人工神经网络（ANN）是一种驱动人工智能（AI）的网络框架，其中采用经典卷积神经网络（CNN）进行胚胎质量评估可进行固定时间节点胚胎细胞计数和图像识别；采用全连接的深度神经网络（DNN），胚胎图像识别准确度提升，适用于较高硬件配置以及需要整合临床信息进行综合预测；残差网络通过增加层数提高准确度并通过跳跃连接解决梯度消失问题，实现动态胚胎评估。贝叶斯网络（BN）机器学习擅长推理，在条件缺失情况下可通过推理弥补数据不足，可结合临床复杂信息进行综合预测评估；支持向量机（MLP）机器学习存在梯度消失与爆炸，容易丢失图像部分空间特征，适用于小样本评估。ANN在预测胚胎植入率、胚胎非整倍体方面具有一定优势，开发新的胚胎质量评估方法减少侵入性检测是人类辅助生殖技术（ART）重要研究方向。

目的 构建基于乳腺X线多视图的深度学习框架(Network based on mammography multiple views,MMV-Net),评价模型对乳腺良性和恶性肿块的分类效能.方法 回顾性分析 2018-2020 年哈尔滨医科大学附属肿瘤医院 1 585 例乳腺X线图像数据集,其中良性 806 例,恶性779 例,按8∶2 分为训练集(n=1268)和测试集(n=317),并按照5 折交叉验证对训练集进行分层,采用集成的DDSM数据集和INBreast数据集作为外部测试集(n=1 645)来评估模型性能.输入层每个病例包含 4 个视图,通过删除ResNet22 网络模型的最后两层网络结构并加入平均池化层作为特征提取层,以及分别加入全连接层和softmax激活函数作为决策层构建MMV-Net模型,使用贝叶斯超参数优化.比较MMV-Net、MFA-Net和集成Inception V4 模型在AUC值、准确率、精确率、召回率和F1 分数上的表现.结果 MMV-Net模型在测试集上区分良性和恶性肿块的AUC值为0.913,MFA-Net的AUC为0.882,Inception V4 的AUC为0.865;MMV-Net模型的准确率和精确率等评估指标也高于其他两种模型.结论 基于乳腺X线多视图的深度学习MMV-Net模型有助于乳腺良性和恶性肿块的分类.

目的 开发并评估一种基于数据驱动的重症监护病房脱机拔管预测模型.方法 收集重症监护病房有创机械通气患者的非时序数据、低频生命体征时序数据和高频机械通气时序数据,采用决策树、朴素贝叶斯、支持向量机、分类集成、广义线性模型和神经网络等算法构建预测模型,并进行性能评估.结果 共纳入204例患者,其中脱机成功患者122例,失败患者82例.含有163例高频机械通气时序数据的深度神经网络模型在预测脱机拔管成功率方面表现最佳,准确度94.2％,AUC值0.81,灵敏度100％,特异性80％.其他模型表现相对逊色,分类集成模型的准确率75％,AUC值0.76,灵敏度83.3％,特异性62.5％.结论 利用远程高频时序数据建立的深度神经网络模型在预测重症监护病房患者脱机拔管成功率上展现出卓越性能,明显超越未采用此类数据的模型.

目的 通过卷积神经网络对冠心病痰湿证的舌象进行分类识别,提高冠心病痰湿证舌象识别准确率.方法 选取2020年10月至2022年8月在内蒙古自治区乌兰浩特市妇幼保健院、陕西中医药大学第二附属医院等地采集到的200例冠心病患者,其中痰湿证组、非痰湿证组各100例,运用ConvNeXt模型、朴素贝叶斯网络、K近邻模型、决策树算法、支持向量机模型进行舌象分类辨识.结果 不同模型的舌象分类平均准确度均在50％以上,ConvNeXt模型的平均准确度最高为89.44％;ConvNeXt模型验证集中痰湿证和非痰湿证2个类别的平均准确度、精确率、F1值和召回率均接近90％.结论 使用ConvNeXt模型进行舌象分类识别,能够较为准确地从舌诊上区分冠心病痰湿证与非痰湿证,客观化的人工智能识别技术,可以辅助冠心病痰湿证的临床诊断,有助于中医舌诊客观化研究的发展.

数字病理学(digital pathology,DP)是通过复杂的计算机技术将组织学切片转换为数字图像的过程,以便基于机器学习(machine learning,ML)技术对病理信息进行处理与解释[1].ML是人工智能(artificial intelligence,AI)的分支,其传统方法包括随机森林、逻辑回归、贝叶斯方法和C5决策树等,而现代深度学习算法包括卷积神经网络(convolutional neural network,CNN)、递归神经网络、长短时记忆网络和深度信念网络等.深度学习算法模拟人脑神经元,数千层的神经元构成神经网络,而每一层的神经元则会接收来自对应底层神经元的信息输入,随后使用监督、无监督或半监督学习来提取图像特征,加以整合,调整后传递给下一层神经元[2].

目的:构建基于临床及超声影像组学联合深度学习(DL)模型,并评估其预测甲状腺结节恶性风险的价值.方法:回顾性分析 164 例经手术证实初发甲状腺结节超声影像资料,将这些资料按照 7 ∶ 3 的比例分为训练集和测试集.采用t检验和χ2 检验筛选恶性甲状腺结节的独立风险因素作为风险模型的临床特征.基于超声图像提取并筛选最佳影像组学特征以构建影像组学标签评分(Rad-score),提取并筛选最佳DL特征以构建DL标签评分(DL-score),并构建影像组学-DL模型.基于临床风险指标、Rad-score及DL-score尝试使用 9 种算法构建联合模型.绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估各模型及甲状腺结节良恶性准确率的预测效能,应用决策曲线分析(DCA)对比不同模型的临床获益.结果:年龄、性别、边界的形状、回声类别为甲状腺恶性结节的独立风险因素.DCA显示XGboost联合模型的临床获益高于其他诊断模型.XGboost联合模型在 9 种模型中表现最优,高于logistics回归、朴素贝叶斯(Naive-Bayes)、支持向量机(Support Vector Machine,SVM)、K邻近算法(K-NearestNeighbor,KNN)、监督学习集成模型(Light Gradient Boosting Machine,LightGBM)、GradientBoosting、Ada-Boost、前馈神经网络多层感知器(Multi-Layer Perceptron,MLP)模型,测试集AUC为 0.93,随后建立影像组学列线图,能够方便准确地判断甲状腺结节良恶性.结论:基于临床及超声影像组学联合深度学习模型可有效预测甲状腺结节的良恶性.

目的:设计基于二维查找模型和ZigBee网络的CT扫描设备故障远程检测方法,提高CT扫描设备故障检测准确率.方法:采用ZigBee网络技术从环境因素、电气因素和气路因素采集CT扫描设备运行状态数据,根据监测数据提取其中的时频域信号,将提取的故障信号特征参数进行融合,采用二进制反向变换将故障数据转化为平稳的时间序列,抑制数据的波动性,并通过建立相应的二维查找模型与匹配函数计算故障数据的依赖度,以此为依据,引入贝叶斯评价函数实现对设备故障的远程检测.选取医院临床在用的大型CT扫描仪为实验样机,同时随机选取使用与实验样机型号与配置相同的80台次CT扫描设备的550条实际故障数据为训练样本,对比CT扫描设备故障远程检测方法与长短时记忆网络(方法1)和深度信念网络(方法2)检测方法的准确率.结果:设计的CT扫描设备故障远程检测方法仅在状态标签5出现检测错误,但判断误差在可控范围.5次故障检测实验中,CT扫描设备故障远程检测方法得到的检测准确率均＞80%,远高于方法1与方法2.结论:CT扫描设备故障检测方法具有较高的检测准确率,能够实现CT扫描设备故障远程检测的实际需求.

目的 利用特征选择及Likert分级法量化肺癌病历数据,构建基于麻雀搜索算法优化的深度极限学习机模型,对肺癌中医病历数据进行证型分类与预测,为中医证型分类研究提供科学有效手段.方法 从江西中医药大学附属医院收集了2015年1月-2021年12月诊断为肺癌的497例病历,筛选412例病历作为研究对象.利用特征选择和特征重要性排序等方法归纳出不同证型的证型因子,并使用Likert分级法量化证型因子.构建基于麻雀搜索算法优化的深度极限学习机,对模型进行训练、测试.最后把本研究所建模型与其他机器学习模型按照3种评价标准进行比较.结果 本研究建立的SSA-DELM模型的平均分类准确率为88.44%,而采用支持向量机和贝叶斯网络的平均准确率分别为83.39%和84.53%.SSA-DELM模型在5种证型上的召回率及F1值大部分在80%以上,也优于其他传统的机器学习模型.结论 研究结果表明,利用特征选择结合Likert分级法量化后的肺癌病历数据,相比于0-1化处理的数据更能显现出数据的特征,提高了分类模型的准确率,SSA-DELM新模型相比其他传统的机器学习分类模型,有更好的表征学习能力及学习速度.该模型不仅为临床治疗肺癌的研究提供了科学的技术手段,也为中医辨证论治的信息化、智能化发展提供有益的借鉴.

森林郁闭度(FCC)是评价森林资源和生物多样性的重要参数,利用多源遥感协同手段以较小成本高精度实现区域FCC反演是当前研究热点.本研究以星载激光雷达ICESat-2/ATLAS为主要信息源,结合54块实测样地数据,采用贝叶斯优化(BO)算法改进后的随机森林(RF)、K-最近邻值法(KNN)、梯度回归(GBRT)模型获取光斑尺度ATLAS光斑内FCC,协同多源遥感影像Sentinel-1/2及地形因子基于BO算法优化后的全连接深度神经网络模型(DNN)进行区域尺度的滇西北香格里拉市FCC遥感估测.结果表明:在提取的50个ATLAS激光雷达光斑参数指标中,经RF特征变量优选后,6个特征参数(乔木冠层百分比、冠层顶光子相对高度的标准差、冠层高度最小值、区段内98％冠层高度值与冠层高度中位数的差值、冠层顶部光子数、表观反射率)贡献率较大,可作为光斑尺度遥感估测模型变量.在BO-RF、BO-KNN、BO-GBRT模型中,以BO-GBRT模型估测的FCC结果最优,留一交叉验证的决定系数(R2)为0.65、均方根误差(RMSE)为0.10、绝对残差均值(RS)为0.079,预测精度(P)为0.792,可作为研究区有林地74808个ATLAS光斑的FCC估测模型.以有林地ATLAS光斑尺度FCC值作为区域尺度BO-DNN模型的大样本数据,联合多源遥感因子进行研究区FCC估测,十折交叉验证的BO-DNN模型验证精度为R2=0.47、RMSE=0.22、P=0.558.使用BO-DNN模型估测及普通克里格(OK)插值的研究区FCC均值分别为0.46、0.52,主要分布在0.3～0.6,分别占比77.8％、81.4％.直接通过OK插值方法获取FCC效率较高(R2=0.26),但预测精度明显低于BO-DNN模型(R2=0.49).FCC高值区域在研究区由西北向东南贯穿分布,北部地区和东南部分别为FCC高值、低值主要分布区.基于ICESat-2/ATLAS高密集光斑进行山地FCC估测具有一定优势,以光斑尺度的小样本数据估测结果可作为区域尺度深度学习模型的大样本数据,能为光斑尺度上推至区域尺度低成本、高精度估测FCC提供一种参考.

阐述了机器学习的定义及分类,介绍了决策树、贝叶斯网络、人工神经网络、支持向量机、深度学习等经典算法,重点分析了机器学习在疾病预测、疾病辅助诊断、疾病预后评估、新药研发、健康管理、医学图像识别等医疗领域的应用情况,指出了机器学习在医疗领域的应用还可拓展到病案推理、药物警戒等方面,对于进一步提升整个医疗行业的发展意义重大.