目的 对法医人类学遗骸识别研究领域的文献进行计量学分析,描述当前的研究现状并预测未来的研究热点.方法 基于Web of Science信息服务平台(以下简称"WoS")中核心数据库(Web of Science Core Collection,WoSCC)检索和提取的数据,分析1991—2022年遗骸识别研究的发展趋势和主题变化.运用python 3.9.2和Gephi 0.10对法医人类学遗骸识别相关研究的发文趋势、国家(地区)、机构、作者和主题进行网络可视化分析.结果 获得法医人类学遗骸识别相关英文文献873篇.发表文献数量最多的期刊是Forensic Science International(164篇),发文最多的国家(地区)是中国(90篇),Katholieke Univ Leuven(荷兰,21篇)是发表英文文献最多的机构.主题分析结果显示,人类遗骸研究的热点是遗骸的性别鉴定和年龄推断,并且常用的遗骸是牙齿.结论 法医人类学遗骸识别研究领域的发文量具有明显的阶段性,然而,国际合作与国内合作的范围尚显局限.传统的遗骸识别主要依赖于骨盆、颅骨和牙齿等关键部位.未来的研究热点将聚焦于利用机器学习和深度学习技术,对多种骨骼遗骸进行更为精准和高效的鉴定.

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.

类风湿关节炎(rheumatoid arthritis,RA)是一种常见的自身免疫性疾病,严重影响患者的生活质量.影像评估在类风湿关节炎的诊断、治疗和预后中发挥着重要作用.近年来,人工智能尤其是深度学习技术的迅速发展,为类风湿关节炎的影像评估带来了新突破.本文首先阐述人工智能的相关概念,随后主要基于人工智能在X光、CT、MRI和其他成像模式中的应用,对骨骼病变、滑膜病变、软骨病变等进行综述,最后总结出目前人工智能及其在RA应用中存在的问题,并对前景进行展望.

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.

近年来随着深度学习、机器学习算法、硬件水平和数据库的提升，人工智能（AI）技术迎来第三次发展热潮，并为临床工作提供有力辅助。本文回顾整理了国内外AI应用于医学领域的相关经验，并结合最新研究文献及循证医学依据，重点介绍了在AI技术辅助下预检、病情评估、医学诊断、方案决策、外科手术、麻醉、护理、康复治疗、药理研究和医药开发等传统医学模式发生的巨大变革，旨在为国内临床医师全面介绍相关领域的概念与现状，并为AI未来在医学领域中的发展做出参考。

胰腺癌是一种高度恶性的消化系统肿瘤，缺乏典型的早期症状，且具有高度侵袭性。多数胰腺癌患者就诊时已无根治性手术切除的机会，总体预后极差。近年来，人工智能在医学领域的应用迅速发展，机器学习和深度学习是其中运用最广泛的人工智能方法。基于人工智能技术建立的各种模型被运用到胰腺癌患者的早期筛查、诊断、治疗、预后预测等方面。三维可视化和增强现实导航技术在胰腺癌手术中亦得到了发展和运用。本文就人工智能技术在胰腺癌中的应用现状进行简要总结，并对其应用前景进行展望。

脑小血管病（cerebral small vessel disease, CSVD）是一组累及穿支小动脉、毛细血管和小静脉的脑血管系统疾病症候群。由于CSVD在老年人群中发病率高且危害大，尽早识别与诊断疾病就显得尤为重要。随着人工智能技术的发展，包括机器学习、深度学习、计算机神经网络等人工智能技术被越来越多地应用于医学领域。文章综述了近年来人工智能技术在CSVD影像学标志物和血液标志物评价方面的应用。

近十余年来，智能神经外科已逐步进入轨道化、系统化、规模化的发展阶段，大数据挖掘、机器学习/深度学习/神经网络、临床决策支持系统/专家系统、手术导航与机器人等多个研发版块已初步发展成熟，相关应用已覆盖神经外科各类疾病的临床诊断、治疗决策、手术辅助、预后评估、模拟教学等多种场景，但整体尚处于起步阶段。在中国脑计划的开局之年，全面、理性、客观地回顾智能神经外科的发展历程，审视相关成果的应用现状及风险，具有承前启后的时代意义。

目的:探索对丙泊酚药物浓度和意识状态改变敏感的脑功能特征。方法:选择拟行胸腹部手术治疗的男性患者6例，对所有患者使用靶控输注设备进行丙泊酚输注，初始药物浓度设置为1.0 mg/L，然后每6 min增加0.2 mg/L，直到患者达到无意识状态。同时，采集患者的脑电信号。将采集的脑电信号进行预处理并提取脑功能特征。构建药物浓度相同、意识状态不同和意识状态相同、药物浓度相同两个数据集，并使用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM）3种机器学习算法模型在不同的数据集上进行分类分析。结果:特征筛选结果显示功率谱-δ-顶区、排列熵（permutation entropy, PE）-δ-颞区和相位滞后指数（phase lag index, PLI）-α-顶区到顶区为对意识状态改变敏感的特征，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的意识状态分类正确率分别为（82±5）%、（83±5）%和（84±4）%；功率谱-β-额区、功率谱-β-颞区和功率谱-β-顶区对药物浓度改变敏感，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的药物浓度分类正确率分别为（77±4）%、（76±4）%和（80±4）%。功率谱-δ-顶区在药物浓度变化时没有明显变化（ P>0.05），而在意识状态从有意识到无意识明显升高（ P<0.001）；PE-δ-颞区和功率谱-β-额区在从低药物浓度到高药物浓度和从有意识到无意识时均明显降低（ P<0.001）；PLI-α-顶区到顶区在低药物浓度状态下明显高于其在高药物浓度状态下（ P<0.001），但是其在意识状态变化时并没有明显变化（ P>0.05）；功率谱-β-颞区和功率谱-β-顶区在意识状态变化时均没有出现明显变化（ P>0.05），但是功率谱-β-颞区从低药物浓度到高药物浓度时明显升高（ P<0.001），而功率谱-β-顶区从低药物浓度到高药物浓度时明显降低（ P<0.05）。 结论:功率谱-δ-顶区可以很好地表征意识水平的变化同时避免药物浓度的影响，在精确监测麻醉深度上具有潜力。

原发性肝癌（以下简称肝癌）是常见且致命的恶性肿瘤之一，严重危害人类生命健康。近年来，人工智能在肝癌领域研究取得突破进展，应用于肝癌研究各阶段，以期全面改善肝癌的临床诊断与治疗。肝癌中的人工智能技术主要包括机器学习和深度学习模型，后者是前者的1个分支并基于神经网络结构。当前，基于机器学习和深度学习模型的应用在肝癌中已展示出巨大潜力，但仍有许多问题亟待解决，包括提高结果的泛用性和可解释性等。笔者系统阐述近年来人工智能在肝癌领域的应用进展，并对目前面临的挑战及未来探索的方向进行深入探讨。