43.68%比50.30%),与ASTRAL、DRAGON和START原始队列比较,验证队列不良占比较高(43.68%比34.00%,43.68%比35.20%,43.68%比39.10%,均P＜0.05).ROC曲线分析显示,ASPECTS、ASTRAL、DRAGON、START和THRIVE-c评分对AIS患者预后均有预测价值,AUC和 95%可信区间(95%CI)分别为 0.848(0.820～0.876)、0.825(0.795～0.855)、0.833(0.805～0.861)、0.838(0.811～0.866)、0.727(0.691～0.762);在前循环分别为0.852(0.821～0.883)、0.817(0.782～0.853)、0.815(0.781～0.849)、0.833(0.800～0.866)、0.710(0.668～0.751);在后循环分别为0.841(0.781～0.902)、0.850(0.792～0.908)、0.874(0.816～0.931)、0.854(0.800～0.908)、0.775(0.704～0.846).Hosmer-Lemeshow拟合优度检验显示:DRAGON模型曲线与中间对角线差距较小,校准度较好(χ2=1.483,P=0.993);Brier评分显示:ASPECTS评分模型的Brier评分最小为 0.150,性能最好.结论 ASPECTS、ASTRAL、DRAGON、START及THRIVE-c这 5 种评分模型均被证实能有效预测接受静脉溶栓治疗的AIS患者 3 个月后的不良预后,其中ASPECTS模型在预测效能上表现最为突出;对于前循环梗死,ASPECTS评分展现出最高的预测效能;而针对后循环梗死,DRAGON评分则具有最佳的预测性能.ASPECTS评分在预测模型预测预后的概率与实际概率一致性较好.

目的:探讨超声引导衰减参数成像（UGAP）技术评估非酒精性脂肪性肝病（NAFLD）的相关影响因素及临床适用性，评估NAFLD患者并发心血管疾病（CVD）预测模型的应用价值。方法:纳入2022年11月至2023年11月于哈尔滨医科大学第一附属医院行二维超声及UGAP检查的NAFLD患者204例，另选取同期健康者73例作为对照组。受试者进行二维超声检查对肝脂肪变性程度进行评价，分为S0~S3级，所有受试者进行UGAP检查获取UGAP值。基于是否并发CVD事件，将NAFLD患者进一步分为并发CVD组83例与未并发CVD组121例。比较S0~S3组间UGAP值的差异，应用单因素和多因素线性回归分析影响UGAP值的独立影响因素。采用Spearman相关评估UGAP值与肝脂肪变性程度之间的相关性。使用组内相关系数（ICC）评估不同操作者之间测量结果的一致性。采用Logistic回归和Nomogram模型分析NAFLD患者并发CVD的危险因素，并应用ROC曲线及校正曲线评估该模型的临床效能。结果:277例受试者中，S0组73例（健康对照组），S1~S3组分别为83、86、35例。UGAP值在S0~S3各组间的差异存在统计学意义（H=236.35，P<0.001）。多因素线性回归分析表明，体质量指数（BMI）、总胆固醇（TC）、甘油三酯（TG）及肝脂肪变性程度是UGAP的独立影响因素（P均<0.05）。UGAP值操作者间的ICC为0.977（95%CI：0.972~0.982，P<0.001）。Logistic回归分析表明，年龄、BMI、UGAP值为NAFLD患者并发CVD的独立影响因素（P均<0.05），构建的Nomogram模型的ROC曲线下面积为0.948（95%CI：0.920~0.977，P<0.001）。校准曲线表明，模型的实际预测性能与理想预测性能接近。结论:UGAP值与BMI、血脂水平、肝脂肪变性程度密切相关，且操作者间可重复性好；基于年龄、BMI及UGAP值构建的Nomogram模型可直观地评价NAFLD患者并发CVD的风险。UGAP技术可为评估脂肪肝及其严重程度、预测CVD发生风险提供可靠依据。

目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征,结合临床变量构建模型,预测局部晚期宫颈鳞癌(locally advanced cervical squamous cell carcinoma,LACSCC)患者新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴结转移状况.材料与方法回顾性分析两个中心2013年1月至2022年2月的265例接受NACT并行根治性子宫切除术的LACSCC患者病例及影像,中心1的数据用于模型训练,中心2的数据用于模型验证.所有患者NACT治疗前行盆腔MRI检查.于矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)、轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)和延迟期矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)勾画肿瘤感兴趣区(region of interest,ROI)并提取影像组学特征.通过K最佳(K-Best)及最小绝对值收缩与选择算法(least absolute shrinkage and selection operator,LASSO)降维并筛选出与淋巴结转移强相关影像组学特征.基于每个序列筛选后的组学特征构建三个单序列模型,在所有特征间作相关性分析,排除高度相关的组学特征,并对临床变量进行多变量回归分析,融合临床变量及筛选后的影像组学特征构建临床-影像组学的组合模型,比较模型间性能差异.利用受试者工作特征(receiver operating characteristic,ROC)曲线及决策曲线(decision curve analysis,DCA)评估模型的诊断性能及临床效能.结果Sag_T2WI、Ax_DWI、Sag_T1C三个序列分别筛选出6、3、7个与淋巴结转移高度相关的组学特征,其中2个形状特征和10个纹理特征被纳入组合模型.多因素logistic回归分析显示MRI评估的淋巴结状态是淋巴结转移的预测因素(P<0.05).与单序列模型相比,组合模型具有更好的预测能力,在训练集和验证集的诊断能力最高,ROC曲线下面积、敏感度和特异度分别为0.848[95％(confidence interval,CI):0.785～0.912]、78.2％、74.4％和0.827(95％CI:0.737～0.917)、80.8％、69.4％.DCA显示如果风险阈值超过60％,则用组合模型预测LACSCC患者NACT后淋巴结状态可获得较大的临床效益.结论基于治疗前MRI,联合Sag_T2WI、Ax_DWI、Sag_T1C三个序列的组学特征及临床信息对LACSCC患者NACT后淋巴结转移具有较好的预测效能.

目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征构建模型预测局部晚期宫颈癌(locally advanced cervical cancer,LACC)新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态.材料与方法回顾性分析了300例于2013年至2022年来自于河南省人民医院(训练集187人,LVSI阳性73人)和河南省肿瘤医院(验证集113人,LVSI阳性31人)接受NACT并行根治性子宫切除术LACC患者的临床及影像资料.于轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)、矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)和矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)上勾画肿瘤感兴趣区(region of interest,ROI)并提取特征,利用递归特征消除算法与最小绝对值收缩与选择算法筛选影像组学特征.随后,基于逻辑回归分类器分别建立单序列模型,双序列模型及基于三序列组学特征的联合序列模型.使用受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型性能,使用DeLong检验比较曲线下面积(area under the curve,AUC),通过决策曲线评估模型的临床价值.结果在验证集中,基于Ax_DWI、Sag_T2WI及Sag_T1C构建的单序列模型的AUC分别为0.717[95％置信区间(confidence interval,CI):0.605～0.829]、0.734(95％CI:0.633～0.836)和0.733(95％CI:0.626～0.841);基于Ax_DWI+Sag_T2WI、Ax_DWI+Sag_T1C及Sag_T2WI+Sag_T1C构建的双序列模型的AUC值分别为0.763(95％CI:0.660～0.866)、0.786(95％CI:0.692～0.881)与0.815(95％CI:0.731～0.899);联合序列模型的AUC值为0.829(95％CI:0.740～0.914),高于各单序列模型与双序列模型,但联合序列模型与Ax_DWI模型、Sag_T2W1模型及Ax_DWI+Sag_T2W1模型之间AUC差异无统计学意义(P=0.015～0.047).决策曲线显示联合序列模型的临床净效益高于单序列模型与各双序列模型.结论基于治疗前mpMRI影像组学特征构建的联合序列模型可有效预测LACC患者NACT后的LVSI状态.

目的 对比列线图与不同机器学习算法构建中老年人龋齿预测模型的效能.方法 采用多阶段分层随机抽样法,选取南宁市、贵港市、崇左市510名中老年人为研究对象,进行问卷调查及口腔检查.采用单因素分析和Lasso回归筛选相关变量,使用多因素logistic回归分析确定最终独立影响因素.基于显著特征,建立列线图预测模型,并运用线性判别分析(LDA)、偏最小二乘算法(PLS)、距离多普勒算法(RDA)、广义线性模型(GLM)、随机森林(RF)、支持向量机(SVM)核函数(SVM-Radial)及SVM线性核函数(SVM-Linear)7种机器学习算法构建7种龋齿风险预测模型.采用受试者工作特征(ROC)曲线下面积(AUC)中位数评价各模型预测性能,以及不同变量筛选方法所构建模型的预测性能.结果 中老年人龋齿检出率为71.18％.经过特征筛选后最终保留5个预测因子,分别是年龄(OR=0.945,95％CI:0.917～0.973)、刷牙频率(OR=0.688,95％CI:0.475～0.997)、过去1年是否洗牙(OR=0.303,95％CI:0.103～0.890)、牙存留数(OR=1.062,95％CI:1.038～1.087)和口腔健康评估量表(OHAT)得分(OR=1.363,95％CI:1.234～1.505).各模型对比结果显示,RF算法所构建的预测模型表现最佳,AUC中位数为0.747,其次为列线图,AUC中位数为0.733.单因素+Lasso+多因素logistic(简称Lasso+logistic)筛选自变量构建预测模型的AUC中位数均高于RF算法筛选自变量构建的预测模型.结论 基于Lasso+logistic筛选变量,RF较列线图及其他机器学习算法在中老年龋齿预测中提供了更可靠的预测性能.

目的 探索一种在小数据量条件下提高医学诊断神经网络模型准确率和泛化能力的方法,解决在指甲病图像计算机辅助诊断中由于训练数据量小而导致神经网络模型性能不佳的问题.方法 提出融合实例分割与细粒度特征分类的双模型策略,采用第一届全国数字健康创新应用大赛健康医疗大数据主题赛基于图像的指甲病智能诊断模型任务数据集训练基于双模型策略的神经网络模型,该任务数据集涵盖甲母痣、甲沟炎、银屑病甲、甲真菌病、甲下出血、甲黑线、甲周疣、甲黑素瘤8类指甲病,各类别不平衡.评估双模型策略的诊断性能,并与相同软、硬件训练条件下单模型策略[图像分类模型(ResNet50、Swin Transformer)和基于快速区域卷积神经网络(Faster R-CNN)的目标检测模型]进行比较.结果 纳入任务数据集包括甲母痣210例、甲沟炎186例、银屑病甲69例、甲真菌病203例、甲下出血149例、甲黑线71例、甲周疣93例、甲黑素瘤67例共1 048例样本,其中90％的样本用于训练不同策略的模型,10％用于评估模型.基于ResNet50的图像分类模型的micro F1值为0.324,基于Swin Transformer的图像分类模型为0.381,基于Faster R-CNN的目标检测模型为0.572,基于双模型策略的Mask R-CNN+Swin Transformer模型为0.714.双模型策略预测各指甲病的准确度为甲母痣80.95％(17/21)、甲沟炎89.47％(17/19)、银屑病甲100.00％(7/7)、甲真菌病70.00％(14/20)、甲下出血73.33％(11/15)、甲黑线14.29％(1/7)、甲周疣55.56％(5/9)、甲黑素瘤42.86％(3/7).双模型策略在该任务1 000例测试集中的micro F1值为0.844.结论 双模型策略可以有效结合功能不同的模型,更好地完成小数据量训练条件下的指甲病图像智能诊断任务.