综述了防护牙托、牙齿传感器、可穿戴式肌电图设备、奶嘴式可穿戴设备、舌设备等口腔可穿戴设备的研究进展,分析了口腔可穿戴设备的优缺点,提出了目前口腔可穿戴设备发展面临的挑战,指出了建立统一有效的标准诊断数据系统、提高设备的舒适感和隐蔽性、发展材料及工艺、实现集-诊-疗的智能统一是未来口腔可穿戴设备的发展趋势.

目的 通过机器学习分析"舌边白涎"舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能.方法 使用Python进行图像预处理,搭建用于舌象识别的视觉几何组 16层(visual geometry group 16,VGG16)卷积神经网络模型,分析其对"舌边白涎"舌象鉴别分析的效果,并结合热力图分析"舌边白涎"典型舌象表现.结果 基于PyTorch框架,进行卷积神经网络的舌象鉴别研究,VGG16 及残差网络 50 层(residual network 50,ResNet50)模型验证准确率均较高,达到 80%以上,且ResNet50 模型优于VGG16 模型,可为舌象识别提供一定参考.基于加权梯度类激活映射(gradient-weighted class activa-tion mapping,Grad-CAM)技术,通过舌苔舌色差异分布的网络可视化,有助于直观进行模型评估分析.结论 基于卷积神经网络模型对舌象数据库进行分析,实现"舌边白涎"舌象识别,有助于临床诊疗的客观化辅助分析,为舌诊智能化发展提供一定借鉴.

目的:探讨基于视觉深度自注意力网络的多任务模型分析三维上气道及其各段的准确性，评价该模型的临床适用性。方法:根据纳入和排除标准，回顾性选取2012年1月至2020年1月首次就诊于武汉大学口腔医院正畸一科的患者锥形束CT资料（10例），其中男性4例，女性6例，年龄（20.8±2.7）岁。由同1名主治医师使用3D slicer软件分割上气道和咽气道并测量体积（金标准），使用Dolphin 3D软件分割咽气道及其各段并测量体积（金标准），并使用课题组前期研发的基于视觉深度自注意力网络的多任务模型进行上气道及其各段的自动分割和体积测量。采用Bland-Altman分析法（包括平均偏差等）、组内相关系数（ ICC）分析多任务模型与金标准分割上气道或咽气道及其各段体积的一致性，采用配对 t检验比较多任务网络模型与金标准的差异。 结果:基于视觉深度自注意力网络的多任务模型与3D Slicer软件分割上气道的体积平均偏差为979.6 mm 3，两者 ICC为0.97。基于视觉深度自注意力网络的多任务模型与Dolphin 3D软件分割咽气道、鼻咽、腭咽、舌咽及喉咽的体积平均偏差分别为2 069.5、950.1、823.6、813.9、4 003.4 mm 3，两者 ICC分别为0.97、0.94、0.96、0.96、0.69。 结论:基于视觉深度自注意力网络的多任务模型对三维上气道及其各段的分割可产生不同误差，对鼻咽、腭咽、舌咽的分割与金标准的一致性较好，对喉咽的分割欠佳，提示仍需进一步增强该模型的鲁棒性和泛化性。

晕厥和癫痫的发作症状存在一定的重叠，这可能导致晕厥患者被误诊为癫痫。为了提高诊断的准确性，详细询问病史和视频脑电监测是至关重要的。晕厥患者脑电图改变主要为"慢波"和"慢-平-慢波"模式，不同的脑电图模式与不同的症状表现相关联。在发作期间观察抽动次数、是否伴随失张力发作、是否有口舌咬伤迹象以及患者主观感觉有助于两者的鉴别诊断。在无法进行视频脑电图监测的情况下，使用智能手机录制患者的发作视频也是一个有效的替代手段。

近年来国内咽喉反流研究硕果累累，建立了新西兰兔咽喉反流动物模型用于咽喉反流发病机制的研究，流行病学调查发现耳鼻咽喉头颈外科门诊患者咽喉反流性疾病的构成比为10.15%，咽喉反流与舌根淋巴组织增生、声带息肉、任克间隙水肿、喉癌等咽喉疾病的关系密切，胃蛋白酶及胃酸可通过不同的信号通路引起上气道黏膜炎性反应或上皮细胞向恶性方向转化。各种筛查量表的信度及效度验证、24小时腔内多通道阻抗联合pH监测的应用为咽喉反流的诊断提供了依据，特别是自主研发的胃蛋白酶试纸条的应用，发现多时点唾液胃蛋白酶检测可提高咽喉反流性疾病的诊断率，并提出了检测的最佳时间点，人工智能诊断咽喉反流的研究也取得了初步进展。各种治疗方法为医生提供了多种选择。特别是《咽喉反流性疾病诊断与治疗专家共识》的制订使得咽喉反流的诊治更加规范。

目的:观察脑白质疏松症(leukoaraiosis，LA)患者的静息态脑功能连接的变化特点，探讨LA患者认知功能损害的神经病理机制。方法:收集2022年8月至2023年2月在南京医科大学附属江苏盛泽医院就诊的28例LA患者(LA组)以及性别、年龄、教育程度相匹配的30例健康志愿者(normal control，NC组)的静息态脑功能数据。采用简易智能精神状态检查量表、连线测试，Stroop色词测验等量表评估被试的认知功能。采用基于MATLAB R2022a的DPABI V6.1软件计算和统计两组间体素镜像同伦连接(voxel-mirrored homotopic connectivity，VMHC)差异，组间比较采用两样本 t检验，将所得差异脑区作为种子点与全脑进行功能连接，使用Pearson相关分析计算功能连接值与神经量表评分的相关性。 结果:组间比较显示，LA组距状裂周围皮质(x＝±18，y＝－63，z＝15)、中央后回(x＝±39，y＝－27，z＝48)、舌回(x＝±12，y＝－51，z＝－6)、枕中回(x＝±27，y＝－75，z＝24)、岛叶(x＝±36，y＝6，z＝3)的VMHC值较NC组减低( P<0.05)。种子点功能连接结果显示，LA组右侧距状裂周围皮质与两侧楔前叶、右侧背外侧前额叶皮质、右侧颞中回功能连接减弱( P<0.05)，右侧中央后回与左侧距状裂周围皮质、左侧颞中回、右侧舌回功能连接减弱( P<0.05)。Pearson相关分析结果显示，LA组中，右侧距状裂周围皮质-右侧背外侧前额叶皮质的功能连接值与Stroop色词测验C评分呈负相关( r＝－0.39， P<0.05)；所有受试者右侧距状裂周围皮质-右侧背外侧前额叶皮质的功能连接值与Stroop色词测验C评分呈负相关( r＝－0.48， P<0.001)，与连线测试B评分呈负相关( r＝－0.40， P<0.01)，右侧距状裂周围皮质-左侧楔前叶的功能连接值与连线测试B评分呈负相关( r＝－0.45， P<0.001)。 结论:LA患者大脑半球间功能连接的失同伦以及皮质间联合环路功能连接的减弱可能与认知功能损害的神经病理过程有关。

目的 传统中医体质辨识主要依靠填写体质量表,存在一定的主观性,而后出现了基于舌象辨识体质的方法,为体质辨识客观化奠定了基石,但这些方法往往依赖于舌诊仪、面诊仪等专业设备.研究旨在提出一种仅依赖室内光学摄像头的基于人体骨骼特征的中医体质辨识模型,研讨将体质辨识的输入特征扩展至全身的可行性.方法 采集受试者身高、体质量、性别、全身图像,并让受试者填写体质量表,以量表测试结果作为数据标注,利用深度学习算法提取人体骨骼特征,并利用神经网络建立身高、体质量、性别以及骨骼特征与受试者体质之间的联系,建立基于骨骼特征的中医体质辨识模型,并评估其表现.结果 实验结果表明,基于人体骨骼特征的中医体质辨识模型在样本数据上取得了一定的准确性,在仅依靠室内光学摄像头的条件下,能够达到与基于舌象的体质辨识模型相近的水平.结论 基于人体骨骼特征的中医体质辨识模型能够在仅依靠室内光学摄像头的条件下实现中医体质辨识,相较于传统的体质量表更加具有客观性,相较于基于舌象的方法更加便捷.未来可以对此类方法进行多模态融合,优势互补,进一步完善中医体质辨识客观化、智能化、多模态化.

目的 对舌、面诊图像特征提取及分割分类研究的相关文章进行总结分析,探究该领域的研究热点及发展前沿趋势,为今后的舌、面诊图像处理相关研究提供思路.方法 以中国知网为数据来源,根据排纳标准和检索策略,最终纳入文献439篇,最后采用Gephi绘图软件对相关文献的作者、研究机构以及关键词进行共词网络可视化分析.结果 结合年发文量可知整体发文量较少,但总体趋势呈平稳上升;研究团队主要以李福凤、张新峰、许家佗、王忆勤和王泓午等的团队为代表;研究机构多为地区性医工交叉的合作形式.结论 研究热点趋势向深度学习的图像处理方向发展,同时跨地区跨机构之间的团队合作有待加强,进一步推动多学科交叉融合及中医望诊(舌、面诊)智能客观定量化发展.

目的 尝试通过自动化分析舌象图像,填补传统中医体质辨识方法的不足之处,推动体质辨识的现代化和智能化.方法 通过使用体质调查问卷和DS01-A型舌诊仪采集受试者体质信息和舌象信息,最终纳入阳虚质舌象260张,阴虚质舌象114张.在训练阳虚质与阴虚质舌象分类模型之前,进行了数据增强和舌体分割.采用了 U-net网络来分割舌象图像.分类模型是基于ResNet-34网络结构进行训练,并使用了交叉熵损失和Dice损失进行优化.结果 在模型评价方面,研究使用精度、损失函数、召回率、F1分数等指标进行性能评估.实验结果显示,ResNet-34模型在验证集中达到了 88％的精度,并且在训练数据上表现良好.与其他模型(ResNet-18、ResNet-50和RegNet)相比,ResNet-34模型表现最佳.结论 使用深度学习方法可以有效地识别阳虚质和阴虚质的舌象特征,为中医体质现代化和智能化分类提供了新的可能性.

目的 通过卷积神经网络对冠心病痰湿证的舌象进行分类识别,提高冠心病痰湿证舌象识别准确率.方法 选取2020年10月至2022年8月在内蒙古自治区乌兰浩特市妇幼保健院、陕西中医药大学第二附属医院等地采集到的200例冠心病患者,其中痰湿证组、非痰湿证组各100例,运用ConvNeXt模型、朴素贝叶斯网络、K近邻模型、决策树算法、支持向量机模型进行舌象分类辨识.结果 不同模型的舌象分类平均准确度均在50％以上,ConvNeXt模型的平均准确度最高为89.44％;ConvNeXt模型验证集中痰湿证和非痰湿证2个类别的平均准确度、精确率、F1值和召回率均接近90％.结论 使用ConvNeXt模型进行舌象分类识别,能够较为准确地从舌诊上区分冠心病痰湿证与非痰湿证,客观化的人工智能识别技术,可以辅助冠心病痰湿证的临床诊断,有助于中医舌诊客观化研究的发展.