目的:探讨男性长期吸烟者默认网络有效连接的异常改变，及其与吸烟临床特征的相关性。方法:回顾性分析2014年1月至2018年12月通过微信等网络平台招募的131名受试者的静息态功能磁共振成像数据，其中长期吸烟者76名［长期吸烟组，男性，年龄20~55（32.1±6.3）岁］，对照者55名［对照组，男性，年龄22~55（32.3±7.4）岁］。长期吸烟者定义为每天吸烟不少于10支，烟龄2年以上且符合美国精神障碍诊断统计手册第4版（DSM-Ⅳ）关于物质依赖诊断标准的人群。选取默认网络中4个主要节点为感兴趣区，分别为左侧顶下小叶（LIPL），右侧顶下小叶（RIPL），后扣带回皮质（PCC），内侧前额叶皮质（mPFC）。基于动态因果模型分析吸烟组及对照组默认网络有效连接（EC）的改变。并分析有差异的EC与尼古丁依赖量表评分（FTND）、吸烟指数及烟龄的相关性。结果:与对照组相比，吸烟组LIPL至PCC、PCC至mPFC的EC减弱（EC分别为-0.091、-0.174，均贝叶斯后验概率>0.95），RIPL至PCC的EC增强（EC为0.136，贝叶斯后验概率>0.95）。此外，从LIPL到PCC的EC与吸烟指数呈负相关（ r=-0.282， P=0.017）。差异有统计学意义的EC与FTND评分及烟龄在组间比较时未发现存在相关性（ r=-0.103、-0.089，均 P>0.05）。 结论:长期吸烟者在IPL-PCC-mPFC神经回路中表现出异常的信息传递，并与吸烟指数相关。

目的:探讨同时性结直肠癌肝转移(sCRLM)术后早期复发的定义及其影响因素。方法:收集2008年12月至2016年12月中国医学科学院肿瘤医院肝胆外科sCRLM患者的临床病理资料。通过限制性立方条分析，探索复发出现的早晚与远期预后的关系，依次行单因素Cox、多因素Cox分析验证6个月作为早期复发定义界点的可行性。随后应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络及XGBoost机器学习的特征变量选择算法，综合排名临床病理变量对6个月内早期复发的重要度，并按综合排名顺序依次将变量引入逻辑回归模型，观察逻辑回归模型的受试者工作特征曲线(ROC)，根据ROC下面积、赤池信息准则、贝叶斯信息准则筛选最佳变量组合，将其纳入多因素逻辑回归分析，进而筛选出早期复发的独立性危险因素。随后对独立危险因素中的治疗性因素行逆概率加权(IPTW)方法分析，在降低协变量的标准化均数差的条件下进一步确认治疗性因素对sCRLM患者肝切除术后早期复发的影响。结果:共纳入228例sCRLM患者，随访2.10～108.57个月，男性142例，女性86例，年龄(55.89±0.67)岁。在170例(74.6%)复发患者中，限制性立方条分析确定无病生存期(DFS)与总生存期(OS)的风险比( HR)满足线性关系( P<0.05)，且在所有患者中，Cox分析发现6个月作为早期复发的时间界点具有显著的可行性( HR＝3.405, 95% CI: 2.098～5.526, P<0.05)。所有患者中93例(40.79%)出现早期复发，早期复发患者的生存率明显低于无早期复发患者( HR＝3.405, 95% CI: 2.098～5.526, P<0.05，5年生存率分别为14.0%、52.0%)。六种机器学习算法联合多因素逻辑回归分析确定淋巴结清扫数量>22个( OR＝0.258，95% CI: 0.132～0.506, P<0.05)是早期复发的保护性因素，而肝转移癌数量>3个( OR＝4.715, 95% CI：2.467～9.011, P<0.05)和术后出现并发症( OR＝2.334, 95% CI: 1.269～4.291, P<0.05)是早期复发的独立性风险因素。IPTW分析法在充分降低协变量混杂影响的条件下经因果推论证实淋巴结清扫数量>22个是DFS的保护性因素(IPTW HR＝0.4887, P<0.05)，且也是术后早期复发的保护性因素(IPTW OR＝0.29, P<0.05)，但与OS无关(IPTW HR＝0.6951, P>0.05)。 结论:sCRLM术后6个月作为早期复发定义界点具有显著可行性，早期复发患者的长期生存差，sCRLM术后早期复发的独立性影响因素是淋巴结清扫数量、肝转移癌数量和术后并发症。

目的:探究腹腔镜经腹腹膜前疝修补术(TAPP)后发生血清肿的影响因素。方法:采用回顾性队列研究的方法分析2019年12月—2022年12月于阜阳市第五人民医院行TAPP的320例腹股沟疝患者的临床资料，其中，男性226例，女性94例，年龄(61.46±10.22)岁，年龄范围23~76岁。根据患者术后是否发生血清肿分为血清肿组( n＝18)和未发生组( n＝302)。采用多因素Logistic回归分析筛选TAPP后发生血清肿的影响因素，并基于Softmax策略以二分类变量生存0(结局事件未发生)和1(结局事件发生)作为结果变量构建人工神经网络模型，采用受试工作者特征(ROC)曲线和累积增益图分析模型区分度和应用价值。正态分布的计量资料以均数±标准差( ± s)表示，组间比较采用独立样本 t检验；计数资料组间比较采用 χ2检验。 结果:320例患者术后血清肿发生率为5.63%(18/320)，其中Ⅰ型7例，Ⅱ型4例，Ⅲ型7例，经对症治疗后均已好转。多因素分析显示，合并基础疾病、服用抗凝血药物、病程、手术时间、术中出血量、疝囊直径、补片固定方式、中性粒细胞与淋巴细胞比值(NLR)是腹股沟疝患者TAPP无张力修补术后血清肿的影响因素( OR＝1.732、2.414、2.346、1.480、2.159、1.725、1.248、2.179；95% CI：1.385~2.942、1.764~3.176、1.280~3.209、1.263~2.275、1.331~2.861、1.308~2.239、1.005~1.764、1.644~2.982； P<0.05)。ROC曲线和累积增益图表明所构建的人工神经网络模型可较好地预测患者术后血清肿发生的概率。 结论:腹股沟疝患者TAPP后血清肿的发生与合并基础疾病、服用抗凝血药物、病程、手术时间、术中出血量、疝囊直径、补片固定方式、NLR等多种因素有关，临床应重点关注这些问题，降低术后血清肿的发生率。

目的:探讨机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值。方法:采用回顾性描述性研究方法。收集2012年1月至2017年1月中国医学科学院北京协和医学院肿瘤医院收治的375例肝细胞癌行根治性肝切除术患者的临床病理资料；男304例，女71例；中位年龄为57岁，年龄范围为21～79岁。375例患者通过计算机产生随机数方法以8∶2比例分为训练集300例和验证集75例，应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络机器学习算法构建肝细胞癌患者术后生存的预测模型，筛选性能最优的机器学习算法预测模型；构建肝细胞癌患者术后生存预测的COX列线图预测模型；比较最优机器学习算法预测模型和COX列线图预测模型预测肝细胞癌患者术后生存的性能。观察指标：(1)训练集与验证集患者临床病理资料分析。(2)训练集与验证集患者随访及生存情况。(3)机器学习算法预测模型构建及验证。(4)COX列线图预测模型构建及验证。(5)随机森林机器学习算法预测模型与COX列线图预测模型预测性能评价。采用门诊或电话方式进行随访，了解患者生存情况。随访时间截至2019年12月或患者死亡。正态分布的计量资料以 ± s表示，组间比较采用配对 t检验。偏态分布的计量资料以 M( P25， P75)或 M(范围)表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数表示，当Tmin≥5，N≥40时，组间比较采用 χ2检验；当1≤Tmin≤5，N≥40时，采用校正 χ2检验；当Tmin<1或N<40时，采用Fisher确切概率法。采用Kaplan-Meier法计算生存率和绘制生存曲线。采用COX比例风险模型进行单因素分析，将 P<0.2的变量纳入Lasso回归分析，根据λ值筛选影响预后的变量，最后将变量纳入COX比例风险模型进行多因素分析。 结果:(1)训练集与验证集患者临床病理资料分析：训练集和验证集患者微血管侵犯(无、有)，肝硬化(无、有)分别为292、8例，105、195例和69、6例，37、38例，两组患者比较，差异均有统计学意义( χ2＝4.749，5.239， P<0.05)。(2)训练集与验证集患者随访及生存情况：训练集与验证集患者均获得随访。训练集300例患者随访时间为1.1～85.5个月，中位随访时间为50.3个月。验证集75例患者随访时间为1.0～85.7个月，中位随访时间为46.7个月。375例肝细胞癌患者术后1、3年总体生存率分别为91.7%、79.5%。训练集和验证集患者术后1、3年总体生存率分别为92.0%、79.7%和90.7%、81.9%。两组患者术后生存情况比较，差异无统计学意义( χ2＝0.113， P>0.05)。(3)机器学习算法预测模型构建及验证。①筛选最优机器学习算法预测模型：根据变量对预测肝细胞癌术后3年生存的信息增益度，应用逻辑回归、支持向量机、决策树、随机森林和人工神经网络5种机器学习算法对肝细胞癌临床病理因素进行变量综合排名。筛选主要预测因素为乙型肝炎e抗原(HBeAg)、手术方式、肿瘤最大直径、围术期输血、肝被膜侵犯、肝脏Ⅳ段侵犯。将预测因素前3、6、9、12、15、18、21、24、27、29个变量依次引入5种机器学习算法。其结果显示：当引入9个变量时，逻辑回归、支持向量机、决策树、随机森林机器学习算法预测模型受试者工作特征曲线的曲线下面积(AUC)趋于稳定。当引入变量>12个时，人工神经网络机器学习算法预测模型AUC波动明显，逻辑回归、支持向量机机器学习算法预测模型AUC稳定性可继续改善，而随机森林机器学习算法预测模型AUC接近0.990，说明随机森林机器学习算法预测模型为最优机器学习算法预测模型。②随机森林机器学习算法预测模型优化和验证：将预测因素29个变量依次引入随机森林机器学习算法预测模型中，构建训练集最佳随机森林机器学习算法预测模型。其结果显示：当引入变量＝10个时，网格搜索法示最佳决策树结点个数＝4，最佳决策树数目＝1 000；当引入变量≥10个时，随机森林机器学习算法预测模型AUC稳定在0.990左右。其中当引入变量＝10个时，随机森林机器学习算法预测模型预测训练集术后3年总体生存AUC为0.992，灵敏度为0.629，特异度为0.996，预测验证集术后3年总体生存AUC为0.723，灵敏度为0.177，特异度为0.948。(4)COX列线图预测模型构建及验证。①训练集患者术后生存因素分析。单因素分析结果显示：HBeAg、甲胎蛋白、围术期输血、肿瘤最大直径、肝被膜侵犯、肿瘤分化程度是影响肝细胞癌患者术后生存的相关因素(风险比＝1.958，1.878，2.170，1.188，2.052，0.222，95%可信区间为1.185～3.235，1.147～3.076，1.389～3.393，1.092～1.291，1.240～3.395，0.070～0.703， P<0.05)。将 P<0.2的临床病理因素纳入Lasso回归分析，其结果显示：性别，HBeAg，甲胎蛋白，手术方式，围术期输血，肿瘤最大直径，肿瘤位置在肝脏Ⅴ段和肝脏Ⅷ段，肝被膜侵犯，肿瘤分化程度(高分化、中高分化、中分化、中低分化)是影响肝细胞癌患者术后生存的相关因素。进一步将上述临床病理因素纳入多因素COX回归分析，其结果显示：HBeAg、手术方式、肿瘤最大直径是肝细胞癌患者术后生存的独立影响因素(风险比＝1.770，8.799，1.142，95%可信区间为1.049～2.987，1.203～64.342，1.051～1.242， P<0.05)。②COX列线图预测模型的构建和验证：将训练集COX多因素分析结果中 P≤0.1的临床病理因素引入Rstudio软件及其rms软件包，构建训练集COX列线图预测模型。COX列线图预测模型预测术后总体生存的C-index为0.723(se＝0.028)，预测训练集术后3年总体生存AUC为0.760，预测验证集术后3年总体生存AUC为0.795。训练集校准图验证显示COX列线图预测模型对术后生存有较好预测效果。COX列线图回归函数＝0.627 06×HBeAg(正常＝0，异常＝1)＋0.134 34×肿瘤最大直径(cm)＋2.107 58×手术方式(腹腔镜＝0，开腹手术＝1)＋0.545 58×围术期输血(无输血＝0，输血＝1)－1.421 33×高分化(非高分化＝0，高分化＝1)。计算所有患者COX列线图风险评分，应用Xtile软件寻找COX列线图风险评分最佳阈值，风险评分≥2.9分为高危组，风险评分<2.9分为低危组。Kaplan-Meier总体生存曲线结果显示：训练集低危组和高危组患者术后总体生存比较，差异有统计学意义( χ2＝33.065， P<0.05)。验证集低危组和高危组患者术后总体生存比较，差异有统计学意义( χ2＝6.585， P<0.05)。进一步采用决策曲线分析结果显示：联合HBeAg、手术方式、围术期输血、肿瘤最大直径和肿瘤分化程度因素的COX列线图预测模型预测性能优于单一因素的预测性能。(5)随机森林机器学习算法预测模型和COX列线图预测模型预测性能评价：通过对2种模型中共同含有的重要变量(肿瘤最大直径)进行分析，并将2种模型通过预测误差曲线进行比较，观察2种模型的预测差异。其结果显示：肿瘤最大直径为2.2 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为77.17%和74.77%( χ2＝0.182， P>0.05)；肿瘤最大直径为6.3 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为57.51%和61.65%( χ2＝0.394， P>0.05)；肿瘤最大直径为14.2 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为51.03%和27.52%( χ2＝12.762， P<0.05)。随着肿瘤最大直径增加，2种模型预测患者生存率差异增大。验证集中，随机森林机器学习算法预测模型预测患者术后3年总体生存AUC为0.723，COX列线图预测模型预测患者术后3年总体生存AUC为0.795，两者比较，差异有统计学意义( t＝3.353， P<0.05)。采用Bootstrap交叉验证结果显示：随机森林机器学习算法预测模型和COX列线图预测模型预测3年生存的整合Brier得分分别为0.139、0.134，COX列线图预测模型预测误差低于随机森林机器学习算法预测模型。 结论:与机器学习算法预测模型比较，COX列线图预测模型预测肝细胞癌术后3年生存性能更佳，且其变量少，易于临床使用。

目的:建立可预测Ⅱ~Ⅲ期胃癌患者淋巴结转移的神经网络模型，并探讨其预测价值。方法:病例纳入标准：（1）经病理确诊为Ⅱ~Ⅲ期（第8版AJCC分期）胃腺癌；（2）术前胸片、腹部超声及上腹部CT等检查无肝、肺、腹腔等远处转移；（3）行R 0切除。病例排除标准：（1）术前接受过新辅助化疗或放疗；（2）一般临床资料不完整；（3）残胃癌。回顾性收集2010年1月至2014年8月期间在福建医科大学附属协和医院胃外科接受根治性切除术的1 231例Ⅱ~Ⅲ期胃癌患者的临床病理资料。全组共1 035例患者经术后证实淋巴结转移，196例患者未出现淋巴结转移。416例（33.8%）术后病理分期为Ⅱ期，815例（66.2%）为Ⅲ期。全组患者被随机分为建模组861例（69.9%）和验证组370例（30.1%）。先运用Logistic单因素分析方法，对建模组的病例样本进行回顾性分析，筛查影响淋巴结转移的变量，确定人工神经网络输入节点的变量项目，再使用多层感知器（MLP）训练N+-ANN。N+-ANN由Logistic单因素分析筛选出的变量构成输入层。人工智能依据输入数据分析患者淋巴结转移状态，并与真实值进行比较。通过绘制受试者操作特性（ROC）曲线、获取曲线下面积（AUC）来评估模型的准确性。 结果:建模组与验证组临床资料的比较，差异均无统计学意义（均 P>0.05）。建模组单因素分析结果显示，术前血小板淋巴细胞比值（PLR）、术前系统性免疫性炎性指数（SII）、肿瘤大小、临床N（cN）分期与患者出现淋巴结转移有关。将以上因素连同术前中性粒细胞淋巴细胞比值（NLR）、术前糖类抗原19-9、术前癌胚抗原、肿瘤位置、临床T（cT）分期作为输入层变量构建N+-ANN。建模组N+-ANN对术后淋巴转移预测准确率为88.4%（761/861），灵敏度为98.9%（717/725），特异度为32.4%（44/136），阳性预测值为88.6%（717/809），阴性预测值为84.6%（44/52），AUC值为0.748（95%CI：0.717~0.776）；而验证组，N+-ANN的预测准确率为88.4%（327/370），模型灵敏度为99.7%（309/310），特异度为30.0%（18/60），阳性预测值为88.0%（309/351），阴性预测值为94.7%（18/19），AUC值为0.717（95%CI：0.668~0.763）。根据N+-ANN所输出的个体化淋巴结转移概率，取截点0~50%、>50%~75%、>75%~90%、>90%~100%，将患者分为N 0组、N 1组、N 2组、N 3组。建模组和验证组的N+-ANN对pN分期总体预测准确率分别为53.7%和54.1%，而cN分期对pN分期的总体预测准确率仅为30.1%和33.2%。 结论:本研究构建的N+-ANN能准确预测Ⅱ~Ⅲ期胃癌患者的淋巴结转移情况。基于N+-ANN的个体化淋巴结转移概率相较于cN分期，对pN分期预测的准确性更高。

目的:开发抗核抗体荧光核型的人工智能识别系统雏形，以期满足临床实验室工作中对抗核抗体（ANA）图像免疫荧光模式自动判读的日常需求。方法:回顾性分析上海交通大学医学院附属新华医院2020年4月1日至2021年12月31日进行ANA项目检测结果为阳性的荧光图像，3位资深的技术人员独立、平行对荧光图像进行结果判读确定ANA核型结果，并按照ANA荧光模式国际共识荧光核型分类标准进行标注。对常见核型分7个标签组：粗颗粒型、细颗粒型、均质型、核仁型、着丝点型、核点型及核膜型；每个标签组数据按9︰1的比例采用随机数的方法随机分为训练集、验证集，在深度学习框架pytorch1.7上，以ResNet-34图像分类网络为基础构建卷积神经网络训练平台，建立ANA核型自动判读系统。模型建立后单独设立测试集，以模型预测概率高低排序输出判断结果，并对测试集数据进行判读，以人工判读结果作为金标准。应用准确率、精确度、查全率、F1指数等参数评估模型的性能。结果:经分割标注后共获取23 138张建模图像。共训练了7个模型，比较了不同的算法、图像处理方式和增强方法对模型的影响，选出准确率最高的ResNet-34模型作为最佳模型，其在测试集分类准确率达到93.31%，精确率为91.00%，查全率为90.50%，F1指数为91.50%。测试集的判读结果显示模型对7种核型的ANA图像的识别与人工判读的总体符合率达90.05%，其中对核仁型的判读精确度最高，符合率均达到了100.00%。结论:本研究构建的ANA自动判读系统雏形已基本具备判读ANA荧光核型的能力，对常见的、典型的、单一荧光核型的具有一定的准确性。

目的:探讨影响达芬奇机器人手术系统胃癌根治术手术时间延长预测模型的构建及其应用价值。方法:采用回顾性队列研究方法。收集2016年8月至2021年8月福建医科大学附属协和医院收治的534例行达芬奇机器人手术系统胃癌根治术患者的临床病理资料；男389例，女145例；年龄为（60±11）岁。534例患者通过SPSS 25.0软件按随机数法以7∶3比例随机分为训练集374例和验证集160例。观察指标：（1）患者手术时间延长情况。（2）手术时间延长和未延长患者术中及术后情况。（3）手术时间延长和未延长患者并发症发生情况。（4）影响患者手术时间延长危险因素分析。（5）手术时间延长人工神经网络预测模型的构建及其预测效能评价。正态分布的计量资料以 x±s表示，组间比较采用独立样本 t检验。偏态分布的计量资料以 M（ Q1，Q3）表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数和百分比表示，组间比较采用 χ2检验或Fisher确切概率法。等级资料比较采用非参数检验。单因素和多因素分析采用Logistic回归模型。基于单因素分析结果，采用多层感知器训练手术时间延长人工神经网络预测模型，绘制受试者工作特征（ROC）曲线，以曲线下面积（AUC）、准确率、灵敏度、特异度、阳性预测值、阴性预测值评价预测模型的效能。 结果:（1）患者手术时间延长情况。534例患者中，行全胃切除术和远端胃切除术分别为284、250例，手术时间分别为（206±42）min、（187±36）min。行全胃切除术手术时间延长和未延长患者分别为41、243例，行远端胃切除术手术时间延长和未延长患者分别为40、210例。81例手术时间延长患者性别（男、女），年龄，体质量指数（BMI），肿瘤长径，肿瘤位置（胃上部、胃中部、胃下部、混合型），新辅助治疗，术前美国麻醉医师协会（ASA）评分（1分、2分、3分），临床T分期（T1期、T2期、T3期、T4a期），临床N分期（N0期、N1期、N2期、N3期），临床TNM分期（Ⅰ期、Ⅱ期、Ⅲ期），手术切除范围（全胃切除、远端胃切除），消化道重建方式（Billroth-Ⅰ吻合、Billroth-Ⅱ吻合、Roux-en-Y吻合），术者经验（≤20例、>20例）分别为61、20例，（61±9）岁，（24±3）kg/m 2，4.0（2.5，5.0）cm，34、10、33、4例，1例、3、73、5例，3、6、26、46例，14、41、19、7例，5、13、63例，41、40例，1、33、47例，5、76例，453例手术时间未延长患者上述指标分别为328、125例，（60±11）岁，（23±3）kg/m 2，3.5（2.0，5.0）cm，129、71、227、26例，6例、45、382、26例，73、100、118、162例，211、180、52、10例，138、108、207例，243、210例，13、200、240例，15、438例；两者BMI、临床T分期、临床N分期、临床TNM分期比较，差异均有统计学意义（ t=-3.68， Z=-4.63、-5.53、-5.56， P<0.05）；性别、年龄、肿瘤长径、肿瘤位置、术前ASA评分、手术切除范围、消化道重建方式、术者经验比较，差异均无统计学意义（ χ2 =0.29， t=-0.95， Z=-1.27， χ2 =5.92， Z=-1.46， χ2 =0.25、1.35、0.87， P>0.05），新辅助治疗比较，差异无统计学意义（ P>0.05）。（2）手术时间延长和未延长患者术中及术后情况。81例手术时间延长患者手术时间、术中出血量、淋巴结清扫数目、术后首次下床活动时间、术后首次肛门排气时间、术后首次进食流质食物时间、术后首次进食半流质食物时间、术后住院时间分别为（261±34）min、50（30，50）mL、（39±15）枚、（2.3±0.6）d、（3.4±0.9）d、（4.1±1.2）d、（5.7±1.2）d、8.0（7.0，9.0）d；453例手术时间未延长患者上述指标分别为（186±29）min、30（20，50）mL、（42±14）枚、（2.2±0.6）d、（3.4±0.8）d、（4.1±1.1）d、（5.7±1.4）d、8.0（7.0，9.0）d；两者手术时间、术中出血量比较，差异均有统计学意义（ t=-20.46， Z=-3.32， P<0.05）；淋巴结清扫数目、术后首次下床活动时间、术后首次肛门排气时间、术后首次进食流质食物时间、术后首次进食半流质食物时间、术后住院时间比较，差异均无统计学意义（ t=1.87、-0.87、-0.16、0.28、0.03， Z=-1.45， P>0.05）。（3）手术时间延长和未延长患者并发症发生情况。81例手术时间延长患者总并发症发生率，外科并发症（腹腔感染、吻合口瘘、腹腔出血、切口相关并发症、肠梗阻、淋巴瘘）发生率，内科并发症（肺部感染、肝脏相关并发症）发生率分别为22.22%（18/81），0、0、2.47%（2/81）、0、8.64%（7/81）、1.23%（1/81），12.35%（10/81）、1.23%（1/81）；453例手术时间未延长患者上述指标分别为13.47%（61/453），2.65%（12/453）、0.44%（2/453）、1.77%（8/453）、0.44%（2/453）、3.31%（15/453）、0，7.28%（33/453）、1.55%（7/453）；两者总并发症发生率比较，差异有统计学意义（ χ2 =4.18， P<0.05），腹腔感染、吻合口瘘、腹腔出血、切口相关并发症、肠梗阻、淋巴瘘、肝脏相关并发症发生率比较，差异均无统计学意义（ P>0.05），肺部感染比较，差异无统计学意义（ χ2 =2.38， P>0.05）。（4）影响患者手术时间延长危险因素分析。单因素分析结果显示：BMI≥25 kg/m 2、肿瘤位置为胃下部、临床T分期为T3~T4a期、临床N分期为N1~N3期是影响达芬奇机器人手术系统胃癌根治术手术时间延长的相关因素（优势比=1.88，0.40，6.24，6.51，3.08，3.39，17.15，95%可信区间为1.03~3.42，0.21~0.76，1.40~27.76，1.50~28.30，1.43~6.60，1.29~8.92，4.84~60.74， P<0.05）。多因素分析结果显示：BMI≥25 kg/m 2、临床T分期为T3期、临床N分期为N3期是影响达芬奇机器人手术系统胃癌根治术手术时间延长的独立危险因素（优势比=2.31，4.97，11.08，95%可信区间为1.19~4.46，1.05~23.55，2.72~45.13， P<0.05）。（5）手术时间延长人工神经网络预测模型的构建及其预测效能评价。将BMI、肿瘤位置、临床T分期、临床N分期导入多层感知器构建手术时间延长人工神经网络预测模型。ROC曲线结果显示：训练集中，预测模型的AUC、准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为0.73（95%可信区间为0.68~0.78）、91.4%、68.1%、94.8%、65.3%、95.4%；验证集中，预测模型的上述指标分别为0.72（95%可信区间为0.65~0.79）、88.1%、67.6%、93.7%、74.2%、91.5%。 结论:BMI≥25 kg/m 2、临床T分期为T3期、临床N分期为N3期是影响达芬奇机器人手术系统胃癌根治术手术时间延长的独立危险因素。基于BMI、肿瘤位置、临床T分期、临床N分期构建的人工神经网络预测模型可较好预测芬奇机器人手术系统胃癌根治术手术时间延长的高危患者。

生物小分子microRNA可以对基因表达进行正向或负向调控,研究microRNA与基因之间的关系对于机体稳态的维持和疾病治疗都有着重要意义.利用深度学习方法对microRNA和基因靶向关系进行预测,提出了TransformerMGI模型.在特征工程阶段,针对生物序列潜在信息难以准确地提取这一问题,TransformerMGI模型分别采用了基于图卷积神经网络的GP-GCN方法和DNA2Vec模型对microRNA和基因数据的潜在信息进行提取,得到了二者的表征嵌入矩阵,在模型方面,Trans-formerMGI模型引入了幂归一化来改进经典的深度学习模型.利用microRNA和基因数据经过特征提取后得到两个表征矩阵,这两个矩阵分别被放入TransformerMGI模型中,通过TransformerMGI模型内部的Attention机制对二者自身和相互的特征信息进行了聚合和关联运算,最终预测出microRNA调控基因的概率.采用ROC曲线下面积和准确召回率曲线作为模型性能评价指标,将TransformerMGI与其他现有模型进行了比较评估.实验结果表明,TransformerMGI模型的AUC和AUPRC评分均可达 0.91 以上,优于现有的其他模型.TransformerMGI模型能在不考虑生物学原理和基因组背景的前提下,仅依赖microRNA和基因的碱基序列信息,实现microRNA靶向基因的预测,从而为后续的microRNA靶向基因预测研究提供了可借鉴的深度学习方法.

目的 探讨卷积神经网络(VGG19)模型在辅助肝细粒棘球蚴病(HCE)超声分型诊断的应用价值.方法 回顾性收集2012年1月至2022年12月在新疆医科大学第一附属医院就诊的肝细粒棘球蚴病(HCE,含CE1～CE5分型)患者及非棘球蚴病性肝局灶性病变(NHFLL)患者的超声图像,使用VGG19模型对超声图像进行6个类型肝局灶性占位病变(CE1～CE5、NHFLL)的诊断判定,比较各类型的判定百分比.当VGG19误判HCE与NHFLL时,比较患者的一般人口学信息和相关临床资料.将超声图片按照各分型占比基本一致的原则随机均分为两组,2名低年资超声医师和2名高年资超声医师各随机选择1组进行人工分类汇总,对比低、高年资超声医师与模型诊断正确率.采用混淆矩阵、精确率、召回率、特异度和F1分数评估VGG19的诊断性能.用构成比对计数资料进行描述性分析,使用卡方检验、Fisher确切概率法、配对卡方检验进行差异比较分析.结果 871例HCE中包括203例CE1、227例CE2、110例CE3、159例CE4、172例CE5;600例NHFLL中包括300例肝囊肿、150例肝钙化灶、150例肝实性占位病变(100例肝血管瘤、25例肝癌、25例肝脓肿).VGG19模型整体精准率为82.0％,召回率为87.9％,F1分数为84.3％.VGG19模型整体正确率为86.2％(1 268/1 471),各类型正确率由高到低依次为 CE5(95.3％,164/172)、CE4(91.2％,145/159)、CE3(89.1％,98/110)、CE1(84.7％,172/203)、CE2(84.6％,192/227)、NHFLL(82.8％,497/600).共有 203 例误诊,误诊率为 13.8％(203/1 471),其中 100例为HCE分型间的误诊,包括31例CE1、35例CE2、12例CE3、15例CE4、8例CE5;103例为NHFLL被误诊为HCE,包括68例肝囊肿、17例肝钙化灶、17例肝血管瘤、1例肝脓肿,无肝癌病例被误诊.VGG19误诊的HCE患者和NHFLL患者的年龄、住址类别、有无犬类接触史、文化程度、省份差异有统计学意义(x2=55.116、24.197、35.834、14.069、11.918,均P＜0.05),性别差异无统计学意义(x2=0.047,P＞0.05).VGG19模型诊断整体正确率(86.2％,1 268/1 471)高于低年资医师(81.2％,1 195/1 471)(P＜0.05),低于高年资医师(92.3％,1 358/1 471)(P＜0.05).结论 VGG19模型能够较好地识别HCE的5种分型及NHFLL,其诊断正确率低于高年资超声医师,但高于低年资超声医师,有望推广到基层医院,联合临床信息后可辅助修正超声诊断.

目的:基于机器学习分析重症监护病房（ICU）脓毒症患者院内死亡的危险因素，并构建预测模型，探讨预测模型的预测价值。方法:回顾分析2015年4月至2021年4月在济宁医学院附属医院ICU住院治疗的脓毒症患者的临床资料，包括人口统计学信息、生命体征、合并症、实验室检查指标、诊断和治疗等。根据患者是否发生院内死亡分为死亡组和存活组。随机抽取数据集中70%的病例作为训练集用于模型建立，其余30%的病例作为验证集。基于逻辑回归（LR）、K-最近邻（KNN）、支持向量机（SVM）、决策树（DT）、随机森林（RF）、极端梯度提升（XGBoost）和人工神经网络（ANN）等7个机器学习模型，构建脓毒症患者住院病死率预测模型。分别用受试者工作特征曲线（ROC曲线）、校准曲线、决策曲线分析（DCA）从鉴别、校准和临床应用等方面评估7个模型的预测性能。此外，将基于机器学习的预测模型与序贯器官衰竭评分（SOFA）和急性生理学与慢性健康状况评分Ⅱ（APACHEⅡ）模型进行比较。结果:共纳入741例脓毒症患者，其中好转出院390例，院内死亡351例，院内病死率为47.4%。死亡组与存活组间性别、年龄、APACHEⅡ评分、SOFA评分、格拉斯哥昏迷评分（GCS）、心率、氧合指数（PaO 2/FiO 2）、机械通气比例、机械通气时间、使用去甲肾上腺素（NE）比例、NE最大量、血乳酸（Lac）、活化部分凝血活酶时间（APTT）、白蛋白（ALB）、血肌酐（SCr）、尿素氮（BUN）、血尿酸（BUA）、pH值、碱剩余（BE）、血钾（K +）等差异有统计学意义。ROC曲线分析显示，RF、XGBoost、LR、ANN、DT、SVM、KNN模型和SOFA评分、APACHEⅡ评分预测脓毒症患者住院病死率的曲线下面积（AUC）分别为0.871、0.846、0.751、0.747、0.677、0.657、0.555、0.749和0.760。在所有模型中，RF模型具有最高的精确度（0.750）、准确度（0.785）、召回率（0.773）、F1得分（0.761），辨别力最佳。校准曲线显示RF模型在7个机器学习模型中表现最佳。DCA曲线分析显示，与其他模型相比，RF模型表现出更大的净效益以及阈值概率，表明RF模型是具有良好临床实用性的最佳模型。 结论:机器学习模型可以作为预测脓毒症患者住院病死率的可靠工具。RF模型具有最佳的预测性能，有助于临床医生识别高危患者并早期实施干预以降低病死率。