目的 设计一种脑皮质表面影像组学计算方法,为脑影像研究提供丰富的、可靠的脑区局部特征.材料与方法 基于21组重复测量健康被试与222例多动症相关被试的大脑T1WI磁共振数据集提取皮层厚度、灰质体积、平均曲率与皮层表面积四种表面形态指数.使用Desikan-Killiany(DK)脑图谱和球面局部投影,实现三维皮层表面脑区的二维平面化.利用Pyradiomics对四个形态指数分别提取968个二维影像组学特征.结合重复测量数据集与组内相关系数(intra-class correlation coefficient,ICC),以ICC信度值作为影像组学特征评估的标准,综合评价不同形态指数、不同影像组学特征类型与不同脑区间的复测信度差异.结合多动症数据集,预测患者的注意力缺陷指数、过动指数两种症状指标.结果 对于不同形态指标,灰质体积、皮层表面积的影像组学特征可重复性较好,与皮层厚度与平均曲率组差异具有统计学意义(P<0.05).对于不同类型影像组学特征,基于皮层厚度的一阶特征和灰度共生矩阵特征与其他类型特征差异具有统计学意义(P<0.05).对于不同脑区,左右脑内嗅皮层、左右脑颞极与右脑额极提取的特征相较其他区域复测性降低(P<0.05).总体而言本研究提出的表面重建方法所提取的脑影像组学特征均具有较高的可重测性(ICC均值>0.76).在对多动症两种症状指标的预测中发现,左脑海马旁回、额上回与颞上回与多动症症状显著相关(|r|=0.33～0.52,P<0.05).结论 基于DK脑图谱与表面形态学指数构建脑影像组学特征是可行的,所提取的新型特征具有良好的可重复性,并在注意力预测等研究中具有一定的临床价值.

目的:探讨脑小血管病(cerebral small vascular disease，CSVD)患者血清胶质细胞源性神经营养因子(glial cell-derived neurotrophic factor，GDNF)水平与其神经影像学改变及认知功能障碍的相关性。方法:通过神经影像学筛查，招募2021年9月至2022年7月来新乡医学院第一附属医院神经内科住院的CSVD患者135名，进行了基本资料统计、头颅多模态磁共振检查及蒙特利尔认知评估量表(Montreal cognitive assessment，MoCA)，并通过酶联免疫吸附法(enzyme-linked immunosorbent assay，ELISA)检测所有入组患者的血清GDNF浓度，通过入组患者GDNF浓度的中位数将入组人群分为低GDNF组及高GDNF组，通过Mann-Whitney U检验、卡方检验、Logistic回归、Kruskal-Wallis H检验和Jonckheere-Terpstra趋势检验等比较两组患者的基线资料、MoCA评分及各影像标记物，并分析脑小血管病患者血清GDNF水平与各影像标记物及认知功能的相关性。 结果:所有CSVD患者血清GDNF浓度的中位数为16.66 pg/mL。多因素logistic回归分析表明，低血清GDNF水平是CSVD患者脑白质高信号及影像总负荷的危险因素；多元logistic回归分析显示，血清GDNF水平是CSVD认知功能障碍保护性因素，血清GDNF水平预测CSVD患者认知功能障碍ROC曲线分析的曲线下面积为0.735，敏感度为66.4%，特异度为71.4%，且血清GDNF水平与视空间与执行功能、注意力和计算力、延迟回忆、定向力呈正相关( r＝0.267，0.187，0.219，0.215，均 P<0.05)。 结论:CSVD患者血清GDNF水平与脑白质高信号、影像总负荷及认知功能障碍相关，血清GDNF水平对CSVD及其导致的认知功能障碍起到预测作用。

认知功能障碍是抑郁症重要的临床表现之一，主要表现为执行功能、注意力、记忆力、信息处理速度等方面的功能受损。抑郁症合并认知功能障碍不仅是其疗效不佳的预测因素，而且与痴呆之间也存在密切的联系。既往研究表明抑郁症与认知障碍之间可能存在多种生理机制的改变。随着神经影像学技术的迅速发展，静息态功能磁共振成像作为一种新兴技术，被广泛应用于探讨抑郁症与认知障碍的神经生物学机制。本文通过综述抑郁症合并认知功能障碍的静息态功能磁共振成像表现，发现脑内默认模式网络、认知控制网络、突显网络激活或减弱，网络间功能连接发生改变，存在着损害和代偿并存的现象。上述脑功能的改变，有望成为抑郁症合并认知功能障碍的治疗靶点。

目的:分析阻塞性睡眠呼吸暂停（obstructive sleep apnea，OSA）与注意缺陷多动障碍（attention deficit hyperactivity disorder，ADHD）的相关性。方法:回顾性分析2019年1月—2020年6月就诊于西安交通大学第二附属医院耳鼻咽喉头颈外科的112例OSA儿童的临床资料、多导睡眠监测（polysomnography，PSG）及ADHD检查结果。根据PSG提示的OSA严重程度，将入组儿童分为轻度、中度及重度OSA组，分析各组间基本人口学特征、睡眠参数及ADHD发生情况。根据ADHD检查结果，将入组儿童分为ADHD组、非ADHD组，分析基本人口学特征及睡眠参数，并以其为自变量行二元Logistic回归分析，建立儿童OSA伴ADHD风险预测模型方程。结果:轻、中及重度OSA组间呼吸暂停低通气指数（apnea-hypopnea index，AHI）［3.70（2.84，5.47）比8.59（7.50，9.54）比19.48（15.83，25.23）］、阻塞性呼吸暂停指数（obstructive apnea index，OAI）［1.31（0.93，1.82）比3.03（1.54，4.41）比11.69（8.53，15.42）］、阻塞性呼吸暂停低通气指数（obstructive apnea-hypopnea index，OAHI）［2.82（1.81，3.64）比6.17（5.58，7.26）比15.68（13.12，21.25）］、呼吸事件相关觉醒指数升高［0.50（0.25，1.05）比1.25（0.70，2.23）比2.40（1.60，4.70）］、最低脉搏血氧饱和度（pulse oxygen saturation，SpO 2）降低［90.00（88.00，92.00）比87.00（83.00，90.25）比81.00（76.00，85.00）］，差异均有统计学意义（均 P<0.05）；重度OSA组非快速眼动（non-rapid eye movement， NREM）1期时间比显著大于轻度OSA组，而平均SpO 2显著低于轻度OSA组；中、重度OSA组NREM3期时间比显著小于轻度OSA组；重度OSA组觉醒指数显著大于轻、中度OSA组；三组间性别、年龄、体质指数、睡眠效率、快速眼动（rapid eye movement， REM）期时间比、NREM2期时间比差异均无统计学意义（均 P>0.05）。轻度OSA组ADHD有10例（17.54%），中度OSA组ADHD有7例（23.33%），重度OSA组ADHD有9例（36.00%），差异无统计学意义。以ADHD检查分组，ADHD组AHI、OAI、OAHI、NREM1期时间比均显著高于非ADHD组，而睡眠效率、最低SpO 2及NREM3期时间比均显著低于非ADHD组，二元Logistic回归分析提示ADHD与睡眠效率、最低SpO 2、NREM3期时间比三个变量具有相关性，回归方程模型为：X=15.670+0.061×（睡眠效率）-0.212×（最低SpO 2）-0.144×（NREM3期时间比），ROC曲线下面积为0.867，模型的预测灵敏度为84.6%，特异度为79.1%。 结论:儿童OSA与ADHD具有一定相关性，睡眠结构紊乱和间歇性低氧状态可能是重要影响原因，通过PSG及本研究得到的预测模型方程可以对儿童OSA伴ADHD进行风险评估。

目的:应用深度学习神经网络高精度预测非小细胞肺癌(NSCLC)患者容积旋转调强放疗(VMAT)计划的剂量分布。方法:基于Res-Unet基础网络引入大核空洞卷积模块和多头注意力(MHA)机制构建了MHA-resunet网络。在此基础上，以随机数表法从上千例接受VMAT放疗NSCLC患者中选取151例患者，以CT图像、计划靶区(PTV)与危及器官(OARs)轮廓作为输入，以剂量分布图作为输出训练神经网络。然后将该网络的性能与常用的几种网络的性能进行比较，通过PTV与OARs内的体素级平均绝对误差(MAE)和临床剂量体积指标误差对网络性能进行评估。结果:基于MHA-resunet网络的预测剂量与真实计划剂量的平均绝对误差在靶区内为1.51 Gy，靶区的 D98、 D95误差均<1 Gy。与Res－Unet、Atten-Unet、DCNN 3种常用网络比较，MHA-resunet在靶区与除心脏外的OARs内的剂量误差均为最小。 结论:MHA-resunet网络通过提高感受野来学习靶区与危及器官的相对位置关系，能够准确地预测接受VMAT放疗的NSCLC患者的剂量分布。

γ振荡是30~90 Hz的大脑神经群节律性电活动，与认知、觉醒和意识活动相关。围手术期神经认知障碍（perioperative neurocognitive disorders, PND）是围手术期常见并发症，主要表现为注意力、记忆力和语言思维能力下降。手术/麻醉可通过一系列病理改变破坏γ振荡，导致PND发生。文章通过综述γ振荡的产生机制，γ振荡在神经炎症、睡眠障碍、Aβ沉积和Tau蛋白过度磷酸化等PND发生、发展机制中所扮演的角色，以及γ夹带临床应用现状，旨在探索γ振荡在PND术前预测、术中干预以及术后诊断治疗的前景，以改善手术/麻醉患者预后。

目的:设计一种基于改进YOLOv7模型的肺结节检测算法。方法:首先，在PAFPN结构中，引入轻量化上采样算子CARAFE，以提高肺结节检测精度。然后添加一个增强型小尺度检测层，增强对于小目标肺结节的检测性能，同时可减少训练的参数量，并降低模型复杂程度。在保证各项参数指标不变的情况下，对YOLOv5原模型算法和添加增强型小尺度检测层的YOLOv5模型算法、YOLOv7原模型算法和改进后YOLOv7模型算法进行消融实验；对改进点训练集总损失进行比较；用YOLOv7原模型算法和改进后YOLOv7模型算法对2张测试集图片进行推理，将其与近年来其他经典的肺结节检测算法Mask R-CNN、YOLOv3、YOLOv5s和YOLOv7对2张测试集图片进行比较。结果:添加增强型小尺度检测层的YOLOv5模型算法精度比YOLOv5原模型算法提升了1.3%，召回率提高了3.5%，平均精度（mAP）上升了3.1%，参数量减少了25.3%，网络的复杂程度也有所减少。改进后YOLOv7模型算法mAP提高1.8%，参数量减少28.3%，模型复杂程度下降5 G。添加增强型小尺度检测层与替换特诊融合网络为轻量化上采样算子CARAFE算法在训练过程中的总损失最小。YOLOv7原模型算法精度较高，但是仍然出现了漏检与假阳性的情况，与预测图片1比较，YOLOv7原模型出现了漏检的情况；与预测图片2比较，YOLOv7原模型出现了假阳性的情况。而改进后YOLOv7模型对漏检情况和假阳性均得到了很好的改善；与经典模型算法比较，改进后YOLOv7模型算法的精度、召回率和mAP最高，分别为91.7%、89.1%、93.5%。结论:改进YOLOv7模型具有更强的特征表达能力，参数量更少，能够有效提高肺结节的检测精度。

目的:构建融合空气数据的深度网络慢性阻塞性肺疾病（慢阻肺）评估测试（CAT）评分预测模型，并探讨其意义。方法:采用定组研究的方法，自2015年2月至2017年12月从北京大学第三医院、北京大学人民医院和北京积水潭医院呼吸科门诊入选稳定期的慢阻肺患者，采集患者住宅区附近的室外环境监测空气数据，计算患者每日空气污染物暴露量和天气数据，并连续记录患者每日的CAT评分。通过融合时序算法和神经网络建立模型对患者未来一周的CAT评分进行预测，并比较该模型与长短期记忆模型（LSTM）、添加全局注意力机制的LSTM模型（LSTM-attention）和自回归移动模型（ARIMA）的预测准确程度，并探讨预测模型的意义。结果:共纳入47例慢阻肺患者，平均随访时间为381.60 d，利用采集的空气数据和CAT评分构建长短期记忆模型-卷积神经网络-自回归（LSTM-CNN-AR）模型，其模型的均方根误差为0.85，平均绝对误差为0.71，较LSTM、LSTM-attention和ARIMA三者中最优模型平均预测准确度提升21.69%。结论:基于慢阻肺患者所处环境的空气数据，融合深度网络模型可更精准地预测慢阻肺患者的CAT评分。

目的:开发一种基于三维Transformer的深度学习架构，用于肺癌调强放疗（IMRT）计划的剂量分布预测。方法:回顾性分析重庆大学附属肿瘤医院2020年1月—2022年12月间174例肺癌行IMRT患者的资料，设置训练、验证、测试集分别为116、29、29例。通过Swin Unet Transformer（Swin Unetr）模型进行三维剂量分布预测训练，该模型使用带位移窗口的Transformer模块编码器，输入包括CT图像、计划靶区（PTV）和危及器官轮廓图像、射束信息图像和靶区距离图像。使用平均绝对误差（MAE）、戴斯相似性系数（DSC）以及剂量体积直方图（DVH）剂量学参数来评估模型的性能，并与其他3种深度学习模型CGAN、ResSEUnet、ResUnet进行比较。结果:Swin Unetr预测与原临床计划的剂量分布的MAE为0.0143±0.0055，CGAN、ResSEUnet和ResUnet分别为0.0162±0.0055、0.0167±0.0063和0.0164±0.0057。Swin Unetr在各等剂量值均取得了最高的DSC值（>0.85）。剂量学参数方面，除PTV的D 2%和心脏的D mean以外，其余Swin Unetr预测与原临床计划的剂量学参数差异均无统计学意义（ P>0.05），且66.67%的总体剂量学参数和75%的PTV剂量学参数评估结果表现最佳。 结论:在多个剂量学评估指标上，Swin Unetr取得了最佳评分，在各等剂量值上取得最高DSC。Swin Unetr在肺癌IMRT三维剂量预测方面的准确性较以往模型有显著改进。

目的:建立一种基于注意力机制的残差网络模型，对结直肠病理学图像中的常见的8种"图像块"进行多分类诊断。方法:采用基于注意力机制的残差神经网络来预测8种结肠病理学图像的标签，同时基于梯度加权热力图算法（Grad-CAM）生成的注意力热图将网络学习到的模式解码为可解释性类别特征。结果:所提出的方法对包括结肠癌在内的8种结肠组织图像块的识别准确率和AUC值分别达到了98.78%和0.998 3,生成的注意力热图也与病理专家的判断方法基本一致。结论:基于注意力机制的残差网络模型在病理学图像多分类中可达到较高的识别精度，有助于医生采取对症治疗方式时实时、客观、精确的诊断结果，还可以为病理学图像的分类结果提供可解释性。