糖尿病的管理应当充分遵循个体化原则，但由于日益增长的患者数量、患者之间的个体差异、糖尿病治疗方案的复杂性等因素导致医师在临床决策过程中难以做到个性化治疗。临床决策支持系统（CDSS）的出现为实现糖尿病个性化治疗创造了机会和途径。CDSS理念的提出可以追溯至40年前，近年来，模糊逻辑、神经网络、强化学习等先进的人工智能技术与CDSS结合，促使CDSS的性能不断提升，更智能化的CDSS得以开发并运用于临床，在一定程度上取得了令人满意的结果。该文就近几年糖尿病CDSS研究的国内外研究现状与进展作一综述。

目的:了解吗替麦考酚酯（MMF）眼部不良事件（AE）风险信号，为该药临床安全应用提供参考。方法:检索美国FDA不良事件报告系统（FAERS）数据库，收集2004年第1季度至2022年第3季度以MMF为首要怀疑药物的AE报告。根据《国际医学用语词典》（MedDRA）24.0版的系统器官分类（SOC）和首选术语（PT）对AE进行分类统计，筛选眼部AE。采用3种频数法[报告比值比法（ ROR）、比例报告比值法（ PRR）、贝叶斯置信传播神经网络法（BCPNN）]和多项伽玛-泊松分布缩减（MGPS）法进行眼部AE风险信号挖掘。对MMF眼部AE报告信息和AE风险信号进行描述性分析。 结果:共收集到以MMF为首要怀疑药物的眼部AE 402例，涉及402例患者、31个PT、5个SOC。402例AE由33个国家上报，有临床结局记录者283例，包括死亡32例（11.3%）、致残或失明142例（50.2%）、威胁生命14例（4.9%）、住院或住院时间延长95例（33.6%）。频数法检测结果显示31个PT均为风险信号，MGPS法检测发现其中22个PT为风险信号。31个PT均未在药品说明书中记载，AE报告数排在前5位的PT为失明（136例）、巨细胞病毒性脉络膜视网膜炎（37例）、葡萄膜炎（34例）、眼内炎（29例）、坏死性视网膜炎（22例）。4种方法检测的信号强度排名基本一致，信号强度居前5位的PT分别为眶尖综合征[ ROR=55.84， PRR=55.83，信息成分( IC)=5.58，贝叶斯几何均数( EBGM)=47.71]、象限盲（ ROR=43.22， PRR=43.21， IC=5.26， EBGM=38.21）、病毒性视网膜炎（ ROR=40.13， PRR=40.13， IC=5.16， EBGM=35.78）、视盘模糊（ ROR=40.13， PRR=40.13， IC=5.16， EBGM=35.78）、匐行性脉络膜炎（ ROR=31.07， PRR=31.07， IC=4.83， EBGM=28.41）。 结论:MMF治疗中发生的眼部AE临床表现多样，且均未被说明书记载；临床结局差，可导致失明，临床应予警惕。

目的:探讨深度学习技术在经腹膜后入路腹腔镜肾脏手术视频中对肾动脉识别的可行性。方法:回顾性分析2020年1月至2021年7月北京协和医院实施的87例腹腔镜经腹膜后入路肾脏手术视频资料，包括根治性肾切除术、肾部分切除术、半尿路切除术。由2名泌尿外科医生筛选出包含肾动脉的视频片段，经过抽帧、标注、审核、校对后，用随机数字表法按4∶1比例将标注目标分为训练集和测试集。训练集用于训练神经网络模型，测试集用于测试不同难度场景下神经网络识别肾动脉的能力，统一输送至YOLOv3卷积神经网络模型进行训练。测试集根据2名高年资医生意见，按肾动脉与周围组织的区分度分为高、中、低辨认度。高辨认度即肾动脉干净，暴露面积大；中辨认度为肾动脉有一定程度浸血，暴露面积中等；低辨认度为肾动脉暴露面积小，常位于镜头边缘，浸血严重，可能存在镜头模糊。标注人员在手术视频中逐帧标注肾动脉真值框。所有图像经过归一化、预处理后输入神经网络模型进行训练。神经网络输出肾动脉预测框，与真值框重合的交并比(IOU)高于设定的阈值则判定为预测正确。记录测试集神经网络测试结果，根据IOU计算敏感性、精确率。结果:本研究87个视频共提取5 457帧图像，其中49个视频片段共4 490个目标为训练集，38个视频片段共1 135个目标为测试集。训练集中13个视频1 149个目标为高辨认度，17个视频1 891个目标为中辨认度，19个视频1 450个目标为低辨认度。测试集中，9个视频267个目标为高辨认度，11个视频519个目标为中辨认度，18个视频349个目标为低辨认度。测试集IOU阈值为0.1时，敏感性和精确率分别为52.78%和82.50%；IOU阈值为0.5时，敏感性和精确率分别为37.80%和59.10%。IOU阈值为0.1时，高、中、低辨认度组的敏感性和精确率分别为89.14%和87.82%、45.86%和78.03%、32.95%和76.67%。实时手术视频中YOLOv3算法的帧率≥15帧/秒。神经网络对于腹腔镜肾脏手术视频中肾动脉识别的误检率和漏检率分别为47.22%和17.49%(IOU＝0.1)。误检原因主要为相似组织、反光导致的误识别，漏检主要原因为存在图像模糊、浸血、暗光、筋膜干扰、器械遮挡等。结论:基于深度学习的肾动脉识别技术是可行的，或可协助术者在术中快速识别并保护肾动脉，提高手术安全性。

目的:探讨深度学习技术识别纱布在腹腔镜胰腺手术中的应用价值。方法:采用回顾性描述性研究方法。收集2017年7月至2020年7月中国医学科学院北京协和医院保存完整的80个腹腔镜胰腺手术视频资料，按随机数方法以3∶1比例分为训练集61个视频与测试集19个视频。训练集用于训练神经网络模型，测试集用于测试不同难度场景下神经网络识别纱布的能力。由两位医师筛选出包含纱布的视频片段，根据纱布识别难度分为简单、正常、困难3类场景。标注人员在手术视频中逐帧标注纱布真值框。所有图像经过归一化、预处理后输入神经网络模型进行训练。神经网络输出纱布预测框，若与真值框重合的交并比>0.5则判定为预测正确。观察指标：（1）视频标注及分类情况。（2）测试集神经网络测试结果。计数资料以绝对数或百分比表示。结果:（1）视频标注及分类情况：80个视频共26 893帧图像完成标注工作。其中训练集61个视频片段共22 564帧图像，测试集19个视频片段共4 329帧图像。训练集19个视频中5 791帧图为简单难度场景，38个视频中15 771帧图为正常难度场景，4个视频中1 002帧图为困难难度场景。测试集4个视频中1 684帧图为简单难度场景，6个视频中1 016帧图为正常难度场景，9个视频中1 629帧图为困难难度场景。（2）测试集神经网络测试结果：神经网络模型对总体测试集中纱布识别的灵敏度和精确率分别为78.471%（3 397/4 329）和69.811%（3 397/4 866），对简单难度测试集中纱布识别的灵敏度和精确率分别为94.478%（1 591/1 684）和83.168%（1 591/1 913），对正常难度测试集中纱布识别的灵敏度和精确率分别为80.413%（817/1 016）和70.859%（817/1 153），对困难难度测试集中纱布识别的灵敏度和精确率分别为60.712%（989/1 629）和54.944%（989/1 800）。手术视频实时运行时帧率≥15 fps。神经网络模型对总体测试集中纱布识别的漏报率和误报率分别为21.529%（932/4 329）和30.189%（1 469/4 866）。漏报主要原因为图像模糊、纱布暴露面积过小及纱布浸血严重，误报主要原因为结缔组织、体液反光导致误识别。结论:基于深度学习的纱布识别技术在腹腔镜胰腺手术中可行，可协助医务人员识别纱布。

目的:对基于深度学习的ResNet50-OC模型彩色眼底照片质量多分类的效果进行评估。方法:纳入2018年7月在南京医科大学附属明基医院收集的彩色眼底照片PD数据集及EyePACS数据集，临床医师根据眼底图像的成像质量将其大致分为质量较好、曝光不足、曝光过度、边缘模糊和镜头反光5类。在训练集中，每个类别包含1 000张图像，其中800张选自EyePACS数据集，200张选自PD数据集；在测试集中，每个类别包含500张图像，其中400张选自EyePACS数据集，100张选自PD数据集。训练集总计5 000张图像，测试集总计2 500张图像。对图像进行归一化处理和数据扩增。采用迁移学习方法初始化网络模型的参数，在此基础上对比当前深度学习主流分类网络VGG、Inception-resnet-v2、ResNet和DenseNet，选取准确率和Micro F1值最优的网络ResNet50作为分类模型的主网络。在ResNet50训练过程中引入One-Cycle策略加快模型收敛速度，得到最优模型ResNet50-OC并将其应用于眼底照片质量多分类，评估ResNet50与ResNet50-OC对眼底照片进行多分类的准确率和Micro F1值。结果:ResNet50对彩色眼底照片质量多分类准确率和Micro F1值明显高于VGG、Inception-resnet-v2、ResNet34和DenseNet。ResNet50-OC模型训练15轮对眼底图像质量多分类准确率为98.77%，高于ResNet50训练50轮的98.76%；ResNet50-OC模型训练15轮对眼底图像质量多分类的Micro F1值为98.78%，与ResNet50训练50轮的Micro F1值相同。结论:ResNet50-OC模型可以准确、有效地对彩色眼底照片质量进行多分类，One-Cycle策略可减少训练次数，提高分类效率。

目的:为解决双着丝粒染色体人工分析费时费力的问题，探索人工智能技术，提出一种实现双着丝粒染色体自动识别的算法，从而实现快速高通量生物剂量估算。方法:结合人工智能和图像处理技术，基于MATLAB软件，通过研究图像预处理、阈值分割、二值化处理、区域标识、卷积神经网络和双着丝点识别算法，定义模糊隶属度函数来描述每条染色体属于双着丝粒染色体的程度，设定判别阈值，实现双着丝粒染色体自动识别。结果:通过对1 471张染色体图像进行算法检验，与人工识别相比，双着丝粒染色体细胞检出率达到了70.7%。结论:本算法对双着丝粒染色体自动识别进行了初步研究，并达到了较好的效果。

目的:搭建卷积神经网络预测模型，实现对老年人跌倒风险的精准预测。方法:2019年6月至2020年2月，采用分层随机整群抽样，利用Python的Matlabplot库和Opencv库对1 093例来自南京、重庆共计11所医疗机构、社区及养老机构的老年受试者的足底压力数据进行数据图像化，压缩与剪裁，灰度化、高斯模糊等数据预处理后，将数据划分为训练集983例及验证集110例，用训练集数据训练卷积神经网络模型，用验证集验证模型，并采取ReLU函数抑制过拟合，得到最终的预测模型。结果:跌倒预警模型对验证集预测跌倒的敏感度为91.2%，特异度为81.4%，精度为91.5%，AUC为0.865。结论:跌倒预测模型对老年人跌倒的预测性能尚可，能对特定场景下的老年人跌倒风险进行预测，在后续改进中应综合改进软硬件构建，从而进一步提升预测准确性。

由于CT影像对比度低、肝脏形状不规则、相邻器官边界模糊,目前基于卷积神经网络的方法在肝脏分割任务上的表现不佳,尤其是在边界识别和小目标检测方面.基于此,提出一种基于多尺度特征融合与注意力的肝脏分割方法(MFFA UNet).首先,利用多尺度特征融合获取丰富的分割信息,同时使用空间和通道注意力机制捕获全局空间和通道间的关系.其次,通过深度监督模块充分利用中间隐藏层的输出,增强网络的学习能力,加快网络收敛速度.此外,采用一种混合损失函数,以解决类别不平衡的问题,进一步提升模型的分割效能.实验结果表明,所提出的MFFA UNet方法在公共数据集LITS上的表现超越当前主流分割网络,分割结果更接近真实值.

辨证受医师诊疗经验影响存在复杂性、模糊性、不确定性等弊端,融入人工智能技术进行智能化辨证是解决这些弊端的重要方法.但当前智能辨证面临使用模型单一、辨证模式难以适用于多病种等问题,使得辨证的准确度与适用度均有待提高.为解决智能化辨证当前存在的复杂问题,将提取文本信息、优化医案数据结构及模型选择与联合构建等作为多决策模型思路构建的重要组成部分,并根据数据和模型特点,采用自然语言处理技术进行医案症状及证型内容信息提取,基于粗糙集的属性约简算法进行数据降维处理,最后采取加权投票融合支持向量机、多标记K-近邻、反向传播(Back Propagation,BP)神经网络算法构建多决策辨证模型,旨在为提升人工智能辨证模型的准确率提供参考,更好地指导临床辨证.

为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中.实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别.