目的:研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法:收集安徽省第二人民医院6 068张眼底图像构建训练集，并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统，该系统由两级网络结构组成，第一级网络结构用于识别MMD是否存在，第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果:Densenet网络模型在MMD筛查任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示，本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征，准确识别弥漫性和局灶性脉络膜萎缩区域。结论:基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征，并准确进行MMD筛查及其严重等级判断，可有效辅助临床。

目的:分析视网膜分支静脉阻塞继发黄斑水肿（BRVO-ME）患眼雷珠单抗治疗后影响视力预后的相关因素，建立预测列线图模型并验证。方法:回顾性研究。2019年1月至2021年12月于柳州市红十字会医院眼科检查确诊的BRVO-ME患者130例纳入研究。所有患者均接受玻璃体腔注射雷珠单抗治疗。根据随机数字表法以3:1的比例将患者分为训练集和测试集，分别为98例98只眼、32例32只眼。根据治疗后6个月时最小分辨角对数（logMAR）最佳矫正视力（BCVA）与治疗前logMAR BCVA差值，将训练集98例98只眼分为预后良好组（差值≤－0.3）、预后不良组（差值>－0.3），分别为58例58只眼、40例40只眼。分析两组患者的临床资料，将有差异的指标进行单因素和多因素logistic回归分析，利用R软件可视化回归分析结果得到列线图，通过一致性指数（C-index）、卷积神经网络（CNN）、校准曲线、受试者工作特征曲线（ROC曲线）验证列线图模型的准确性。结果:单因素分析结果显示，年龄、病程、外界膜（ELM）完整性、椭圆体带（EZ）完整性、BCVA、黄斑中心凹视网膜厚度（CMT）、外层强反射点（HRF）、内层HRF、视网膜深层毛细血管丛（DCP）血流密度是BRVO-ME患眼雷珠单抗治疗后影响视力预后的危险因素（ P<0.05）。多因素logistic回归分析结果显示，病程、ELM完整性、BCVA和外层HRF是BRVO-ME患眼雷珠单抗治疗后影响视力预后的独立危险因素（ P<0.05）。基于此建立列线图预测模型，训练集、测试集的ROC曲线下面积分别为0.846 [95%可信区间（ CI）0.789~0.887）、0.852（95% CI 0.794~0.873）]；C-index分别为0.836（95% CI 0.793~0.865）、0.845（95% CI 0.780~0.872）；CNN显示在300个周期后错误率逐渐稳定，模型准确性良好，预测能力较强。 结论:病程、ELM完整性、BCVA和外层HRF是BRVO-ME患眼雷珠单抗治疗后影响视力预后的独立危险因素；依据危险因素构建的列线图模型具有良好的区分度和准确性。

基于全息理论的中医望诊可以辅助诊断西医疾病,但目前中医望诊主要依靠名老中医药专家的经验传承,存在望诊客观化、标准化程度不够,缺乏行业内认可度高的望诊转化技术的问题.而望诊融合人工智能信息化技术,可以提升中医望诊客观化、标准化的水平,可以有效地降低疾病的恶化率和病死率,促进中医望诊经验的转化.据此,结合前期开展的大鱼际特征与冠心病关系研究,得出大鱼际望诊可以用于冠心病早期预警筛查.以大鱼际望诊和冠心病之间的关系为例,将先验知识和深度卷积神经网络算法深度融合,将特征提取和分类合为一体,利用深度学习端对端的显著特点,输入观察到的原始大鱼际图像像素数据或信息,通过对大鱼际照片的大量深度学习,构建冠心病患者的关键特征要素,融合先验知识后,输出是否为冠心病的分类结果,中间为深层的网络结构.这一思路将提出一种中医望诊客观化、标准化的智能化算法,促进中医望诊经验的转化思路与方法,以提高基层群众的疾病预警筛查能力,服务"健康中国"战略.

深度学习模型是AI心电图最关键的环节之一.[定义]深度学习模型(deep learning model,DL-model)以深层神经网络为模型,从原始数据中自动获得抽象特征,自动学习特征和任务之间的关联,并将简单的特征组合成更复杂的特征.因不需要人为提取特征信息,故能避免人工提取特征时的不完备性.心电图信号作为一种时间序列信号,经深度学习模型处理而对信号的类型进行分类,减少医生工作量,提高诊断效率.深度学习模型包括卷积神经网络(convolutional neural network,CNN)、循环神经网络(Recurrent Neural Network,RNN)和深度信任网络等.

卷积神经网络可以通过树木年轮样本构造特征图像实现物种识别的自动化.本研究通过建立树木年轮样本构造特征图像集,选用LeNet、AlexNet、GoogLeNet和VGGNet 4 个卷积神经网络模型,实现基于树木年轮横切面的计算机自动化树种精准识别,进而确定各模型的树种识别准确率,明晰不同树种在自动识别中的混淆情况,探测不同模型识别结果的差异.结果表明:本研究训练的用于树种识别的卷积神经网络模型具有较好的可信度;4 个模型中GoogLeNet模型树种识别准确率最高,为 96.7%,LeNet模型识别准确率最低(66.4%);不同模型对于所选树种的识别结果具有一致性,表现为对蒙古栎识别准确率最高(AlexNet模型识别率达到100%),对臭冷杉的识别准确率最低.本研究中也存在类似结构树种的识别混淆情况.模型在科和属水平的识别准确率高于种水平;阔叶树种因其显著的结构差异容易区分,阔叶树树种的识别准确率高于针叶树.总体上,通过卷积神经网络,探测了树木年轮特征的深层信息,达到树种的精准识别,提供了一种快速便捷的自动树种初筛鉴定方法.

目的:利用深度学习技术,全自动标注病变的计算机断层扫描(CT)数据,开发准确快速区分新型冠状病毒感染(COVID-19)和其他社区获得性肺炎的人工智能模型.方法:回顾性分析248例COVID-19患者及347例其他肺炎患者的资料,进行COVID-19与其他肺炎分类;在人工智能肺分割提取后将异常的CT图像特征降维,输入几种经典强化机器学习模型、三维卷积神经网络(3D CNN)和注意力多示例学习(Attention-MIL)深层神经网络架构中,模型诊断性能利用受试者工作特性(ROC)曲线、精确召回率(PR)曲线、曲线下面积(AUC)、敏感性、特异性、准确性指标进行评价.结果:在经典机器学习模型中K邻近算法(KNN)具有较好的效果,在外部测试集上的AUC值和平均精度(AP)值分别为0.79和0.89,平衡F分数(F1)值为0.76,准确率为0.75,敏感性为0.76,精确率为0.77;经典的3D CNN在外部测试集上效果良好,AUC值和AP值分别为0.64和0.82,F1值为0.71,准确率为0.78,敏感性为0.66,精确率为0.62;Attention-MIL模型在外部测试集上表现出更好的鲁棒性,AUC值和AP值分别为0.85和0.94,F1值达到0.82,准确率为0.92,敏感性为0.74,精确率为0.76.结论:与强化影像组学和3D CNN模型相比,深度学习Attention-MIL模型在鉴别诊断COVID-19和其他社区获得性肺炎上表现出更高的效能.

恶性黑色素瘤是最常见和最致命的皮肤癌之一.临床上,皮肤镜检查是恶性黑色素瘤早期诊断的常规手段.但是人工检查费力、费时,并且高度依赖于皮肤科医生的临床经验.因此,研究出自动识别皮肤镜图像中的黑色素瘤算法显得尤为重要.提出一种皮肤镜图像自动评估的新框架,利用深度学习方法,使其在有限的训练数据下产生更具区分性的特征.具体来说,首先在大规模自然图像数据集上预训练一个深度为152层的残差神经网络(Res-152),用来提取皮肤病变图像的深度卷积层特征,并对其使用均值池化得到特征向量,然后利用支持向量机(SVM)对提取的黑色素瘤特征进行分类.在公开的皮肤病变图像ISBI 2016挑战数据集中,用所提出的方法对248幅黑色素瘤图像和1 031幅非黑色素瘤图像进行评估,达到86.28％的准确率及84.18％的AUC值.同时,为论证神经网络深度对分类结果的影响,比较不同深度的模型框架.与现有使用传统手工特征的研究(如基于密集采样SIFT描述符的词袋模型)相比,或仅从深层神经网络的全连接层提取特征进行分类的方法相比,新方法能够产生区分性能更强的特征表达,可以在有限的训练数据下解决黑色素瘤的类内差异大、黑色素瘤与非黑素瘤之间的类间差异小的问题.

心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的ECG信号形态特征差异较大,即使同一患者在不同时间和环境下其ECG信号也会有差异,因此ECG信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度.基于此,本研究提出将小波自适应阈值去噪和深度残差卷积神经网络算法用于多种心律不齐的信号识别过程中.其中,使用小波自适应阈值技术完成ECG信号滤波,并设计了包含多个残差块(residual block)结构的20层卷积神经网络(CNN),即深度残差卷积神经网络(DR-CNN),对5大类心律不齐ECG信号进行了识别.然后,本文采用残差块局部神经网络结构单元构建DR-CNN,缓解了深层网络的收敛难、调优难等问题,克服了CNN随着网络层数增加而导致的退化问题;进一步引入批标准化(batch normalization)技术,保证了网络的平滑收敛.按照美国医疗器械促进协会(AAMI)的心搏分类标准,使用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律不齐数据库中94 091个ECG心搏信号(2个导联),完成了心律不齐多分类、室性异位搏动(Veb)和室上性异位搏动(Sveb)等分类识别实验.实验结果表明,本文所提出的方法在ECG信号多分类、Veb和Sveb识别中的准确率分别达到了99.034 9％、99.498 0％和99.334 7％.在相同的数据集和实验平台下,DR-CNN在分类准确率、特异性和灵敏度上均优于相同结构复杂度的CNN、深度多层感知机等传统算法.DR-CNN算法提高了心律不齐智能诊断的精度,该方法与可穿戴设备、物联网和无线通信技术相结合,可以将心脏病的预防、监测和诊断延伸到家庭、养老院等院外场景,从而提高心脏病患者的救治率,并且有效地节约医疗资源.

视盘定位对利用眼底图像进行眼科疾病的计算机辅助诊疗十分重要.提出一种基于区域建议策略的视盘定位方法.首先, 将眼底图像从像素域映射到特征域, 在得到的特征图上利用区域建议策略生成视盘的初始候选区域;然后, 按照一定准则对候选区域进行采样, 构建全连接层对其进行深层特征提取, 并利用损失函数的约束实现候选区域的位置精修;最后, 通过置信度阈值的过滤对视盘可见性进行判断, 若视盘可见, 则将置信度最大的候选区域中心作为该眼底图像的视盘坐标, 从而实现视盘的正确定位.在3个公开的眼底图像数据库 (DRIVE (40张) 、MESSIDOR (1 200张) 和STARE (400张) ) 中进行实验, 定位准确率分别为100％、99.9％和98.8％.实验证明, 该方法能够实现视盘的准确、快速、鲁棒定位, 优于现有的视盘定位方法, 且预先进行视盘可见性的判断更符合实际应用的要求, 能够辅助眼底疾病的诊断处理.

头颈部肿瘤放射治疗危及器官的准确勾画是放疗计划的关键步骤,然而头颈部放疗危及器官的精确分割挑战性很大,目前临床医生手动勾画危及器官非常繁琐、耗时且缺乏一致性.提出基于3D深度残差全卷积网络的头颈部肿瘤放疗危及器官自动分割方法,通过改进的V-Net网络分割模型,有效地结合危及器官CT影像的深层特征和浅层特征,同时根据特别设计的端到端监督学习确定危及器官分割模型参数.为了解决小器官类分布极不平衡问题,提出利用器官位置先验约束采样区域与随机采样相结合的训练样本选择策略,同时采用Dice损失函数对网络进行训练.该策略不仅可加速训练过程,提升分割性能,而且可保证小器官的分割准确率.该方法在2015年MICCAI头颈自动分割挑战赛数据集PDDCA上验证,各器官分割的Dice系数平均值分别为:颌下骨0.945、左腮腺0.884、右腮腺0.882、脑干0.863、左颌下腺0.825、右颌下腺0.842、左视神经0.807、右视神经0.847、视交叉0.583.大多数器官的95％ Hausdorff距离小于3 mm,所有器官的勾画平均距离均小于1.2 mm.实验结果表明,该方法在除脑干以外的危及器官分割中性能比其他对比方法更优.