目的:构建循环生成对抗网络(CycleGAN)对模糊、曝光不足、曝光过度等低质量眼底图像进行质量提升，并对其效果进行评估。方法:从EyePACS数据集中分别选取700张高质量和700张低质量眼底图像作为本研究的数据集。对数据集图像进行裁剪并统一缩放至512×512分辨率。采用2个生成模型和2个判别模型构建CycleGAN，生成模型根据输入的低/高质量眼底图像生成匹配的高/低质量图像，判别模型判别原始图像和生成图像。将本研究提出的算法与限制对比度自适应直方图均衡化(CLAHE)、动态直方图均衡化(DHE)、带色彩恢复的多尺度Retinex(MSRCR)3种图像增强算法的结果进行视觉定性评估，并采用清晰度、BRISQUE、色度、饱和度作为定量指标进行评估。应用糖尿病视网膜病变(DR)诊断网络对原图及不同算法增强图像进行诊断；并比较其准确度和特异度。结果:CycleGAN算法对模糊、曝光不足、曝光过度3类低质量眼底图像的增强均取得最优效果，增强后的眼底图像对比度高、色彩丰富，视盘、血管结构清晰。CycleGAN算法增强的图像清晰度仅次于CLAHE算法；BRISQUE质量分数为0.571，比CLAHE、DHE和MSRCR算法分别高出10.2%、7.3%和10.0%；色度和饱和度分别为103.03、123.24，均高于其他算法；该算法增强100张图像仅需35 s，仅次于CLAHE算法，在速度上具有明显优势。CycleGAN算法增强的图像在DR诊断中的准确率和特异度分别为96.75%和99.60%，均较原图有所提高。结论:CycleGAN可有效提升模糊、曝光不足、曝光过度眼底图像的质量，并有效提高计算机辅助DR诊断系统的准确率，可能在眼科临床诊断中有很大的应用价值。

目的:探讨基于深度学习对被遮挡的甲状腺超声图像进行修复的可行性。方法:回顾性收集自2020年1月至2021年10月于浙江大学医学院附属邵逸夫医院采集的甲状腺结节图像共358张，对图片进行随机遮挡后，使用DeepFillv2方法对上述图像被遮挡部分进行修复，比较修复前后图像的灰度值差异。邀请6位不同年资医师(主任医师、主治医师、住院医师各2位)比较修复前后图片是否存在形态差异，比较不同医师组判断的正确率及对图像差异的检出率。根据2020甲状腺结节超声恶性危险分层中国指南(C-TIRADS)对甲状腺结节图像进行超声特征提取(垂直位、实性、极低回声、可疑微钙化、边缘模糊及彗星尾伪像)，比较修复前后图像中甲状腺结节超声特征的一致性。结果:图片修复前后的灰度值均方误差范围为0.274~0.522，各组医师的正确率及检出率之间差异具有统计学意义(均 P<0.001)，总体正确率为51.95%，总体检出率为1.79%，其中主任医师与住院医师组内的正确率及检出率差异同样具有统计学意义(均 P<0.001)。图像修复前后图像中各超声特征的一致性均高于70%，实性、彗星尾伪像的一致性均高于90%。 结论:基于深度学习的甲状腺超声图像修复算法可以有效修复被遮挡的甲状腺超声图像，同时可以保留甲状腺超声图像特征，有望扩大深度学习图像数据库规模，促进深度学习在超声领域的发展。

目的:探讨TrueFidelity深度学习重建算法在腹盆部CT血管成像（CTA）低剂量扫描时的应用价值。方法:前瞻性纳入2020年6月至2021年3月就诊于西安交通大学第一附属医院，临床申请行腹盆部CTA的患者。所有患者均行低剂量腹盆部CTA扫描，管电压为80 kV，管电流为智能管电流（100~720 mA），扫描完成后均使用传统滤波反投影（FBP）、自适应统计迭代重建算法（ASIR-V 50%）、TrueFidelity算法［降噪强度：中等强度（TF-M）和高强度（TF-H）］4种重建算法对图像进行重建。测量腹主动脉、同层腰大肌及皮下脂肪的CT值和CT值的标准差（SD），计算信噪比（SNR）和对比噪声比（CNR），另外测量腰大肌密度均匀区域的CT值偏度，同时使用5分法评价所有图像的颗粒度、模糊度及股骨头层面的硬化伪影。客观评价指标采用重复测量单因素方差分析进行检验。结果:共纳入46例患者。CT检查的辐射剂量为（1.09±0.31）mGy。4组重建图像血管和肌肉的CT值比较差异无统计学意义（ P>0.05），SD值比较差异有统计学意义（ P<0.001），FBP组的SD值最大，TF-H组的SD值最小。SNR和CNR比较差异有统计学意义（ P<0.001），整体趋势与SD值趋势相反。偏度值比较4组差异无统计学意义。颗粒度评分FBP组评分最高，TF-H组评分最低，4组间差异有统计学意义。模糊度评分TF-H组评分稍高于其余3组，但差异无统计学意义。硬化伪影评分FBP和ASIR-V 50%组评分最差，TF-H最好（ P<0.001）。 结论:综合考虑图像噪声、模糊度、均匀度和硬化伪影的表现，在腹盆部CTA低剂量扫描时，相比于FBP和ASIR-V，TrueFidelity重建算法可以提供更优的图像质量，其中TF-H的图像质量最佳。

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:描述2016-2021年宁波市鄞州区系统性红斑狼疮（SLE）发病密度及其在不同年龄、性别的分布情况。方法:基于鄞州区域健康信息平台2015-2021年的数据开展回顾性队列研究，纳入鄞州区常住居民，利用《国际疾病分类》第十版编码“M32”或中文文本“狼疮”模糊匹配的方式识别出SLE疑似病例。提取疑似病例的门/急诊和住院记录信息后，采用2012年系统性红斑狼疮国际协作组和2019年欧洲抗风湿病联盟联合美国风湿病学会分类标准进行病例验证，依据验证结果确定识别SLE病例的算法，并以1年为洗脱期识别新发病例。采用泊松分布估算SLE发病密度及其95% CI。 结果:2016-2021年鄞州区累计登记的常住人口共1 551 921人，其中女性占51.52%，入组年龄的 M（ Q1，Q3）为40.38（27.54，53.54）岁，随访时间 M（ Q1，Q3）为3.83（0.41，5.83）年。SLE新发病例451例，其中女性352例（78.05%）。总人群6年发病密度为8.14/10万人年（95% CI：7.41/10万人年~8.93/10万人年），男性发病密度为3.68/10万人年（95% CI：2.99/10万人年~4.48/10万人年），女性发病密度为12.37/10万人年（95% CI：11.11/10万人年~13.73/10万人年）。男性的发病密度在20~29岁出现小高峰，从40岁开始随着年龄的增长不断升高。女性发病密度在20~29岁最高（16.57/10万人年），30~79岁均维持在较高水平。2016-2021年鄞州区的SLE发病密度无随时间变化的趋势（男性： P=0.848；女性： P=1.000）。 结论:2016-2021年鄞州区SLE发病密度与我国其他地区相当。SLE在女性中高发，尤其对中老年人及年轻女性影响较大。

目前临床上倾向于使用多种辅助工具进行呼吸功能监测来发现多种临床场景中的呼吸相关不良事件。综合肺指数（integrated pulmonary index, IPI）是一种新型医用呼吸功能监测工具，基于模糊逻辑数学模型，将反映患者呼吸状态的4个参数[P ETCO 2、呼吸频率（respiratory rate, RR）、SpO 2、脉搏（pulse, PR）]进行整合，简化为范围从1（严重呼吸功能不全）到10（最佳呼吸状态）的单一值，实时反映患者的氧合和通气情况。文章从IPI监测的算法、临床应用（评估在程序化镇静、PACU、术后监护病房及急诊中患者的呼吸功能）及其不足进行阐述。IPI以简单、清晰的方式将患者的呼吸状态提供给医护人员，帮助医护人员在较短时间内做出判断并进行干预，对于减少呼吸相关不良事件具有一定优势，但其更多的益处以及临床常规应用仍需进一步研究支持。

目的:探讨多参数MRI栖息地影像区分乳腺癌人表皮生长因子受体2（HER2）不同表达状态的价值。方法:该研究为横断面研究。回顾性分析2018年8月至2023年7月在汕头大学附属第二医院经病理证实的86例原发性浸润性乳腺癌的临床及影像资料。患者均为女性，年龄33~74（51±10）岁。患者均接受乳腺MRI检查，包括T 1WI、T 2WI、扩散加权成像和动态增强MRI。应用模糊C均值聚类算法对所有病灶的血管外细胞外间隙容积比（V e）、速率常数（K ep）、容积转运常数（K trans）及表观扩散系数（ADC）图进行聚类分析，从而将乳腺癌病灶内部分割成不同的栖息地亚区。以每个亚区中K trans、K ep的平均值量化血流灌注水平和每个亚区中ADC、V e的平均值量化细胞增殖水平，同时计算每个病灶每个亚区占整个病灶体积的百分比。采用Mann-Whitney U检验比较各栖息地亚区体积占比在不同HER2表达水平之间的差异。采用受试者操作特征曲线和曲线下面积（AUC）评价有统计学意义参数诊断HER2状态的效能。 结果:86例浸润型乳腺癌患者中，HER2阳性27例，HER2阴性59例；其中HER2阴性患者中，HER2低表达37例和HER2零表达22例。栖息地1、2、3亚区体积占比在HER2阳性与阴性患者中的差异均有统计学意义（ Z=2.90、 P=0.004； Z=-2.04、 P=0.042； Z=-2.19、 P=0.029），其预测HER2阳性表达的AUC值分别为0.696、0.638和0.648。栖息地2亚区体积占比在HER2低表达与零表达患者间差异有统计学意义（ Z=2.85、 P=0.004），其预测HER2低表达及零表达的AUC值为0.724。 结论:栖息地1亚区体积占比区分HER2阳性与阴性患者，栖息地2亚区体积占比区分HER2低表达与零表达患者效能较好，对于筛选HER2靶向治疗的潜在候选者具有重要临床意义。

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。

具有变革性潜力的多模态模型在医疗领域的快速发展和广泛应用,标志着医疗人工智能进入了一个全新的大模型时代,通过整合和分析大量的文本、图像和语音数据等,在预防、诊断和治疗各个环节推动了医疗服务的个性化和精准化.然而,随着大型多模态模型在医疗健康领域的快速发展和应用,医疗领域的监管机构和传统规则体系也面临着全新挑战.其中,虚假信息、"情感操纵"、算法偏见和侵权责任的模糊都是亟待解决的核心问题.为应对这些挑战,一是落实人工智能全生命周期安全措施,打造可信的医疗大模型应用;二是践行伦理嵌入设计的 AI伦理治理理念,实现医疗大模型价值对齐;三是明确医疗大模型的产品责任规则的适用,确保对受害人的有效救济.共同推进医疗人工智能安全和有效应用,为构建更加健康、公正和智能的医疗生态系统作出贡献.

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础.方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF.收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析.结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05).对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε＜3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(x2=12.25、87.12、68.58、7.76,P<0.05;x2=4.74、43.51、42.47、4.89,P<0.05).结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景.