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:基于超声弹性及血流向量成像(VFM)技术联合无监督聚类分析和有监督机器学习方法，实现肝心一体化的早期评估。方法:采用观察性研究设计，在无任何干预的条件下，选取2021年12月至2022年9月哈尔滨医科大学附属第一医院收治的肝硬化患者45例，肝纤维化患者43例，健康志愿者42例。应用肝脏联合弹性技术及VFM技术分别获取受检者肝脏和心脏信息。对获取的数据进行标准化处理，借助拓扑数据分析(TDA)技术对处理后的数据进行聚类，再基于统计学分析评估聚类结果，最后通过机器学习方法实现有监督的多分类任务。结果:依据受检者相似性网络分为5类，各类维度的平均表现为：与其他类别相比，类别1的整体肝心状况最差，类别2、3次之，而类别4则均为肝心正常的健康对照组；类别5较为特殊，此类受检者的肝脏状况不佳，但根据心脏舒张功能评估指南，其心脏表现并无明显的异常，只有少数指标显示出较大的偏差。应用支持向量机(SVM)、随机森林(RFT)、多层感知机(MLP)在测试集多分类任务中准确性平均值分别为70%、81%、84%。结论:通过结合肝脏联合弹性、心脏VFM技术及TDA技术构建的患者相似性网络，成功识别出常规心脏指标未显现异常，而可能存在潜在心功能异常的肝纤维化患者，对于指导临床干预措施的选择和优化患者管理分层具有重要意义。

目的:探讨不同灰质结构亚型强迫症患者静息状态下的动态功能连接（dynamic functional connectivity，dFC）模式，并探究不同亚型强迫症患者的异常灰质体积和dFC模式与临床症状的关系。方法:前瞻性收集2013年9月至2020年3月就诊于齐齐哈尔医学院附属第四医院（20例）和齐齐哈尔市精神卫生中心住院和门诊（28例）的共48例强迫症患者的临床资料，其中男 33 例，女 15 例，年龄 18~45（27.1±6.7）岁。同期招募年龄匹配的健康对照者39 名，其中男 31 名，女 8 名，年龄 18~45（28.5±8.6）岁。对符合ICD-10诊断标准的48例强迫症患者（强迫症组）和39名健康对照（对照组）进行磁共振成像扫描。采用基于体素的形态学分析（voxel-based morphometry，VBM），使用半监督机器学习方法，以灰质体积为特征对强迫症组进行亚型分析，选取灰质体积异常的脑区为感兴趣脑区，进行基于全脑体素的dFC分析，探究异常灰质体积和dFC模式与强迫症临床症状之间的相关性。结果:基于灰质体积，强迫症可分为2个亚型，其中亚型1为右中央后回灰质体积增加［809个体素； t=4.31；高斯随机场（Gaussian random field，GRF）校正，体素 P<0.001，团块水平 P<0.05双尾］，亚型2为左颞上回灰质体积降低（1 118个体素； t=-4.37；GRF校正，体素 P<0.001，团块水平 P<0.05双尾）。在亚型1中，右侧中央后回与左内侧额上回之间的dFC显著降低（187个体素； t=-4.42；GRF校正，体素 P<0.001，团块水平 P<0.05双尾）；在亚型2中，左侧颞上回与左侧海马、左侧中央旁小叶之间的dFC显著降低（分别为272、99个体素； t=-4.69、-5.01；GRF校正，体素 P<0.001，团块水平 P<0.05双尾）。亚型1右侧中央后回与左内侧额上回之间的dFC值与病程呈负相关（ r=-0.579； P=0.002，未校正）；亚型2左侧颞上回与左侧海马之间dFC值与病程呈正相关（ r=0.578； P=0.003，未校正）。 结论:静息状态下，基于灰质体积的不同亚型强迫症患者具有不同的dFC异常模式。

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。

人工智能在检验医学中的应用研究已经成为检验发展的重要方向，但人工智能技术在产品应用研发过程中仍存在机器学习模型缺乏可解释性、人才队伍缺乏、安全隐患众多等问题。其原因可能有数据集质量不高、研究设计偏差、人才培养机制不健全、立法和监管不到位等。针对这些形成原因，可以采取相应对策，包括建立数据录入和采集规范，制定数据标注管理标准、做好模型的风险分析，加强复合型人才培养，健全监督管理体系等。确保检验医学领域应用的人工智能产品能够在提升诊断效率、减少误诊和漏诊率的前提下，切实提升医疗服务质量。

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: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: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。