目的 探索基于深度学习实现丘脑底核脑深部电刺激术(subthalamic nucleus deep brain stimulation,STN-DBS)自动化核团标注、手术靶点定位及电极植入路径规划.方法 来自北部战区总医院神经外科行双侧STN-DBS手术的155例患者的影像资料.首先,采用3D UX Net卷积神经网络基于MRI图像提取深度学习特征并完成丘脑底核(subthalamic nucleus,STN)及红核(red nuclei,RN)的分割;然后通过算法实现丘脑底核的自动化靶点定位;最后在规定的皮层入路点范围区域内生成不多于4根的电极植入路径.通过人工审查验证靶点及电极植入路径的临床可行性.结果 通过3D UX Net卷积神经网络算法进行核团分割,红核分割性能的Dice值为0.90.STN分割性能的Dice值为0.84.自动化生成STN靶点经人工审查验证可行的坐标与人工手术规划STN靶点坐标的欧几里得距离为(1.2±0.4)mm.25例测试集中自动化STN靶点定位及电极植入路径通过人工审查可行有20例(20/25),自动化靶点定位及电极路径与人工规划靶点及路径差异无统计学意义(P=0.059).结论 3D UX Net卷积神经网络可以较精确地分割STN及红核,通过自动化靶点定位及路径规划的STN-DBS手术计划临床可行且耗时短,可以为临床医生手术前规划提供参考.

目的 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.

目的:探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法:生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。结果:对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。结论:利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。

随着大数据时代的到来，人工智能得以在医疗领域崭露头角并实现了飞速发展，尤其在肿瘤诊断方面存在巨大潜能。人工智能利用自动化图像分割及提取等关键技术，在实现短时间内对大量肿瘤信息汇总分析的同时，还可以反映现实环境中成像数据的分布，使肿瘤诊断从主观感知转向客观科学，从而高效精确地协助医师的诊断，为诊疗计划的制订和预后的判断提供坚实的基础。笔者拟对人工智能在肿瘤诊断中的关键技术及当前的应用进行综述。

目的:观察分析基于深度学习的眼底图像视盘定位与分割方法的准确性。方法:在ORIGA数据集上训练和评估基于深度学习的视盘定位和分割方法。在深度学习的Caffe框架上构建深度卷积神经网络（CNN）。采用滑动窗口将ORIGA数据集的原图切割成许多小块图片，通过深度CNN判别各个小块图片是否包含完整视盘结构，从而找到视盘所在区域。为避免血管对视盘分割产生影响，在分割视盘边界之前去除视盘区域的血管。采用基于图像像素点分类的视盘分割深度网络，实现眼底图像视盘的分割。计算基于深度学习的眼底图像视盘定位与分割方法的准确性。定位准确率＝T/N，T代表视盘定位正确的眼底图像数量，N代表总共用于定位的眼底图像数量。采用重叠误差（overlap error）比较视盘分割结果与实际视盘边界的误差大小。结果:基于深度学习的眼底图像视盘定位方法其定位准确率为99.6%；视盘分割平均重叠误差为7.1%；对青光眼图像和正常图像的平均杯盘比的计算误差分别为0.066和0.049；每幅图像的视盘分割平均花费10 ms。结论:基于深度学习的眼底图像视盘定位方法能快速并准确地定位视盘区域，同时也能够较为精准地分割出视盘边界。

目的:探讨宫颈液基薄层细胞学TBS报告人工智能辅助诊断系统在宫颈癌筛查中的应用价值。方法:收集2020年7至9月间南方医科大学附属南方医院、广州华银医学检验中心、深圳市宝安人民医院（集团）及长沙远安生物科技有限公司共16 317例宫颈液基薄层细胞涂片临床样本及相关资料。利用南方医科大学与锟元方青医疗科技有限公司联合开发的基于深度学习卷积神经网络的宫颈液基薄层细胞学TBS报告人工智能辅助诊断系统，对所有临床样本进行人工智能辅助诊断。以2014版的TBS为评价标准，分析人工智能辅助诊断系统及细胞病理医师运用人工智能辅助诊断系统阅片的灵敏度、特异度及准确度，并比较两种阅片方式所用的时间。结果:人工智能辅助诊断系统在不同制片方式、不同胞质染色及不同仪器扫描下预测宫颈上皮内病变的灵敏度为92.90%，其他病变（包括>45岁妇女子宫内膜细胞及感染性病变）灵敏度为83.55%，阴性样本特异度为87.02%；而细胞病理医师运用人工智能辅助诊断系统分别为99.34%，97.79%及99.10%，且比人工镜下阅片节省约6倍的阅片时间。结论:宫颈液基薄层细胞学TBS报告人工智能辅助诊断系统具有高灵敏度、高特异度及强泛化性等优势，细胞病理医师运用人工智能辅助诊断系统阅片能显著提高阅片的准确率和工作效率。

目的:近年来甲状腺癌发病率显著提高，超声和细针穿刺活检等术前检查不断完善，但仍存在诊断性手术及过度诊疗的现象。本研究旨在探讨利用生物阻抗及深度学习技术对甲状腺组织进行分类的可行性。方法:为了提高分类的准确性，我们设计一套适合甲状腺组织的电阻抗测量系统，采集来自321例患者的331个离体甲状腺标本共1 340项数据集。随后，建立一个基于多特征的一维卷积神经网络（one dimensional convolution neural, 1D-CNN）结合长短期记忆网络（long short-term memory, LSTM）混合模型对甲状腺组织进行分类。其中80%（1 072/1 340）的数据用于训练，另外20%（268/1340）用于测试。采用受试者工作特征曲线（receiver operating characteristic curve，ROC）、宏平均ROC、微平均ROC及曲线下面积（area under the curve，AUC）等指标对甲状腺组织分类模型进行评价。此外，用敏感性、特异性、阳性预测值、阴性预测值和约登指数比较该分类模型与超声的诊断价值。结果:甲状腺组织两分类（恶性/非恶性组织）模型的ROC-AUC=0.94，总体准确率达到91.4%。进一步建立三分类（恶性/良性/正常组织）模型，其中正常、良性和恶性组的ROC-AUC分别为0.91、0.85和0.92，微平均ROC-AUC和宏平均ROC-AUC分别为0.91和0.90。且与超声相比，甲状腺组织分类模型具有更高的特异性。结论:本研究基于生物阻抗及CNN-LSTM建立的甲状腺组织分类模型具有较高的准确率和较好的稳定性，该技术有望在未来的临床应用中提供有用的补充信息，从而有助于甲状腺疾病的治疗决策和管理。

目的:系统评价基于深度学习的智能辅助内镜诊断系统(intelligence-assisted endoscopic diagnosis system based on deep learning，DL-IEDS)对上消化道早癌的诊断价值。方法:系统检索Pubmed、Embase、Web of Science、Cochrane Library、Sinomed、CNKI、维普及万方等中英文数据库中有关运用DL-IEDS诊断上消化道早癌的诊断性试验。纳入的研究按诊断准确性研究质量评价工具-2进行文献质量评价，并采用Rev Man 5.3、Meta-Disc 1.4和Stata 15.1统计软件综合对数据进行Meta分析。结果:最终纳入8篇文献，共9 675张图片，其中早癌图片2 748张。Meta分析结果显示：DL-IEDS诊断上消化道早癌的合并灵敏度、特异度、阳性似然比、阴性似然比及综合诊断比值比分别为0.920、0.874、6.824、0.103及71.109，综合受试者工作特征曲线的曲线下面积(area under the curve，AUC)为0.958 7；其中5篇文献报道了DL-IEDS诊断早期胃癌的结果，数据合并分析后结果显示，DL-IEDS的合并敏感度和特异度分别为0.840和0.845，AUC为0.919；4篇文献报道了内镜专家及内镜经验不足者诊断上消化道早癌的结果，前者合并敏感度、特异度及AUC分别为0.693、0.892及0.892 3，后者分别为0.586、0.860及0.754 5。对DL-IEDS、内镜专家及内镜经验不足者诊断上消化道早癌的AUC进行比较发现，DL-IEDS与内镜专家间差异无统计学意义( Z＝1.510， P＝0.131)，DL-IEDS与经验不足者间差异有统计学意义( Z＝6.841， P<0.001)。 结论:DL-IEDS对上消化道早癌具有较高的诊断准确性，能够明显提高内镜经验不足者对上消化道早癌的诊断能力。

目的:探讨基于计算机深度学习经皮椎板间脊柱内镜下手术视野的多元素识别网络模型的研究及应用价值。方法:回顾性队列研究。纳入2021年9月—2022年3月徐州中心医院脊柱外科行经皮椎板间脊柱内镜下腰椎间盘切除术的腰椎间盘突出患者62例，其中男34例、女28例，年龄27~77（50.0±14.7）岁。收集患者内镜手术视频，选取4 840张经皮脊柱内镜手术视野图片（包含各种组织结构及手术器械）建立图片数据集，按照2∶1∶2分为训练集、验证集和测试集，开发8种基于实例分割的卷积神经网络模型（模型的分割头部分别为Solov2、CondInst、Mask R-CNN及Yolact，主干网络分别设置为ResNet101、ResNet50）。采用边框检测、轮廓分割的均值平均精度（mAP）及图像实时识别的每秒帧数（FPS）来衡量各模型对（神经、黄韧带、髓核等）解剖结构，以及（内镜钳、高速金刚石磨钻等）手术器械的分类、定位及图像实时识别的性能。结果:（1）8种卷积神经网络模型在图像边界框检测的精度方面由高到低依次为Mask R-CNN（ResNet101）、CondInst（ResNet101）、CondInst（ResNet50）、Mask R-CNN（ResNet50）、Yolact（ResNet101）、Yolact（ResNet50），其中，Mask R-CNN（ResNet101）模型精度最高（mAP=68.7%），Yolact（ResNet50）精度最低（mAP=49.7%）。（2）8种卷积神经网络模型在图像轮廓分割的精度方面由高到低依次Solov2（ResNet101）、Solov2（ResNet50）、Mask R-CNN（ResNet101）、CondInst（ResNet101）、Mask R-CNN（ResNet50）、CondInst（ResNet50）、Yolact（ResNet101）、Yolact（ResNet50）。其中，Solov2（ResNet101）精度最高（mAP=70.1%），Yolact（ResNet50）精度最低（mAP=55.2%）。（3）在图像实时识别方面，Yolact模型速度最快，其次为Solov2模型、Mask R-CNN模型，CondInst（ResNet101）速度最慢。结论:基于计算机深度学习的经皮椎板间脊柱内镜手术视野多元素识别模型可以实时识别和跟踪解剖组织及手术器械。其中，Mask R-CNN（ResNet101）模型可用作脊柱内镜操作虚拟教育工具，Solov2（ResNet101）模型可应用于脊柱内镜术中实时辅助系统。

基于影像学的早期肺腺癌浸润性预测，对于肺结节的临床管理、手术方法和预后评估具有重要意义。相比于基于特征构建的统计学方法和影像组学方法，以卷积神经网络为基础的深度学习方法用于预测肺腺癌浸润性具有性能高、可靠性强、自动勾画等优势，有很好的应用前景。目前已有研究对多模态学习、浸润性分类、多任务处理、辅助临床、可解释性等领域进行了探索，并提高了模型的预测准确度。随着融合模态的丰富、多中心大样本的建立、小样本学习方法的应用以及前瞻性研究的开展，深度学习将在肺腺癌浸润性的预测中发挥更重要的作用。