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:基于不同监督机器学习算法，构建并验证适用于脓毒性休克患者28 d死亡风险的最佳预测模型。方法:从美国重症监护医学信息数据库Ⅳ v2.0（MIMIC-Ⅳ v2.0）中筛选出符合脓毒症3.0的脓毒性休克患者，随机抽取病例，其中70%作为训练集，30%作为验证集。从人口学特征及基础生命体征、入重症监护病房（ICU）24 h内血清学指标及可能影响指标的合并症、功能评分及高级生命支持3个层面提取相关预测变量。比较基于决策树分类回归树（CART）、随机森林（RF）、支持向量机（SVM）、线性回归（LR）及超级学习器〔SL，综合了CART、RF和极端梯度提升（XGBoost）〕5种主流机器学习算法构建的模型对脓毒性休克患者28 d死亡的预测效能，筛选最佳算法模型。利用LASSO回归、RF和XGBoost算法，通过取交集确定最佳预测变量，构建预测模型。采用受试者工作特征曲线（ROC曲线）验证模型的预测效能；采用校准曲线评估模型的准确性；采用决策曲线分析（DCA）验证模型的实用性。结果:最终共纳入3?295例脓毒性休克患者，28 d存活2?164例，死亡1?131例，病死率为34.32%；其中，训练集2?307例（28 d死亡792例，病死率为34.33%），验证集988例（28 d死亡339例，病死率为34.31%）。基于训练集数据分别建立5种机器学习模型；在纳入3个层面的变量后，RF、SVM、LR 3种机器学习模型在验证集预测脓毒性休克患者28 d死亡的ROC曲线下面积（AUC）依次为0.823〔95%可信区间（95% CI）为0.795～0.849〕、0.823（95% CI为0.796～0.849）、0.810（95% CI为0.782～0.838），高于CART算法模型（AUC＝0.750，95% CI为0.717～0.782）和SL算法模型（AUC＝0.756，95% CI为0.724～0.789），故将以上3种算法模型确定为最佳算法模型。综合3个层面变量后，通过LASSO回归、RF和XGBoost算法筛选并取交集，得出16个最佳预测变量，依次为入ICU 24 h内pH最大值、白蛋白（Alb）最大值、体温最大值、血乳酸（Lac）最小值、Lac最大值、血肌酐（SCr）最大值、Ca 2+最大值、血红蛋白（Hb）最小值、白细胞计数（WBC）最小值、年龄、简化急性生理学评分Ⅲ（SAPSⅢ）、WBC最大值、急性生理学评分Ⅲ（APSⅢ）、Na +最小值、体质量指数（BMI）及活化部分凝血活酶时间（APTT）最小值。ROC曲线分析显示，以上述16个最佳预测变量构建的Logistic回归模型为最佳预测模型，在验证集中的AUC为0.806（95% CI为0.778～0.835）；校准曲线及DCA曲线显示，该模型的精准度较高，且净收益最高可达0.3，其预测效能明显优于传统以单一功能评分〔APSⅢ评分、SAPSⅢ评分、序贯器官衰竭评分（SOFA）〕建立的模型〔AUC（95% CI）分别为0.746（0.715～0.778）、0.765（0.734～0.796）、0.625（0.589～0.661）〕。 结论:以pH值、Alb、体温、Lac、SCr、Ca 2+、Hb、WBC、SAPSⅢ评分、APSⅢ评分、Na +、BMI、APTT等16个最佳变量构建的Logistic回归模型为脓毒性休克患者28 d死亡风险的最佳预测模型，其效能稳定，区分度及精准度均较高。

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:基于机器学习提出可应用于低图像质量、多叶准直器(MLC)遮挡和非刚性变形兆伏级(MV)图像的无标记射束方向观(BEV)肿瘤放疗跟踪算法。方法:采用窗口模板匹配法和Voxelmorph端到端无监督网络，处理MV图像中的配准问题。使用动态胸部模体，验证肿瘤跟踪算法的准确性。将模体质量保证(QA)计划在加速器上手动设置治疗偏移后执行，收集治疗过程中的682幅电子射野影像系统(EPID)图像作为固定图像；同时采集计划系统中对应射野角度的数字影像重建(DRR)图作为浮动图像，进行靶区跟踪研究。收集21例肺部肿瘤放疗的533对EPID和DRR图像进行肿瘤跟踪研究，提供治疗过程中肿瘤位置变化定量结果。图像相似度用于算法的第三方验证。结果:算法可应对不同程度(10%~80%)的图像缺失，且对数据缺失图像的非刚性配准表现较好。模体验证中86.8%的跟踪误差<3 mm，<2 mm的比例约80%作用。配准后标准化互信息(NMI)由1.18±0.02提高到1.20±0.02( t＝－6.78， P＝0.001)。临床病例肿瘤运动以平移为主，平均位移3.78 mm，最大位移可达7.46 mm。配准结果显示存在非刚性形变，配准后NMI由1.21±0.03增至到1.22±0.03( t＝－2.91， P＝0.001)。 结论:肿瘤跟踪算法跟踪精度可靠且鲁棒性好，可用于无创、实时、无额外设备和辐射剂量的肿瘤跟踪。

目的:通过公共基因芯片数据库(GEO)，分析铁死亡相关基因（FRGs）在增殖型狼疮肾炎（PLN）中的表达及与临床指标的相关性。方法:从GEO数据库中下载GSE65391数据集，运行R语言的limma包，采用Wilcox秩和检验，对514例PLN患者与72名健康对照者的外周血基因表达量进行差异分析。然后对差异基因进行基因本体论(GO)和京都基因与基因组百科全书(KEGG)分析。最后通过随机森林树（RF）、支持向量机（SVM）、有监督模型（XGB）和广义线性模型（GLM）4种机器学习算法进一步筛选核心基因，采用Spearman相关系数分析其与临床指标的相关性。结果:PLN患者与健康对照组相比，有38个差异FRGs，其中16个上调，22个下调。GO富集显示差异基因的生物学过程集中在细胞对化学应激的反应，细胞组成主要为转录调节复合物，分子功能主要为结合DNA转录因子。KEGG通路主要为NOD样受体信号通路。GLM算法为最佳的机器学习算法，根据基因重要性评分筛选出10个基因作为核心基因，其中Myb原癌基因（MYB）的评分最高，其与SLEDAI评分（ r=0.21， P<0.001）、ALT（ r=0.20， P<0.001）、AST（ r=0.18， P<0.001）、LDH（ r=0.31， P<0.001）、肌酐（ r=0.24， P<0.001）和ESR（ r=0.22， P<0.001）等指标呈正相关，与白蛋白（ r=-0.28， P<0.001）呈负相关。 结论:FRGs可能为研究PLN的潜在发病机制提供新的思路。

目的:探讨机器学习层次聚类算法用于先天性眼球震颤（CN）眼动波形自动分类和波形诊断的可行性。方法:回顾性病例系列研究。收集2018年12月至2019年9月就诊于天津市眼科医院的90例（90只眼）CN患者资料，其中男性67例，女性23例，年龄（12±9）岁。所有患者采用高速视频眼动仪记录眼动波形。对标准化后的眼动波形进行无监督机器学习层次聚类分析，获得可视化分类结果并予以波形命名，统计每种波形的发生比例，分析波形成分与CN患者视功能的相关性。统计学方法为独立样本 t检验和Pearson相关性分析。 结果:在90例（90只眼）CN患者的46 620个有效眼动波形中，通过机器学习层次聚类算法自动分出7种波形，分别命名为波形Ⅰ（14 259个，30.59%）、波形Ⅱ（11 498个，24.66%）、波形Ⅲ（4 083个，8.76%）、波形Ⅳ 1（5 430个，11.65%）、波形Ⅳ 2（3 451个，7.40%）、波形Ⅳ 3（3 015个，6.47%）及波形Ⅳ 4（2 663个，5.71%）；有2 221个（4.76%）波形未分类。波形Ⅰ、Ⅱ、Ⅲ分别与3种CN基本眼动波形即速度递增型冲动型、速度递减型冲动型及钟摆型波形相符，波形Ⅳ 1~4为复杂波形。波形Ⅰ、Ⅱ、Ⅲ及Ⅳ 1~4在90例患者中的发生比例依次为78.89%（71例）、41.11%（37例）、17.78%（16例）、20.00%（18例）、7.78%（7例）、15.56%（14例）和11.11%（10例）。38例（42.22%）患者仅表现为1种眼动波形，其余52例（57.78%）同时存在2种或2种以上眼动波形，其中23例（25.56%）存在3种或3种以上眼动波形，5例（5.56%）存在4种眼动波形。患者眼动波形中波形Ⅰ所占比例与最佳矫正视力（最小分辨角对数视力）有显著相关性（ r=-0.39； P<0.01），波形Ⅱ所占比例与最佳矫正视力无相关性（ P>0.05）。以波形Ⅰ为主导的CN患者的最佳矫正视力（0.19±0.14）优于以波形Ⅱ为主导的CN患者（0.45±0.37），差异有统计学意义（ t=2.77； P<0.05）。 结论:机器学习层次聚类算法可实现CN眼动波形的自动分类和波形诊断，为CN的精准诊断与评估提供辅助依据。

目的:探讨不同机器学习的影像组学模型预测三阴性乳腺癌（TNBC）新辅助治疗远期复发转移风险的价值。方法:回顾性分析2011年8月至2017年5月上海复旦大学附属肿瘤医院和上海交通大学医学院附属瑞金医院的150例接受新辅助化疗和手术切除后经病理组织学证实的TNBC患者临床及影像资料。将上海复旦大学附属肿瘤医院的109患者作为训练组，将上海交通大学医学院附属瑞金医院的41例患者作为验证组。基于治疗前动态对比增强MRI（DCE-MRI）提取的影像组学特征，并加入时间域特征，训练组使用最小绝对收缩和选择算子交叉验证法和递归特征消除法进行特征筛选。采用6种（逻辑回归、线性判别分析、K最近邻、朴素贝叶斯、决策树和支持向量机）具有监督学习的不同机器学习算法来预测远期复发转移的能力，使用ROC、准确率以及F1度量值评价6种算法的优劣，并通过验证组进行验证。结果:支持向量机算法在基于15个影像组学特征的复发转移模型中预测效果最好，具有最高的曲线下面积（训练组为0.917，验证组为0.859）、准确率（训练组为87.5%，验证组为82.9%）以及F1度量值（训练组为0.800，验证组为0.741）。15个影像组学特征中，时间域特征为12个、空间域特征为3个。结论:加入时间域特征的DCE-MRI机器学习影像组学模型有助于预测TNBC新辅助化疗的远期预后，为临床决策及随访管理提供支持。

目的:对比线性回归模型与四种机器学习算法对临床医学研究生学习行为的预测效能，探讨不同预测模型的优缺点和适用性。方法:以全国6 922名临床医学研究生的调查数据为例，通过自评学习行为量表获得综合得分；在训练集中，分别利用Lasso线性回归和人工神经网络、决策树、Bootstrap随机森林、提升树四种监督式机器学习算法建立预测模型；对验证集数据进行预测并比较不同模型的预测效能。结果:临床医学研究生学习行为综合得分为（3.31±0.54），总体达标率为74.02%。在线性回归模型中，年龄、学校级别、学位类型、学习兴趣、压力和满意度对学习行为的影响差异有统计学意义；在对验证集的预测中，线性回归模型的敏感度为0.484，特异度为0.914，准确率为0.801。四种机器学习算法的各项指标均高于线性回归模型，其中随机森林的提升度最高。结论:线性回归模型对研究生学习行为的预测效果良好，机器学习在预测准确性上优于线性回归模型，但传统线性回归模型在计算效率和可解读性上具有一定优势。

目的:建立人工智能（AI）模型，评价AI辅助多参数流式细胞术（MFC）诊断儿童急性B淋巴细胞白血病（B-ALL）微小残留病（MRD）的可行性。方法:以北京大学第一医院门诊B-ALL MRD随访病例227例标本进行AI应用探索性研究，以多维空间密度分布的非监督学习分群聚类算法为基础，对MFC数据进行聚类分析；同时参考人工逻辑设门思路和细胞的抗原表达水平，应用决策树和随机森林等监督学习算法判别细胞分类，并将AI分析B-ALL MRD结果以二维图、降维t-分布领域嵌入算法（t-SNE）和热图进行可视化呈现。通过与人工分析比较，评价AI辅助MFC诊断B-ALL MRD的性能和一致性。结果:AI分析可快速检测出骨髓中B细胞系各阶段淋巴细胞和B-ALL MRD细胞的数量和百分比；且在多次重复检测时各参数差值的变异系数（ CV）均为0。AI分析速度较传统人工分析提高4~5倍。与人工分析比较，AI分析B-ALL MRD细胞的查全率（敏感度）和阴性预测值为100%，准确度为82.44%。经人工审核后的AI分析结果再与人工分析比较，去除了假阳性，其查准率（阳性预测值）和准确度均可达100%。人工审核后的AI分析B细胞系各阶段淋巴细胞和B-ALL MRD细胞的百分比与人工分析结果差异无统计学意义（ P均>0.05）。 结论:本研究初步建立的AI模型数据分析重复性好、分析速度快，具有较高的查全率（敏感度）和阴性预测值，可用于基于本研究的8色抗体组合方案辅助MFC诊断儿童B-ALL MRD。