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 探究CT纹理分析联合机器学习对急性脑梗死后出血性转化的预测价值.方法 回顾性分析2021年1月至2023年9月入院治疗的急性脑梗死患者的CT图像资料,比较溶栓治疗后发生出血性转化组(n=78)和未出血组(n=122)之间CT梗死区形态参数的差异,在CT图像上提取梗死区域的纹理特征参数,分别基于纹理、形态特征构建多种机器学习模型,采用受试者工作特征(ROC)曲线及曲线下面积(AUC)评估模型的预测效能.结果 梗死部位梗死面积及是否为多发梗死灶等形态特征具有统计学意义(P＜0.05);以纹理特征构建的机器学习模型能更好的预测出血性转化,整体效能高于形态特征模型,其中XGBoost和CatBoost预测效能最高.结论 基于CT纹理分析可有效预测急性脑梗死出血性转化.

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 了解护生对大语言模型聊天机器人的使用体验,为规范使用大语言模型聊天机器人提供参考.方法 采用描述性质性研究方法,以目的抽样法选取15名来自4所医学院校的护生进行半结构式访谈.使用内容分析法对访谈资料进行分析、归纳并提炼主题.结果 共提炼出4个主题:使用体验感多样化;使用场景差异化;使用潜在问题;自我感知需求和期待.结论 护理教育和管理者应引领护生树立正确使用大语言模型价值观,制定相关使用准则规范其使用,还须加强培训和护理伦理建设,促进大语言模型在护理教育中的创新融合.

目的 通过机器学习方法对流行性感冒临床证候学资料进行训练,获得流感辨证模型.方法 收集2019年12月-2022年3月就诊于中日友好医院发热门诊的流行性感冒患者病历资料,使用数据采集系统进行数据处理,将不同数据处理过程产生的数据分别存储,以逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM和随机森林为备选模型,通过Optuna进行超参数优化选择,并在各数据集中分别训练模型,以macro-F1评分为核心指标,对模型的预测性能进行评价.结果 整理得到训练样本1 011个,其中风热犯卫证453个、风寒束表证152个、表寒里热证406个;得到用于训练的数据集8个,包含数据80份.经训练,逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM、随机森林模型的macro-F1评分分别为0.783 0、0.774 2、0.731 5、0.782 4、0.716 7、0.793 8、0.815 3.加权样本能显著提高平均模型性能,而主成分分析降维会降低平均模型性能.单一模型中,逻辑回归模型预测性能最佳;集成方法模型中,随机森林模型预测性能最佳.结论 在样本量较小的情况下,流行性感冒中医辨证模型使用逻辑回归、决策树、支持向量机和lightGBM较为适宜,随着样本量增加,逻辑回归、支持向量机、lightGBM和随机森林可能更为合适.不同数据处理方式会影响模型性能,对证型典型程度信息的采集有利于提高模型性能.

目的 本研究基于半监督算法残差网络(semi-supervised algorithm Residual network,SMRNet)的深度学习方法,探索其在计算机辅助自主分析膝关节MRI诊断前交叉韧带(anterior cruciate ligament,ACL)损伤方面的应用.方法 使用100名经过关节镜确认的ACL损伤患者和100名关节镜确认无ACL损伤的患者的术前MRI图像.在选取适当层面后,裁剪并用于SMRNet的训练.SMRNet对单个MRI切片上ACL损伤的概率进行最终判断.4名临床医师对相同图像进行读片诊断.结果 SMRNet分类的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为97.00％、94.00％、95.50％、94.17％和96.91％.医师的整体阅片情况类似,敏感性区间91.00％～96.00％、特异性区间90.00％～94.00％、准确性区间90.50％～95.00％、阳性预测值区间90.09％～94.12％、阴性预测值区间90.90％～95.92％,二者差异无统计学意义(P＞0.05).结论 经过训练的SMRNet模型在ACL损伤检测上超越部分临床医师,为膝关节MRI诊断提供高效可靠方法,展现深度学习在医学影像的潜力.未来,SMRNet有望成为膝关节MRI诊断的重要工具,为患者提供更精准的诊疗方案.

目的 采用XGBoost机器学习算法构建一个临床影像模型,预测肺结节病理浸润性,并在一个外部验证组中对模型进行泛化性验证.方法 回顾性纳入CT诊断为孤立性肺结节患者248例,分别提取肺结节区域和结节周围3mm、5mm区域的放射组学特征.经过从粗到细的特征选择后,使用最小绝对收缩和选择算子(LASSO)方法计算Radscore.采用单因素和多因素Logistic回归分析筛选与肺结节浸润性相关的临床放射学因素.然后,利用Logistic和XGBoost算法构建临床-放射组学联合模型,在一个独立的外部验证组(n=147)中评估模型的泛化性能.结果 综合Radscore、CT值、肺结节长度、月牙征的临床放射学XGBoost联合模型对肺结节浸润性的预测效果优于放射组学模型、临床放射学Logistic联合模型,在训练队列中的曲线下面积AUC为0.889(95％CI,0.848～0.927),在外部验证组中曲线下面积AUC为0.889(95％CI,0.823～0.942).结论 我们采用XGBoost机器学习算法构建了一种预测肺结节浸润性的临床放射学模型,结果显示出令人满意的预测效能,并在一个独立外部验证组中得到了良好的泛化性验证,可以帮助临床医生指导肺结节的诊疗并制定评估策略.

针对机器学习方法在对脑电特征进行分类时无法同时兼顾脑电信号的时-空域特征的问题,利用添加注意力机制的卷积神经网络提取空间特征和双向门控循环单元提取时间特征,提出一种基于特征融合的运动想象(Motor Imagery,MI)脑电分类算法(Attention-EEGNet-BiGRU,AEBGNet),AEBGNet可将时、空域两类特征相融合,得到更具表征性的时-空域特征,最终构建的AEBGNet分类模型在BCI competition IV 2b数据集上取得80.37%的平均正确率,比标准的EEGNet方法提高6.09%.结果表明,本文方法可以有效提高MI脑电信号的分类正确率,为MI脑电信号的分类提供新的思路.

目的:探讨磁共振增强型动脉自旋标记(eASL)技术对细化帕金森病(PD)患者脑血流灌注损伤的价值以及在PD患者与健康对照者(HC)中的分类效能.方法:前瞻性将2020年7月—2022年1月在本院就诊的34例PD患者及年龄、性别以及受教育年限相匹配的35例HCs纳入本研究.采用eASL和常规ASL技术对每例被试行颅脑MR灌注成像,并通过数据后处理获取eASL定量参数[校正脑血流量(CBF)、动脉通过时间(ATT)]和常规ASL定量参数(未校正CBF).采用双样本t检验比较各项灌注参数的组间差异,并应用Spearman相关分析对有显著差异脑区的灌注参数值与临床评分之间的相关性.进一步基于灌注参数构建机器学习模型,评估各分类模型对PD的诊断效能.结果:与未校正CBF相比,校正CBF能更为精准地检测出PD患者的运动相关责任脑区的灌注损伤,表现为PD患者右侧丘脑、双侧中央前回、左侧中央后回等脑区的CBF值增高以及右侧额中回的CBF值减低(FWE校正,P<0.001);而且,PD组左侧额中回的ATT值缩短(FWE校正,P<0.001).PD组左侧壳核、左侧中央前回及左侧中央后回的校正CBF值、左侧壳核的未校正CBF值均与运动功能评分呈显著正相关(P<0.05);右侧角回的校正CBF值、左侧额中回的ATT值均与认知功能评分呈正相关(P<0.05).未校正CBF模型在区分PD患者与HC受试者中的曲线下面积(AUC)为0.82,校正CBF模型的AUC为0.85,基于eASL的多参数联合模型的AUC为0.87.Delong检验显示联合模型的诊断效能优于未校正CBF模型(P<0.05).结论:eASL技术能够准确显示PD患者灌注损伤脑区,并可反映脑组织ATT的异常改变,多灌注参数的结合能具有较好地PD分类诊断效能,从而为PD的临床诊断提供了一定的支撑依据.

目的 探讨深度学习超声组学列线图评估浸润性乳腺癌侵袭转移生物学特性指标的价值.资料与方法 回顾性收集2021年1月—2022年12月茂名市人民医院180例经病理证实浸润性乳腺癌患者的超声影像资料,且病理报告了淋巴结转移(LNM)或淋巴血管间隙浸润(LVSI)或神经侵犯(PNI)状态,依据LNM/LVSI/PNI状态,3个指标均以8∶2划分为训练队列和验证队列.基于Pyradiomics影像组学和ResNet50深度学习提取器分别提取1 316个影像组学特征和2 048个深度学习特征.采用随机森林机器学习算法开发评估模型,并计算模型评分.基于影像组学和深度学习模型评分开发深度学习超声组学列线图.使用受试者工作特征曲线评估模型的性能,Delong检验分析不同模型的性能差异.结果 在LNM、LVSI、PNI状态评估中,所有队列列线图曲线下面积均表现中度以上评估性能(≥0.73),准确度均>0.70,LNM评估中,训练队列的曲线下面积为0.97,准确度为0.93,敏感度为0.88,特异度为0.96.Delong检验显示列线图评估性能在训练队列中优于影像组学模型(LNM,Z=2.04,P=0.04;LVSI,Z=2.80,P=0.01;PNI,Z=3.52,P<0.01),优于或与深度学习模型相似(LNM,Z=4.52,P<0.01;LVSI,Z=1.86,P=0.06;PNI,Z=0.31,P=0.76).结论 深度学习超声组学列线图可有效评估浸润性乳腺癌侵袭转移生物学特性指标.列线图整合影像组学与深度学习特征信息提高了评估性能.