目的:基于U-Net网络深度学习的方法，实现在放疗临床中低能锥形束CT(CBCT)图像转换成高能CBCT图像，以期提供双能CBCT成像图像基础且降低辐射剂量。方法:利用放疗机载CBCT设备采集CIRS电子密度模体和CIRS头部体模在80和140 kV能量下的CBCT图像数据，数据集按10∶1分为训练集和测试集。利用U-Net网络从低能量(80 kV)CBCT图像预测高能量(140 kV)下CBCT图像。采用平均绝对误差(MAE)、结构相似度指数(SSIM)、信噪比(SNR)和峰值信号噪声比(PSNR)4种度量指标，定量评价预测高能CBCT图像。结果:预测高能图像与真实高能图像之间总体结构差异较小(SSIM：0.993 ±0.003)。预测高能图像噪声较低(SNR：15.33±4.06)，但组织间分辨力有损失。预测高能图像比真实高能图像平均CT值偏低，在低密度组织中差异较小(<10 HU， P > 0.05)，而在高密度组织中差异大(< 21 HU， t ＝ －7.92， P < 0.05)。 结论:利用深度学习方法可以从低能CBCT图像获得结构相似度高的高能CBCT图像，预测高能图像具有应用于放疗临床双能CBCT成像技术中的潜力。

目的:开发1项基于12导联心电图的机器学习模型预测冷冻球囊消融术后心房颤动（房颤）复发。方法:本研究为前瞻性、单中心队列研究。纳入2020年5月至2023年9月就诊于天津医科大学第二医院并接受冷冻球囊消融术的房颤患者。收集患者临床资料以及术前和术后24 h内的标准12导联心电图。利用XGBoost方法构建3种基于术前和术后心电图数据差异的人工智能心电图模型。这些模型考虑了心电图参数、心电图深度特征、早期复发和基线房颤类型等55个特征的不同组合，并对其在模型预测中的重要性进行排序。结果:共入选患者201例，年龄（68.0±9.3）岁，其中男91例（45.3%，91/201）。随访222（124，368） d，26例（12.9%，26/201）患者复发。最佳机器学习模型是以术前、术后心电图深度特征差值作为输入的模型，受试者工作特征曲线的曲线下面积（ AUC）为0.872，F1得分为0.600，敏感度（召回率）为60.0%，特异度为94.4%，准确度为90.2%。 结论:人工智能辅助分析心电图能够预测冷冻球囊消融术后房颤复发。

本研究目的是建立一个可家用的能直接显示龋病范围的深度学习分割模型。收集解放军总医院第一医学中心口腔科门诊2019年9月至2021年6月共494张用内窥镜采集的、含有龋齿的磨牙和前磨牙照片，由医师进行标注后用DeepLabv3+进行分割训练，随后进行验证和评估。建立的深度学习分割模型识别龋病的平均准确度为0.993，灵敏度为0.661，特异度为0.997，Dice系数为0.685，并交比（IoU）为0.529。本研究建立的深度学习分割模型可以识别并分割出龋病范围。

气道黏液栓是支气管哮喘（简称哮喘）的重要临床特征，和疾病预后有关。临床上，胸部CT是评估气道黏液栓的首选工具。目前CT影像的解读依赖于人工阅片，但哮喘患者的气道黏液栓多分布于中小气道，肉眼难以识别，同时人工阅片过度依赖于医生的经验，效率低下。近年来，深度学习和大数据技术不断进展，将人工智能（AI）辅助阅片技术引入临床应用，显著提高了黏液栓识别的效率和准确性。当下AI辅助气道黏液栓识别在囊性纤维化、慢性阻塞性肺疾病和哮喘等呼吸道疾病中均有应用，在黏液栓识别方面的高准确性以及与人工阅片的高一致性也得到证实。因此将AI技术应用于哮喘患者黏液栓的识别十分有意义。

超声可进行无创、实时、动态显像，有助于低成本、快速评估风湿性疾病肌肉骨骼系统。由于超声图像受到操作者依赖性、患者依赖性和仪器依赖性的影响，同时存在风湿性疾病异质性等多种因素，因此超声成像临床应用变得具有挑战性。本综述概述了机器学习技术和深度学习方法在风湿病肌骨损伤中的应用，介绍了多种人工智能技术在滑膜、软骨、肌肉组织中的定位、诊断病变，以及疾病活动性分析中的作用；此外，还探讨了人工智能在肌肉骨骼超声实践中所面临的挑战和机遇。

为了提高医学微生物课程教学质量，授课教师依据布鲁姆学习目标分类法，从记忆、理解、应用、分析、评价和创新六个层次构建教学大纲，制定教学目标，设计教学方法，指导教师备课。旨在激发学生的学习热情，促进学生深度学习和开拓创新能力。

目的:通过构建基于深度学习模型的计算机辅助龋病诊断系统，检测根尖X线片图像中恒牙邻面龋，为邻面龋的早期诊断提供参考。方法:选择福建医科大学附属口腔医院口腔颌面外科门诊提供的因正畸需要或无保留价值而拔除的人离体恒前磨牙及磨牙160颗（外观完整或邻面龋洞缘位于釉质牙骨质界之上），拍摄根尖X线片，进行组织学检测并分级（0级：无龋坏；1级：龋坏达釉质外1/2；2级：龋坏达釉质内1/2；3级：龋坏达釉质牙本质界；4级：龋坏达牙本质外1/2；5级：龋坏达牙本质内1/2）。根据组织学分级将160颗离体牙根尖X线片均分为训练集和测试集（各80颗）。由2名评估者参照组织学图像对训练集根尖X线片进行龋坏标记，建立基于深度学习模型的计算机辅助龋病诊断系统。由另2名评估者和计算机辅助龋病诊断系统分别对测试集根尖X线片进行邻面龋诊断。以组织学检测结果作为金标准，通过受试者工作特征曲线（receiver operating characteristic curve，ROC）综合评估肉眼诊断和计算机辅助龋病诊断系统的灵敏度和特异度，利用ROC曲线下面积（areas under the ROC curve，AUC）值比较两种诊断方法的总体诊断准确性。通过查准率-查全率（precision-recall，P-R）曲线综合评估两种诊断方法对龋坏样本的查准查全能力。通过灵敏度（即查全率）、特异度、阳性预测值（positive predictive value，PPV）（即查准率）和阴性预测值（negative predictive value，NPV）及其95%置信区间（confidence interval， CI）进一步比较两种诊断方法的准确性。 结果:对测试集离体牙根尖X线片，肉眼诊断与计算机辅助龋病诊断系统诊断的AUC值分别为0.729（95% CI：0.650~0.808）和0.762（95% CI：0.685~0.839），差异无统计学意义（ P>0.05）。计算机辅助龋病诊断系统与肉眼诊断的特异度、PPV、NPV差异均无统计学意义（ P>0.05）。计算机辅助龋病诊断系统的灵敏度（76.7%）显著大于肉眼诊断（59.3%）（ P<0.05）。肉眼诊断对恒牙邻面1级龋坏的灵敏度（27%）显著小于计算机辅助龋病诊断系统（77%）（ P<0.05）。 结论:与肉眼相比，计算机辅助龋病诊断系统对恒牙邻面釉质龋，尤其是局限于釉质内的早期龋坏更灵敏。本项研究建立的计算机辅助龋病诊断系统诊断准确性与评价者肉眼诊断的准确性相似。

目的:探究一种融合了SAM-YOLOV 5深度学习网络和图像处理技术的人工智能(AI)新模型在乳腺影像报告与数据系统(BI-RADS)4类肿块超声动态视频良恶性分类中的应用。方法:回顾性收集2019年5月至2023年6月汕头大学医学院第一附属医院经病理证实的BI-RADS 4类的乳腺肿块患者458例(530个肿块)，按7∶3的比例进行模型的训练和测试，分析模型的ROC曲线下面积(AUC)、敏感性、特异性、阳性预测值、阴性预测值。先与单张静态图像下的测试效果进行比较，再与3个传统的深度学习网络以及高、低年资医师组的测试效果进行比较。分析新模型在BI-RADS 4a、4b、4c类肿块中的诊断效能。结果:二维超声动态视频在新模型中测试所得到的AUC、敏感性、特异性、阳性预测值、阴性预测值高于使用单张超声静态图像(均 P<0.05)。基于二维超声动态视频下，新模型的AUC、敏感性、特异性、阳性预测值、阴性预测值高于3个深度学习网络模型(YOLOV 5、VGG 16、Resnet 50)和低年资医师组(均 P<0.05)，低于高年资医师组(其中仅特异性、阴性预测值 P<0.05)。新模型对BI-RADS 4b类肿块诊断效能最低。 结论:基于SAM-YOLOV 5深度学习网络和图像处理技术开发的用于BI-RADS 4类乳腺肿块动态超声分类诊断的新模型有较高的诊断价值，有望用于辅助临床诊断。

目的:调查应急远程教学情境下医学本科生的外语学习动机和学业表现的关系。方法:本文的研究对象为131名2018级医学专业本科生。使用学习动机与策略问卷（motivated strategies for learning questionnaire，MSLQ）的学习动机部分测量学生的学习动机。采用SPSS 27.0对数据进行统计学分析。使用Spearman相关系数来描述学习动机和学业表现间的关系；使用非参数Mann-Whitney U检验对比不同特征的学生之间的差异。 结果:①学习信念、自我效能、学习目标、任务价值感4个维度两两存在正相关关系，且关系显著；②学业表现与自我效能、学习目标感之间存在正相关关系，且关系显著；③高表现组与低表现组的自我效能和学习目标上的差异具有统计学意义；④男生和女生的学习动机差异不具有统计学意义。结论:网络学习情境下，需增强大学英语学习的自我效能感，设置注重深度学习的学习目标，提升学习任务价值感和学习信念。

目前医疗和公共卫生系统已经进入大数据时代，越来越多的大型数据集被用于生成算法，以指导患者医疗、护理的质量改进和公共卫生监测 [ 1, 2] 。我国每年实施5 000万例手术，优化围术期麻醉管理对减少术后并发症及提高生存率有重要意义。尽管利用深度学习等监督学习算法可以对围术期严重不良事件进行预警 [ 3, 4, 5, 6] ，但手术患者个体差异大，病情变化快且复杂，若诊断不明确以及治疗效果不确切，难以指导外科/麻醉医生持续准确做出优化的个体化麻醉医疗决策，亟需新的算法研究。目前外科学专家们开始高度关注强化学习(RL)在围术期医疗决策中的应用 [ 1, 7] 。RL的特性使其在围术期大量动态、高维、复杂、罕见分布的时序数据分析上具备显著优势，可形成更高级别的循证医学证据指导围术期医疗决策，具备显著的应用前景 [ 1, 2, 7, 8, 9] 。