目的 本研究基于半监督算法残差网络(semi-supervised algorithm Residual network,SMRNet)的深度学习方法,探索其在计算机辅助自主分析膝关节MRI诊断前交叉韧带(anterior cruciate ligament,ACL)损伤方面的应用.方法 使用100名经过关节镜确认的ACL损伤患者和100名关节镜确认无ACL损伤的患者的术前MRI图像.在选取适当层面后,裁剪并用于SMRNet的训练.SMRNet对单个MRI切片上ACL损伤的概率进行最终判断.4名临床医师对相同图像进行读片诊断.结果 SMRNet分类的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为97.00％、94.00％、95.50％、94.17％和96.91％.医师的整体阅片情况类似,敏感性区间91.00％～96.00％、特异性区间90.00％～94.00％、准确性区间90.50％～95.00％、阳性预测值区间90.09％～94.12％、阴性预测值区间90.90％～95.92％,二者差异无统计学意义(P＞0.05).结论 经过训练的SMRNet模型在ACL损伤检测上超越部分临床医师,为膝关节MRI诊断提供高效可靠方法,展现深度学习在医学影像的潜力.未来,SMRNet有望成为膝关节MRI诊断的重要工具,为患者提供更精准的诊疗方案.

目的:开发并评估一种针对治疗计划系统（TPS）的调强放疗（IMRT）无监督自动计划方案，使其能够模拟人工进行治疗计划的自动优化。方法:回顾性分析2022年3月至2023年3月浙江省肿瘤医院已经完成放疗的25例胃癌患者资料，患者年龄40~60岁，其中训练集7例，测试集18例。所有患者均采用相同的临床处方剂量标准45 Gy分25次，并接受飞利浦大孔径腹部CT扫描，扫描层厚为5 mm。基于深度强化学习（DRL）框架，提出一种多智能体优化决策网络（MOPN），对多个优化目标进行调整，从而模拟临床人工计划设计的过程。所有病例的自动计划方案均借助Eclipse脚本应用程序接口（ESAPI）进行代码编程，由MOPN模型自动生成。利用Wilcoxon符号秩检验比较自动计划方案与人工计划方案在相关剂量学指标间的差异。结果:初始优化目标经过MOPN调整后，自动计划的平均得分由（576.1±221.2）分上升至（1852.8±294.9）分。与临床人工计划相比，MOPN自动计划在脊髓D max、肝D mean和肝V 5 Gy方面分别降低了21.4%、9.8%和11.5%。 结论:MOPN模型借助ESAPI工具完成了与TPS的数据互通，同时也实现了胃癌IMRT治疗计划的自动化设计。经过训练的MOPN模型可以模仿计划者在优化过程中的人为操作来调整多个目标，逐步改善计划质量。

在公立医院探索高质量发展的进程中，提升采购业务风险管理既是提高医院运营效率和治理效果的内在需要，也是现阶段外部监管的重点。作者结合工作实践和对北京市属公立医院相关人员的深度访谈，分析北京市属公立医院的采购业务风险管理现状，发现存在采购业务风险管理内部环境尚未形成、风险控制活动未能满足风险管理要求、信息沟通机制尚待完善、内部监督不到位等问题。然后基于2017年发布的《企业风险管理：整合战略与绩效》框架(COSO-ERM)，分别从治理和文化、战略和目标设定、绩效、审阅和修订，以及信息、沟通和报告5个方面提出优化采购业务风险管理的建议。可通过调整优化采购业务组织架构，形成三道防线的风险防控协同，打造良好的风险管理内部环境；基于风险考量制定采购战略规划和采购业务目标，完成对风险偏好的有效传导；梳理确定可能存在的风险因素并形成风险清单，采用定性和定量方法评估风险影响程度，科学选择合适的风险应对策略；通过加强多角度监控，动态审视采购风险和绩效，改进采购风险策略；优化信息化管理系统，强化信息沟通与共享，建立有效的报告机制，增强风险管理的效果。

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] 。

目的:了解我国伦理委员会的建设现状，为推进符合我国社会现状的伦理委员会建设提供借鉴。方法:2022年7—8月，采用自行设计的问卷，面向全国的二级及以上医院和疾病预防控制中心/传染病防治院调查伦理委员会的建设情况，采用多阶段分层抽样法进行抽样，对问卷数据进行描述性分析。2022年，依据东中西部经济带分区，分层抽样选取22家伦理委员会，对其秘书进行深度访谈，访谈内容包括伦理审查中遇到的主要问题、针对医学伦理培训工作的具体建议、伦理委员会设立独立的社会第三方评估机构的必要性等。采用扎根理论对访谈资料进行三级编码，并应用NVivo 11.0软件进行覆盖率、情感识别及词频分析。结果:有效回收问卷107份，覆盖23个省级行政区。其中，63家伦理委员会实行独立办公室建制；委员中包含1名伦理专家的有49家，以行政领导身份兼任主任委员者80人；107家均完成了伦理审查章程和制度建设；21家尚未建立跟踪审查机制；33家未开展面向社会公众的教育培训活动，仅有25家机构通过国内外相关伦理认证体系认证。扎根理论分析结果显示，伦理委员会建设中存在的问题可归纳为伦理审查效率与质量、伦理培训、多机构建设3个方面，二级节点中参考点数较多的分别是成员能力( 24个)、工作建设(24个)和培训活动(17个)。结论:当前我国的伦理委员会处于稳步发展中，在基础建设、委员构成、审查监督、教育培训及评估认证等方面尚不够完善，需进一步优化资源配置、完善委员结构和不同专业专家参与伦理审查的比例，并强化区域伦理委员会的建设。

目的:应用注意力机制网络的多实例学习（Attention-MIL）框架技术，实现慢性胃炎多项指标的自动识别。方法:收集2018年1月1日至12月31日复旦大学附属肿瘤医院诊断为胃炎活检病例1 015例和上海市浦东医院诊断为胃炎活检病例115例，所有病理切片经扫描仪进行数字化处理，转化为全载玻片成像（whole slide imaging，WSI），WSI标签依据胃炎病理报告，包含活动性、萎缩和肠化3项指标。所有的WSI分为训练集、单一测试集、混合测试集和外部测试集，Attention-MIL模型在3个测试集上评价自动识别的准确性。结果:Attention-MIL模型在240例WSI单一测试集上的受试者工作特征曲线下面积（AUC）值分别为：“活动性”0.98，“萎缩”0.89，“肠化”0.98，3项指标的平均准确率为94.2%。模型在117例WSI混合测试集上的AUC值分别为：“活动性”0.95，“萎缩”0.86，“肠化”0.94，3项指标的平均准确率为88.3%。模型在115例WSI外部测试集上的AUC值分别为：“活动性”0.93，“萎缩”0.84，“肠化”0.90，3项指标的平均准确率为85.5%。结论:在慢性胃炎的人工智能辅助病理诊断中，Attention-MIL模型的诊断准确性非常接近病理医师的诊断结果，这种弱监督下的深度学习模式适于病理人工智能技术的实际应用。

目的:评估利用深度卷积神经网络（deep convolutional neural network，DCNN）构建的人工智能技术在上消化道内镜检查部位识别中的应用价值。方法:收集中国医学科学院肿瘤医院2019年1月—2021年6月间的21 310张上消化道内镜图片，其中19 191张图片用于深度学习构建部位识别模型，其余2 119张图片用于验证。比较两种DCCN网络构建的模型在上消化道30个部位识别上的性能差异，一种是由Inception-ResNetV2（ResNetV2）构建的传统的ResNetV2模型，另一种是由Inception-ResNetV2 and Squeeze-Excitation Networks（RESENet）构建的混合神经网络RESENet模型，主要观察指标包括识别准确率、灵敏度、特异度、阳性预测值和阴性预测值。结果:ResNetV2模型识别上消化道30个部位的准确率、灵敏度、特异度、阳性预测值和阴性预测值分别为94.62%~99.10%、30.61%~100.00%、96.07%~99.56%、42.26%~86.44%和97.13%~99.75%，RESENet模型对应值分别为98.08%~99.95%、92.86%~100.00%、98.51%~100.00%、74.51%~100.00%和98.85%~100.00%。ResNetV2模型识别上消化道30个部位的平均准确率、平均敏感度、平均特异度、平均阳性预测值和平均阴性预测值分别为97.60%、75.58%、98.75%、63.44% 和98.76%，RESENet模型对应值分别为99.34%（ P<0.001）、99.57%（ P<0.001）、99.66%（ P<0.001）、90.20%（ P<0.001）和99.66%（ P<0.001）。 结论:利用混合神经网络RESENet构建的人工智能辅助上消化道部位识别模型，相较于传统的ResNetV2模型在性能上有明显提高，该模型可用于监测上消化道内镜检查部位的完整性，减少检查中的盲区，有望成为规范上消化道内镜检查并提高检查质量的重要助手，成为上消化道内镜检查质量监督与控制的重要工具。

目的:评估采用单一MRI模拟定位实现鼻咽癌光子和质子放疗计划剂量计算的可行性。方法:回顾性分析2020年1月至2021年12月在中国医学科学院肿瘤医院接受放射治疗的100例鼻咽癌患者的T 1加权MRI图像和CT图像。利用深度学习网络模型将MRI转换成伪CT，训练集、验证集和测试集分别包括70例、10例和20例。深度学习方法采用监督学习的卷积神经网络（CNN）和无监督学习的循环一致性生成对抗网络（CycleGAN）两种方法。利用平均绝对误差（MAE）和结构相似性（SSIM）等定量评估图像质量，利用γ通过率和剂量体积直方图（DVH）评估剂量。用Wilcoxon符号秩检验来统计分析伪CT的图像质量。 结果:图像生成方面，CNN和CycleGAN模型的MAE分别为（91.99±19.98）HU和（108.30±20.54）HU，SSIM分别为0.97±0.01和0.96±0.01。剂量学方面，伪CT用于光子剂量计算的准确性高于质子。光子放疗计划的γ通过率（3 mm/3%）分别为：CNN模型99.90%±0.13%，CycleGAN模型99.87%±0.14%，且均大于98%。质子放疗计划分别为：CNN模型98.65%±0.64%，CycleGAN模型97.69%±0.86%。DVH的指标显示，伪CT的光子计划中剂量数值一致性优于质子计划。结论:基于深度学习的模型能从MRI图像生成准确的伪CT，大多数剂量学差异都在光子和质子放疗的临床可接受范围内，只用MRI成像的工作流程对鼻咽癌患者放疗是可行的。但与原始CT相比，伪CT图像在鼻腔区域的CT值误差较大，临床使用时应特别注意。

目的:应用多模态深度学习模型对糖尿病视网膜病变（DR）超广角荧光素眼底血管造影（UWFA）图像进行病变程度的自动分级。方法:回顾性研究。2015年至2020年于武汉大学人民医院眼科中心就诊并接受UWFA检查的DR患者297例399只眼的798张图像作为模型的训练集和测试集。其中，无视网膜病变、非增生型DR （NPDR）、增生型DR （PDR）分别为119、171、109只眼。通过联合优化CycleGAN和卷积神经网络（CNN）分类器一种图像级监督深度学习模型，定位和评估DR患眼UWFA早期和晚期正位图像中的荧光素渗漏区和无灌注区。使用改进后的CycleGAN将带有病变的异常图像转换为去除病变的正常图像，得到含有病变区域的差分图像；使用CNN分类器对差分图像进行分类以获得预测结果。采用五折交叉检验评估模型的分类准确率。对差分图像显示的标志物面积进行量化分析，观察缺血指数和渗漏指数与DR严重程度的相关性。结果:生成图像基本去除了所有病变区域，同时保留了正常血管结构；差分图像直观揭示了生物标志物的分布；热力图标示出渗漏区域，定位基本与原图中病变区域一致。五折交叉检验结果显示，模型的平均分类正确率为0.983。进一步对标志物面积量化分析结果显示，缺血指数和渗漏指数与DR严重程度均呈显著正相关（ β=6.088、10.850， P<0.001）。 结论:构建的多模态联合优化模型可以准确对NPDR和PDR进行分类并精确定位潜在的生物标志物。

目的:通过深度学习方法，探讨病理形态学与乳腺癌HER2过表达/扩增的关系。方法:采集2012—2018年中日友好医院345张乳腺癌HE染色切片，所有样本均拥有HER2的准确诊断结果，并包含0、1+、2+、3+多种HER2类型。数字化扫描后，204张用于弱监督模型训练，141张用于模型测试。在训练过程中，首先通过癌区识别模型，提取热点区域，随后将热点区域输入弱监督分类模型进行深度学习模型的建立。在测试过程中，对比使用单阈值与双阈值策略的效果，验证双阈值策略在临床可用性方面的作用。结果:在单阈值策略下，深度学习模型可达到81.6%的灵敏度及42.1%的特异度，AUC=0.67［95% CI（0.560，0.778）］。采用双阈值策略，模型的灵敏度为96.3%，特异度达到89.5%。 结论:仅使用HE组织学切片，通过深度学习技术，能够以一定的准确率实现乳腺癌HER2基因状态的预测。基于双阈值策略，能够以高灵敏度和特异度筛出大量样本。