针对病理数据超大尺寸、标注成本高昂等问题带来的病理分类准确率较低的问题,基于多示例网络,引入分级注意力模块,设计一种兼顾示例级和图像块级损失的病理分类算法.回顾性收集皖南医学院第一附属医院口腔颌面外科186例口腔癌(126例鳞癌、60例腺癌),其数字病理切片划分为验证集、测试集及训练集.首先对病理图像进行前后背景分割,去掉背景中的噪声部分,然后采用ResNet50对分割后的病理图像提取特征,并将特征输入第一级注意力网络,得到基于图像块的注意力得分和损失,再根据注意力得分对图像块进行排序重置标签输入第二级注意力网络,得到基于示例级别的损失,最后将两级注意力的损失作为模型的总损失,通过训练最终网络,得到口腔癌分类结果.实验结果表明,使用两级注意力的多示例网络准确率为78.95%,AUC为0.8430,相较于基线模型均有更高表现.

目的:基于消化内镜人工智能与互联网平台，探索构建一个安全规范、科学严谨的消化内镜数据库，为我国消化内镜人工智能数据质量控制提供参考和依据。方法:针对12种常见消化道疾病，参考相关指南规范，讨论确定消化内镜图像数据的采集与标注标准；研发山东省多中心消化内镜数据在线采集与标注软件；采用国内市场保有量>5%的内镜设备，对参与图像采集与标注的数十位经验丰富的内镜操作医师统一进行数据标注讲解训练。自2019年7月至2020年7月前瞻性、连续性采集、标注来自山东大学齐鲁医院、山东省立医院、聊城市人民医院、临沂市人民医院、威海市立医院、泰安市中心医院、滨州医学院附属医院、烟台毓璜顶医院、山东大学齐鲁医院青岛院区9家医疗中心的内镜检查数据；经数据优化、脱敏、泛化后上传至服务器，经文件同步、数据处理和专家审核，构建山东省多中心消化内镜人工智能数据规范化采集与标注数据库，即云平台。采用描述性方法进行统计学分析。结果:制定了山东省多中心消化内镜人工智能数据采集与标注标准；研发了山东省多中心消化内镜人工智能在线采集与标注软件；成功构建了山东省多中心消化内镜人工智能数据库，数据库中标注病灶43 010个，其中，早期食管癌病灶2 906个，早期胃癌2 912个，早期结直肠癌2 397个，结直肠息肉9 773个(腺瘤性息肉5 539个，非腺瘤性息肉1 161个，未定性息肉3 073个)，标注图像40 353张，标注检查数量11 289例次。结论:山东省多中心消化内镜人工智能云平台采用统一标准和采集标注软件，保证了内镜数据的安全性、规范性，为我国消化内镜人工智能数据标准化采集、标注质量控制体系的构建和第三方数据监管提供了参考和依据。

目的:建立血液分析检验结果人工智能（AI）审核规则。方法:纳入2019年8月1日至31日吉林大学第一医院住院患者血液分析数据18 474份，作为AI审核规则训练组，采集其对应的患者年龄、镜检结果、临床诊断信息，以血液分析报告参数、研究参数、报警信息等92个实验室参数作为AI审核规则的候选条件；依据镜检的人工审核作为审核标准，标注是否通过或拦截；采用决策树算法，通过高强度、多轮次及五折交叉验证，初步建立AI审核规则，通过设置重要病例必中，以优化AI审核规则。采用卡方检验比较AI审核规则与自动审核规则的假阴性率、精确率、召回率、F1分数、通过率等指标，评价AI审核规则性能。收集2023年11月1日至31日吉林大学第一医院检验科12 475份住院患者血液分析数据作为验证组，将AI审核规则模拟用于结果审核，分析AI审核规则的性能指标，验证AI审核规则的性能。结果:AI审核规则由15项规则、17条参数构成，能够分辨计数和形态异常。与自动审核规则相比，AI审核规则的训练组真阳性率、假阳性率、真阴性率、假阴性率、通过率、正确率、精确率、召回率、F1分数分别为22.7%、1.6%、74.5%、1.3%、75.7%、97.2%、93.5%、94.7%、94.1，均优于自动审核规则，差异具有统计学意义（ P<0.001），且无重要病例漏检。验证组真阳性率、假阳性率、真阴性率、假阴性率、通过率、正确率、精确率、召回率、F1分数分别为19.2%、8.2%、70.1%、2.5%、72.6%、89.2%、70.0%、88.3%、78.1，与自动审核规则相比，假阴性率较低、假阳性率和召回率稍高，差异具有统计学意义（ P<0.001）。 结论:利用机器学习的决策树算法建立并验证的血常规AI审核规则，能较稳定地识别、拦截与提示异常结果，与自动审核相比在血液分析检验结果报告中更加简便、高效、准确。

目的:建立一种三维定量测量方法用于评估颞下颌关节髁突骨改建。方法:将2014年11月至2019年8月就诊于北京大学口腔医学院·口腔医院颞下颌关节病及口颌面疼痛诊治中心且诊断为颞下颌关节急性不可复性关节盘前移位或关节盘绞锁、采用手法复位关节盘结合前伸再定位 垫治疗的41例患者（共82侧髁突）资料纳入研究，其中男性10例，女性31例，年龄为12~30（19.7±4.4）岁。获取治疗前后6~12个月的锥形束CT图像。根据髁突轴位、矢状位及冠状位影像中“双线征”数目定性评价髁突骨改建，将82侧髁突分为无改建组（0个“双线征”）、部分改建组（1~4个“双线征”）和显著改建组（5~6个“双线征”）3组。应用锥形束CT数据进行髁突骨改建的三维定量测量。采用基于人工预标注结合分水岭算法的半自动分割方法分别对治疗前后的锥形束CT影像进行分割，重建颞下颌关节髁突的表面模型，应用基于距离图的初始配准和基于灰度信息的二次配准，将治疗前后的髁突图像配准重叠后髁突和髁头的体积差定量反映髁突骨改建程度。 结果:二维定性评价的 Kappa值为0.66~0.87。三维定量测量髁突及髁头体积的同一研究者组内相关系数（intraclass correlation coefficient，ICC）值分别为0.998和0.941，不同研究者组间ICC值分别为0.999和0.942。治疗后髁突和髁头的体积较治疗前增加量分别为（41.7±90.2） mm3和（62.8±70.9） mm3。82侧髁突中无改建组21侧、部分改建组20侧，显著改建组41侧。显著改建组治疗后较治疗前髁突和髁头体积增加量均为最大，部分改建组次之，无改建组最小（ P<0.05）。 结论:三维定量测量评价髁突骨改建程度的方法一致性和可靠性良好，定量变化值可以反映不同程度的髁突骨改建，其中将髁头作为感兴趣区计算的体积变化量更敏感。

冠状动脉CT血管成像（CCTA）是冠状动脉疾病诊断的首选影像检查。使用人工智能技术对CCTA数据进行图像重组、斑块评估和血管分析，是人工智能医疗器械发展的重要方向，为临床机构提供了全新的影像后处理和诊断方式。影像人工智能产品的生产研发、验证确认、临床质控等活动均需要依托图像数据的高质量标注结果。为了规范CCTA的数据标注，本共识对CCTA的标注提出统一的共识和指导意见，从数据集适用范围和定义、数据要求、标注流程及标注规则等各个方面阐述专家组就该问题达成的共识，旨在帮助业内形成统一认知，提高CCTA数据的标注质量，推动相关数据集的建设，促进CCTA相关的人工智能研究规范化发展，提升冠状动脉疾病的诊疗水平。

基于人工智能的肺结节辅助诊断、辅助检测对于肺癌早期筛查具有重要意义。由于当前产品通常采用监督学习，研发与测试过程需要高质量的胸部CT肺结节数据集。目前，此类数据集的构建和质量控制尚未建立具体的技术规范，业内处于探索阶段。随着人工智能医疗器械标准化的推进，关于数据集通用要求的标准正在起草。为促进产业发展、推进标准化进程，本文以训练集为案例，提出了胸部CT肺结节数据集的构建流程，包括数据采集、数据标注等环节。同时，本文解释了该类数据集质量特性的表现形式，提供了质量控制思路。本文旨在为数据集制造责任方提供参考路线，保障数据资源的有序供给，促进肺结节人工智能产品的研发生产。

目的:构建多标签学习MRI膝关节运动损伤检测诊断模型，并验证该模型的实际效能。方法:回顾性连续纳入2013年8月至2019年3月解放军东部战区总医院1 343例膝关节运动损伤青年患者的1 391个膝关节MRI图像。采用随机采样法将数据按7∶1∶2分为训练集（ n=973）、验证集（ n=139）及测试集（ n=279）。将膝关节损伤分为半月板损伤、肌腱损伤、韧带损伤、骨与骨端软骨损伤、滑膜关节囊损伤及周围软组织损伤6大类，由放射科医师依各层面图像对所有损伤进行标注作为金标准。根据PyTorch V1.1.0算法包搭建通用YOLO深度学习工具包，开发膝关节运动损伤MRI多标签定位检测模型，并在测试集上验证模型效能，评价其对病灶检测的灵敏度、特异度及平均精度均值。 结果:测试集279个膝关节MRI数据中，MRI多标签学习模型对半月板损伤、肌腱损伤、韧带损伤、骨与骨端软骨损伤、滑膜关节囊损伤及软组织损伤定位检测的平均精度均值分别为83.1%、89.0%、88.0%、85.8%、85.5%和83.2%，整体的平均精度均值为85.8%。模型对肌腱损伤检出效能最高，灵敏度为91.2%，特异度为87.1%。结论:多标签学习MRI膝关节运动损伤检测诊断模型可以有效辅助膝关节运动损伤的定位检测，提高影像诊断工作效率。

主动脉夹层是严重威胁生命的心血管急症之一，CT血管成像（CTA）是诊断主动脉夹层的首选检查方法。将基于CTA图像的人工智能应用于主动脉夹层，有助于快速辅助诊断、评估疗效和预测术后风险等。影像人工智能最核心的部分是数据的标注，为了规范主动脉夹层CTA影像数据的标注，促进人工智能更好地落地临床，中华医学会放射学分会心胸学组及国内心血管影像专家编写了主动脉夹层CTA标注专家共识，从主动脉夹层的定义和分型，标注数据来源和储存要求，标注平台、工具和方式的选择，标注人员资质、培训和考核，标注后数据的质控，标注方法和内容，标注流程等各个方面达成共识，为建设规范化的主动脉夹层CTA影像标注数据库提供了有力的技术指导和质量保障，为主动脉夹层人工智能影像模型的构建、验证、优化及推广等提供研究基础，从而推动主动脉夹层人工智能影像真正落地临床应用，最终使患者受益。

目的:通过手机拍摄PD伴冻结步态(FOG)患者的步态视频，构建基于手机视频的PD伴FOG患者的自动识别系统。方法:选择广州市第一人民医院神经内科自2020年12月至2021年5月收治的49例PD伴FOG患者，收集患者的临床资料，使用手机拍摄患者"3 m往返"和"3 m往返通过窄道(长0.6 m)的过程，获得87个有效视频，标注每个视频的转身阶段、直行阶段及其中的FOG事件。提取视频中关键点的位置信号，对信号预处理后提取特征数据，由特征数据分别建立动作识别模型、直行FOG识别模型和转身FOG识别模型，最后组成端到端的FOG识别模型。采用留一法(LOSO)评估上述模型的性能。结果:87个有效视频中25 881个窗口样本，其中22 066个非FOG窗口样本，3815个FOG窗口样本。LOSO法评估结果显示，动作识别模型的灵敏度为83.27%，特异度为91.38%，准确度为89.28%。直行FOG识别模型的灵敏度为57.69%，特异度为88.12%。转身FOG识别模型的灵敏度为61.54%，特异度为98.72%。端到端的FOG识别模型的灵敏度和特异度分别为85.71%、75.73%。结论:基于手机视频的PD患者FOG自动识别系统具有较高的灵敏度和特异度，可实现远程识别PD患者的FOG，便于对PD伴FOG患者的筛查和随访。

目的:探讨多视角融合以及主动轮廓约束的深度学习算法在10 μm级耳科专用CT图像上对听小骨分割的效果。方法:回顾性收集2019年10月至2020年12月北京友谊医院放射科10 μm级耳科专用CT检查的受试者数据共79侧耳（56侧来自志愿者，23侧来自标本）。对锤骨、砧骨和镫骨进行标注，将其划分为训练集（55侧）、验证集（8侧）和测试集（16侧）。采用感兴趣区域快速定位结合精准分割算法，分别从冠状面、矢状面和横断面3个视角对锤骨、砧骨和镫骨进行分割与融合。针对镫骨，同时设计了基于主动轮廓损失的镫骨分割方法。分割实验采用客观指标Dice相似系数（DSC）作为判别标准，比较本方法与基础方法、本方法与其他分割方法的组间DSC差异。结果:多视角融合分割算法对锤骨、砧骨和镫骨的平均DSC值分别为94.2%±2.7%、94.6%±2.6%和76.0%±5.5%；结合主动轮廓损失的约束方法后，对镫骨的平均DSC值进一步提升（76.4%±5.4%比76.0%±5.5%），且可视化结果显示镫骨结构的分割结果更加完整。结论:基于10 μm级耳科专用CT数据的多视角融合算法可实现对锤骨和砧骨结构的精准分割，结合主动轮廓损失约束方法，可进一步提升对镫骨结构的分割精度。