目的:探究跑步疲劳进程中人体下肢肌肉协同模式变化,以揭示人体中枢系统调节下肢动作以适应疲劳积累的机制.方法:11例男性跑者接受恒定速度跑疲劳干预,并全程采集干预过程时其下肢肌电数据.运用非负矩阵分解算法提取不同干预时刻受试下肢肌肉协同元参与数量、肌肉协同元峰值激活用时、肌肉相对权重等分析指标.结果:①在肌肉协同元参与数量方面,在整个跑步疲劳干预过程中,共解析出6类肌肉协同元主导人体下肢关节活动,每位受试者平均会从中随机调动4-5类肌肉协同元参与跑步活动,且随着疲劳积累肌肉协同元参与数量无显著变化(P＞0.05).②在肌肉协同元峰值激活用时变化方面,协同元1的峰值激活用时在33％、100％时刻显著降低(P＜0.05).③在肌肉相对权重变化方面,协同元1的半腱肌的相对权重在33％、67％、100％时刻显著降低(P＜0.05).协同元2的股直肌的相对权重在33％时刻显著降低(P＜0.05).协同元4的股二头肌的相对权重在67％时刻显著降低(P＜0.05),但在100％时刻显著回升(P＜0.05).结论:跑步疲劳进程中人体中枢系统会调控下肢肌肉协同模式,以适应疲劳累积,降低下肢损伤风险.该调控过程具体表现:稳定下肢肌肉协同元参与数量,减少早期支撑阶段的肌肉协同元峰值激活用时,动态调节跑步早期支撑阶段的股直肌与半腱肌,中期摆动阶段股二头肌的相对权重.

目的:通过整合单细胞RNA测序(sing-cell RNA sequencing, scRNA-seq)和癌症基因组图谱(The Cancer Genome Atlas, TCGA)数据，探索肺鳞状细胞癌(lung squamous cell carcinoma, LUSC)中差异表达基因(differentially expressed genes, DEGs)和预后相关基因，并构建基于这些基因的预后模型。为了更好地了解LUSC中的免疫微环境(tumor microenvironment, TME)，进一步分析了免疫细胞的浸润特征，揭示其与LUSC患者预后的潜在关联。方法:从基因表达综合数据库GEO(GSE118245)中获取LUSC单细胞RNA测序数据，并通过质量控制和数据标准化，鉴定出不同的细胞群体。使用Seurat软件包进行主成分分析(principal component analysis, PCA)和统一流形近似投影(uniform manifold approximation and projection, UMAP)进行降维聚类。基于TCGA数据库中的LUSC患者样本，使用TCGAbiolinks包获取批量RNA测序数据，并对肿瘤样本和正常样本之间的DEGs进行筛选，采用加权基因共表达网络分析(weighted gene co-expression network analysis, WGCNA)构建基因共表达网络。使用Cox回归和最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归构建基于DEGs的预后模型，Kaplan-Meier生存曲线评估患者总生存期(overall survival, OS)。使用CIBERSORT算法评估不同风险组中的免疫细胞浸润比例，比较22种免疫细胞在高风险和低风险组中的差异。结果:从LUSC单细胞数据中质控得到出5 360个细胞，注释为13个不同的细胞群，并通过SingleR注释为8种细胞类型。与对照组相比，LUSC组中的中性粒细胞、CD4＋ T细胞和骨骼肌细胞比例显著上升。差异表达基因分析共筛选出3 396个DEGs，其中1 851个基因上调，1 545个基因下调。GO和KEGG富集分析表明，DEGs主要参与细胞周期、感染和补体级联反应等重要生物过程。在TCGA-LUSC数据中，使用WGCNA识别出与LUSC发展显著相关的蓝色模块，在此基础上筛选出61个交集基因进行进一步分析。单因素Cox回归和LASSO回归分析共识别出4个独立的预后相关基因(ITIH3、MME、PLAAT1和ATP13A5)，构建了风险评分模型。Kaplan-Meier生存曲线显示高风险组患者的总生存期显著低于低风险组。免疫浸润分析结果表明，高风险组患者肿瘤中的CD8＋ T细胞、活化的记忆CD4＋ T细胞和滤泡辅助性T细胞比例显著高于低风险组，进一步支持了免疫微环境对LUSC进展的关键作用。结论:通过整合单细胞和TCGA数据，成功鉴定了LUSC中的关键差异表达基因，构建了有效的预后模型。模型在多个验证队列中表现出预后预测，揭示的免疫细胞浸润特征为LUSC的免疫微环境提供了新的见解。免疫细胞在LUSC的发生和进展中发挥重要作用。

目的:提出一种新型脉冲神经元模型及其网络，描述其建模方法，并用计算机模拟验证其性能。方法:在充分考虑生物学适应性（激活电位阈值和不应期开关），及其对尖峰放电脉冲产生及其传导的动态调节机制基础上，在新型脉冲神经元模型中引入了突出后电位多通道滤波器，实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方（LMS）的误差反向传播（BP）学习算法，并将其应用于尖峰放电神经网络的调节。结果:在自发噪声下，新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接，可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征，能够形成复杂的周期尖峰放电模式。对于输入噪声控制，该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论:所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡，这与生物神经元极其相似，能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器，能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。

血细胞形态学检查是血液疾病诊断的重要手段，传统人工镜检存在效率低、易受主观影响等问题。人工智能技术的应用提高了血细胞检查的效率和质量，促进了检测结果的标准化。目前，多种人工智能设备已在临床使用或研究中，但其技术要求和配置各异。中华医学会血液学分会实验诊断学组组织相关专家，制订了本共识。本共识内容包括术语定义、适用范围、技术要求、临床应用、数据管理和信息安全，强调了标本制备、图像采集、图像分割算法、细胞特征提取与识别分类的重要性，并提出了细胞识别谱的基本要求。同时，对病理细胞的细分类、细胞训练与测试的要求、质量控制标准、辅助人工出具诊断报告等方面进行了详细说明。此外，还强调了数据管理和信息安全的重要性，确保患者信息的安全和数据的准确性。

目的:采用血清代谢指纹采集方法筛选肺癌相关差异调控代谢物，为肺癌诊断提供候选标志物。方法:在上海长海医院开展队列入组工作，共纳入2021年1月27日至6月4日的228例受试者，其中包括初诊确认肺癌患者97例和健康体检人群131名。根据标准流程采集入组队列血清样本，并通过分层随机抽样，将入组队列分为训练集和完全独立的验证集。采用纳米辅助激光解吸电离质谱对血清样品进行代谢指纹图谱采集。对训练集样本年龄、性别进行质量控制后，通过机器学习算法构建基于血清代谢指纹图谱的诊断模型，并采用受试者工作特征（ROC）曲线评价模型的分类效能。结果:通过新型纳米辅助激光解吸电离质谱，可在1 min内完成血清样品的代谢指纹提取，过程仅需消耗1 μl原始血清。针对训练集，基于此构建的分类器诊断肺癌的ROC曲线下面积（AUC）为0.92（95% CI 0.87~0.97），敏感度为89%，特异度为89%。在独立验证队列中，AUC为0.96（95% CI 0.90~1.00），敏感度为91%，特异度为94%，没有表现出性能损失。确定了由5个代谢物组成的标志物组合，展示了肺癌患者的独特代谢模式。 结论:本研究结合血清代谢指纹图谱和机器学习建立了肺癌的诊断模型，用于区分肺癌患者以及健康对照，可用于临床的体外诊断。

目的:利用机器学习方法建立老年心房颤动(房颤)合并冠心病患者的远期死亡预测模型，并确定相应的危险因素。方法:回顾性队列研究，连续入组2013年1月至2015年3月北京医院收治的60岁及以上房颤合并冠心病患者329例，男性183例(55.6%)例，女性146例(44.4%)，年龄(77.8±7.3)岁，80岁及以上142例(43.2%)。失访11例(3.3%)，死亡151例(45.9%)，最后纳入分析的患者共318例。根据患者生存结局，将318例患者分为死亡组(151例)和存活组(167例)。此外，另选取2015年4—7月入院的60岁及以上房颤合并冠心病患者60例为外部数据验证集。采集人口统计学参数、合并疾病、辅助检查和临床治疗情况。随访至少6年，记录包括死亡在内的主要不良心脑血管事件(MACCE)。最后将入组患者按9∶1的比例随机分为训练集和测试集，通过机器学习算法建立不同模型预测房颤合并冠心病患者远期死亡率，并通过外部数据(60例)验证比较确立最优模型，利用Shapley加法解释算法对变量的重要性进行排序，得出排名前20位的特征变量，以确定危险因素。结果:329例患者中，总体中位随访时间77.0月(95% CI：54.0~84.0)，失访11例(3.3%)，死亡151例(45.9%)。通过分析得出支持向量机模型、k-近邻算法(KNN)模型、决策树模型、随机森林模型、ADABoost模型、XGBoost模型、Logistic回归模型预测远期死亡率的受试者工作特征曲线(ROC)下面积(AUC)分别为0.76、0.75、0.75、0.91、0.86、0.85和0.81。其中随机森林模型预测效能最高，其准确率达0.789，F1值高达0.806，且优于传统的Logistic回归模型(AUC：0.91比0.81， P<0.05)。D-二聚体、年龄、MACCE次数、左心室射血分数、人血白蛋白水平、贫血、纽约心脏病协会心功能分级、陈旧性心肌梗死病史、估测肾小球滤过率(eGFR)及静息心率是预测远期死亡率的重要危险因素。 结论:基于机器学习方法建立的随机森林模型可预测老年房颤合并冠心病患者的远期死亡率，具有较好的识别能力，其准确性高于传统的Logistic回归模型。可通过干预患者的D-二聚体水平、纠正低蛋白血症和贫血、改善心功能和控制静息心室率降低远期死亡率，改善患者远期预后。

肺癌是全球发病率和死亡率最高的恶性肿瘤之一，严重危害人类的健康。本文对2022年1月1日至12月10日国内外肺癌流行病学领域的研究进展进行综述。研究发现，随着肺癌病因学研究的深入和精准医学的开展，全球肺癌的发病率和死亡率得到了一定程度的控制；大规模人群队列和生物银行的建设推动了肺癌的病因学研究，阐明肺癌发病与吸烟、空气污染、慢性病共病、饮食和生活习惯等因素的关联对肺癌一级预防策略的制定具有积极意义；高通量组学检测技术的发展推动了罕见胚系变异、嵌合基因组变异、“表观时钟”、循环细胞游离DNA（cfDNA）甲基化和血浆代谢物等新型生物标志物的发现，有助于优化肺癌个体化风险评估模型和提高肺癌早期筛查效果；深度学习等人工智能算法可揭示影像组学特征与临床诊疗数据之间的深层关系，提升肺癌的筛查效能。上述研究发现为肺癌精准防治工作的有效开展提供了技术支撑和理论依据。

采用人工智能进行肺结节辅助检测已经在医疗器械领域成为成熟的应用，这一技术可以有效地帮助影像医师快速准确地发现肺结节，从而提高体检和肺癌筛查在肺癌防治中的效率和效果。胸部X线（正位）在肺结节检测中具有辐射剂量低、检查速度快、设备资源分配充分以及检查费用低等特点。随着影像组学和人工智能技术在胸部X线（正位）领域的逐渐应用，数据标注和质量控制对于人工智能算法和产品的发展起到了至关重要的作用。本专家共识旨在为胸部X线（正位）肺结节数据的采集、标注以及质量控制提供指导意见，促进胸部X线（正位）肺结节标准化标注数据集的建设，为人工智能算法和产品的训练、调优和测试提供重要的依据，从而推动医学影像人工智能技术的快速发展以及进一步实现临床应用。

目的:量化前列腺癌容积旋转调强放疗中植入标志物的可探测性，寻找最佳植入位置。方法:（1）依次将标志物植入4种模式下盆腔假体内不同既定坐标组合处。（2）调取25例既往前列腺癌患者的容积旋转调强放疗计划，对每次按照实验设计植入了标志物的盆腔假体分别进行25次照射，单次剂量约为60 Gy，在每个控制点获取兆伏级电子射野影像平片。（3）利用兆伏级平片和自研算法计算每种坐标组合25次照射的可探测性分数的均值（ ），并寻找最佳植入位置。通过曲线拟合分析计算普适情况下最佳植入位置参数值a和b。 结果:组级结果：在所有组级坐标组合中，B模式下B10-Ⅰ组[（10,3,0）、（-10,3,0）、（10,-3,0）、（-10,-3,0），单位：mm]的 最高（0.2652分）。模式级结果：在所有模式中，D模式[（0,3b,0）、（a,b,a）、（-a,-b,-a）、（0,-3b,0），a、b均为参数，单位：mm]下的 的平均值最高（0.2489分）。系统化结果：当a=9.6 mm、b=4.6 mm时，4种模式下所有坐标组合的 均较为理想。 结论:成功量化了植入标志物的可探测性并获取了由组级到模式级再到系统化的最佳植入位置。

18F-FDG PET-CT对肺结节检出、诊断及肺癌的疗效评价和预后评估具有灵敏度高、特异度强、定量精准等特点，其临床价值已得到国内外认可。随着影像组学与人工智能技术应用于 18F-氟脱氧葡萄糖（FDG）PET-CT领域的逐渐开展，数据标注和质量控制对深度学习模型准确性和鲁棒性起着重要作用。该共识旨在为肺结节 18F-FDG PET-CT的数据采集、标注以及质量控制提出初步指导意见，以促进肺结节 18F-FDG PET-CT数据集标准化，为人工智能算法和产品研发、调优、验证等提供重要依据，推动细分领域产品的快速发展。