傅里叶变换衰减全反射红外(attenuated total reflection Fourier transform infrared,ATR-FTIR)光谱技术以其快速、准确、无创的特点,在生物医学领域尤其是临床血液学检验中显示出巨大潜力.该技术记录样本中分子的振动光谱,提供生物样品内核酸、蛋白质和脂质的化学结构信息,可用于疾病筛查和诊断.ATR-FTIR光谱技术在地中海贫血、艾滋病毒感染、乳腺癌、卵巢癌和脑瘤等疾病中的研究现状和发展情况,提示该技术结合化学计量学方法可实现疾病的快速筛查、诊断与鉴别诊断.ATR-FTIR光谱技术与偏最小二乘法回归模型相结合,以定量法分析人外周血样品中平均红细胞血红蛋白含量、平均红细胞体积和血红蛋白等地中海贫血筛查指标,筛查地中海贫血的灵敏度、特异度分别达到100.0%和95.3%.采用ATR-FTIR光谱技术,基于遗传算法的线性判别分析法,分析血液样本红外图谱中1 653 cm-1(酰胺Ⅰ带)、1 558 cm-1(酰胺Ⅱ带)、1 506 cm-1(环基)和901 cm-1(磷酸二酯伸缩带)处的特征峰,对人类免疫缺陷病毒(human immunodeficiency virus,HIV)感染孕妇血液样本的辨别准确率为89%,灵敏度、特异度分别为83%、92%.采用主成分回归(principal component regression)法对乳腺患者血液ATR-FTIR光谱进行识别,其灵敏度与特异度高达92.3%与87.1%此外,ATR-FTIR光谱技术还可应用于生物医学领域的其他方面,如细胞和组织学样本的检测、疾病严重程度的分类等.ATR-FTIR光谱技术展现出广阔的应用前景,但仍面临环境干扰、样本污染等挑战.未来,随着ATR-FTIR光谱技术的优化、发展,其有望在更多疾病的临床血液学检验中发挥重要作用.

目的 对比列线图与不同机器学习算法构建中老年人龋齿预测模型的效能.方法 采用多阶段分层随机抽样法,选取南宁市、贵港市、崇左市510名中老年人为研究对象,进行问卷调查及口腔检查.采用单因素分析和Lasso回归筛选相关变量,使用多因素logistic回归分析确定最终独立影响因素.基于显著特征,建立列线图预测模型,并运用线性判别分析(LDA)、偏最小二乘算法(PLS)、距离多普勒算法(RDA)、广义线性模型(GLM)、随机森林(RF)、支持向量机(SVM)核函数(SVM-Radial)及SVM线性核函数(SVM-Linear)7种机器学习算法构建7种龋齿风险预测模型.采用受试者工作特征(ROC)曲线下面积(AUC)中位数评价各模型预测性能,以及不同变量筛选方法所构建模型的预测性能.结果 中老年人龋齿检出率为71.18％.经过特征筛选后最终保留5个预测因子,分别是年龄(OR=0.945,95％CI:0.917～0.973)、刷牙频率(OR=0.688,95％CI:0.475～0.997)、过去1年是否洗牙(OR=0.303,95％CI:0.103～0.890)、牙存留数(OR=1.062,95％CI:1.038～1.087)和口腔健康评估量表(OHAT)得分(OR=1.363,95％CI:1.234～1.505).各模型对比结果显示,RF算法所构建的预测模型表现最佳,AUC中位数为0.747,其次为列线图,AUC中位数为0.733.单因素+Lasso+多因素logistic(简称Lasso+logistic)筛选自变量构建预测模型的AUC中位数均高于RF算法筛选自变量构建的预测模型.结论 基于Lasso+logistic筛选变量,RF较列线图及其他机器学习算法在中老年龋齿预测中提供了更可靠的预测性能.

目的:探索萝卜硫素治疗孤独症谱系障碍（autism spectrum disorder，ASD）的分子机制以及与疗效相关的代谢组学标志物并构建疗效预测模型。方法:纳入2016年8月至2019年5月就诊于中南大学湘雅二医院和广州市惠爱医院的ASD患儿40例。采用随机数字表法将患儿分为萝卜硫素治疗组（ n=26）和安慰剂组（ n=14）。采用OSU孤独症评定量表-DSM-Ⅳ（OSU Autism Rating Scale-DSM-Ⅳ，OARS-4）评估ASD患儿在基线、治疗第4、8和12周的临床症状变化，利用广义线性混合模型比较OARS-4得分在组别和时间上的差异。采集ASD患儿治疗前后的血浆样本，利用超高效液相色谱-高分辨质谱法进行非靶向代谢组学的检测，使用方差分析-成分分析筛选差异代谢物，并进行代谢通路分析。通过Spearman相关分析分析与萝卜硫素治疗疗效显著相关的差异代谢物，最后使用Fisher判别分析筛选疗效预测指标。 结果:经12周治疗后，萝卜硫素组临床症状改善显著优于安慰剂组（ F=14.11， P<0.001）。2组间共201种代谢物存在差异，主要富集于甘油磷脂代谢和初级胆汁酸生物合成通路。Spearman相关分析显示，牛磺酸、磷脂酰丝氨酸和溶血磷脂酰丝氨酸与ASD患儿症状变化呈正相关（ r=0.643、0.401、0.414， P<0.05或0.001），而溶血磷脂酰乙醇胺、鞘磷脂类和甘油三酯类代谢物与症状变化呈负相关（ r=-0.481~-0.392，均 P<0.05），其中鞘磷脂（d35∶1）和牛磺酸进入了Fisher判别分析模型，总疗效预测的正确率为84.6%（22/26）。 结论:萝卜硫素改善ASD相关临床症状的分子机制可能与细胞膜磷脂代谢有关，鞘磷脂（d35∶1）和牛磺酸可能成为预测萝卜硫素治疗ASD疗效的指标。

目的:探索对丙泊酚药物浓度和意识状态改变敏感的脑功能特征。方法:选择拟行胸腹部手术治疗的男性患者6例，对所有患者使用靶控输注设备进行丙泊酚输注，初始药物浓度设置为1.0 mg/L，然后每6 min增加0.2 mg/L，直到患者达到无意识状态。同时，采集患者的脑电信号。将采集的脑电信号进行预处理并提取脑功能特征。构建药物浓度相同、意识状态不同和意识状态相同、药物浓度相同两个数据集，并使用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM）3种机器学习算法模型在不同的数据集上进行分类分析。结果:特征筛选结果显示功率谱-δ-顶区、排列熵（permutation entropy, PE）-δ-颞区和相位滞后指数（phase lag index, PLI）-α-顶区到顶区为对意识状态改变敏感的特征，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的意识状态分类正确率分别为（82±5）%、（83±5）%和（84±4）%；功率谱-β-额区、功率谱-β-颞区和功率谱-β-顶区对药物浓度改变敏感，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的药物浓度分类正确率分别为（77±4）%、（76±4）%和（80±4）%。功率谱-δ-顶区在药物浓度变化时没有明显变化（ P>0.05），而在意识状态从有意识到无意识明显升高（ P<0.001）；PE-δ-颞区和功率谱-β-额区在从低药物浓度到高药物浓度和从有意识到无意识时均明显降低（ P<0.001）；PLI-α-顶区到顶区在低药物浓度状态下明显高于其在高药物浓度状态下（ P<0.001），但是其在意识状态变化时并没有明显变化（ P>0.05）；功率谱-β-颞区和功率谱-β-顶区在意识状态变化时均没有出现明显变化（ P>0.05），但是功率谱-β-颞区从低药物浓度到高药物浓度时明显升高（ P<0.001），而功率谱-β-顶区从低药物浓度到高药物浓度时明显降低（ P<0.05）。 结论:功率谱-δ-顶区可以很好地表征意识水平的变化同时避免药物浓度的影响，在精确监测麻醉深度上具有潜力。

目的:探讨可解释的机器学习模型预测急性缺血性脑卒中预后的应用价值。方法:选取广东医科大学附属湛江中心医院神经内科自2020年3月至2023年10月实施静脉溶栓治疗的296例急性缺血性脑卒中患者为研究对象，随访3个月后使用改良Rankin量表评估预后（0~2分定义为预后良好，3~6分定义为预后不良）。回顾性收集患者的临床资料，并采用多因素Logistic回归分析筛选出患者预后的独立影响因素。以3∶2比例将患者随机分为训练集（ n=178）和测试集（ n=118），以预后独立影响因素为特征变量训练10种机器学习模型（逻辑回归、随机森林、支持向量机、朴素贝叶斯、线性判别分析、混合判别分析、灵活判别分析、梯度增强机、极端梯度提升和分类梯度提升），分别使用校准曲线、精确-召回曲线、精确-召回增益曲线及受试者工作特征曲线评估这10种机器学习模型的预测性能，使用Shapley加法解释（SHAP）对机器学习模型附加解释和可视化（包含全局解释和局部解释）。 结果:296例患者中预后不良72例。年龄（ OR=1.039，95% CI：1.008~1.072， P=0.015）、美国国立卫生研究院卒中量表评分（ OR=1.213，95% CI：1.000~1.337， P<0.001）、格拉斯哥昏迷量表评分（ OR=0.470，95% CI：0.289~0.765， P=0.002，）、卒中预测工具-Ⅱ评分（ OR=1.257，95% CI：1.043~1.516， P=0.016）、C反应蛋白水平（ OR=1.709，95% CI：1.398~2.087， P<0.001）和血小板计数（ OR=0.988，95% CI：0.978~0.998， P=0.016）是患者预后的独立影响因素。在10种机器学习模型中，极端梯度提升模型预测患者预后的性能最高（校准曲线评估示一致性指数为0.896，精确-召回曲线评估示曲线下面积为0.791，精确-召回增益曲线示曲线下面积为0.363，受试者工作特征曲线示曲线下面积为0.856）。全局解释中SHAP直观图显示特征变量的重要性排序依次为C反应蛋白、美国国立卫生研究院卒中量表评分、血小板计数、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分和年龄；SHAP散点图可视化了6个特征变量的贡献方向，呈"两端分布"现象；SHAP依赖图显示了6个特征变量的观测值与SHAP值间的依赖关系，其中C反应蛋白趋势最为显著。SHAP力图为单个样本提供了局部解释，使得极端梯度提升模型更加透明和可解释性。 结论:基于年龄、美国国立卫生研究院卒中量表评分、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分、C反应蛋白水平和血小板计数为特征变量的极端梯度提升模型预测急性缺血性脑卒中患者预后的性能最优，在此基础上结合SHAP进行模型解释和可视化，有助于理解各特征变量对预测结果的贡献大小及方向。

目的:设计一款电子鼻，用于检测与识别膀胱癌尿液中的挥发性有机化合物（VOCs）标志物气体。方法:选取异丙醇、乙苯、乙酸和氨气作为目标气体，由8款金属氧化物气体传感器构建传感器阵列进行测试收集实验数据，并对不同特征归一化处理。通过递归特征消除（RFE）筛选出最佳特征子集，进一步引入主成分分析（PCA）和线性判别分析（LDA）降低数据维度便于可视化分析。此外，结合支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）3种机器学习算法进行模型训练和验证。结果:特征数为12时，模型分类的准确率最高，特征子集由5个差值、5个灵敏度和2个积分组成，同时将数据降至12维；仅PCA无法区分4种气体，LDA分类效果明显好于PCA，除异丙醇与乙酸有小部分重叠区域，能够将乙苯、氨气很好地与前二者区分开，且样本点聚集在一起，聚类效果也更佳。SVM、RF和KNN的预测准确率分别为0.85、0.56、0.79，经过模型验证，PCA＋SVM、LDA＋RF和LDA＋KNN的分类准确率分别为0.97、0.94、0.97。结论:设计了一款电子鼻，能够用于检测与识别膀胱癌尿液VOCs标志物气体。

目的:探讨能谱CT影像组学特征在鉴别肺癌结节与炎性结节中的价值。方法:回顾性分析在苏州大学附属第一医院接受肺部能谱CT扫描的96例肺癌结节和45例炎性结节患者的资料。按照2∶1的比例随机分配为训练组（肺癌结节64例，炎性结节30例）和验证组（肺癌结节32例，炎性结节15例）。利用MaZda软件对训练组动脉期和静脉期70 keV单能量图像进行影像组学特征提取。采用费希尔参数法（Fisher）、分类错误率联合平均相关系数法（POE+ACC）和相关信息测度法（MI）对提取的特征进行筛选，得到3组最优特征子集。然后用线性（LDA）和非线性判别分析法（NDA）对最优特征子集进行分析，计算其鉴别肺癌结节和炎性结节的受试者操作特征（ROC）曲线下面积（AUC）、准确率、灵敏度、特异度、精准率和F1分数。利用人工神经网络（ANN）建立预测模型，并对验证组两种病变进行鉴别。使用Delong检验比较不同的最优特征子集AUC的差异。结果:在动脉期，MI-NDA法选择的最优特征子集鉴别训练组肺癌结节和炎性结节的AUC最高，为0.888（95%可信区间0.806~0.943），其准确率、灵敏度和特异度分别为88.3%、87.5%和90.0%。MI-NDA法与Fisher-NDA、（POE+ACC）-NDA法的AUC差异无统计学意义（ Z=1.941， P=0.052； Z=1.683， P=0.092）。在静脉期，（POE+ACC）-NDA法选择的最优特征子集的AUC最高，为0.846（95%可信区间0.757~0.912），其准确率、灵敏度和特异度分别为87.2%、92.2%和76.7%。（POE+ACC）-NDA与MI-NDA的AUC差异无统计学意义（ Z=1.354， P=0.18），而与Fisher-NDA的AUC差异有统计学意义（ Z=2.423， P=0.015）。MI-NDA法选择的动脉期最优特征子集在训练组和验证组的AUC最高，分别为0.888（95%可信区间0.806~0.943）和0.871（95%可信区间0.741~0.951）。 结论:能谱CT影像组学定量特征可用于鉴别肺癌结节与炎性结节，具有较高的诊断价值。

目的:探讨CT影像组学定量特征在预测肺癌表皮生长因子受体（EGFR）突变中的价值。方法:回顾性分析2013年9月至2018年10月在苏州大学附属第一医院确诊的144例有EGFR基因检测结果的肺癌患者的资料，男75例、女69例，中位年龄54（25~68）岁。其中，EGFR突变型81例，男39例、女42例，中位年龄52（25~64）岁；EGFR野生型63例，男36例、女27例，中位年龄56（32~68）岁。按照2∶1的比例随机分配为训练组和验证组。利用MaZda软件提取影像组学特征包括灰度直方图（GLH）、绝对梯度（GRA）、灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）、自回归模型（ARM）和小波变换（WAV）等特征。采用费希尔参数法（Fisher）、分类错误率联合平均相关系数法（POE+ACC）和相关信息测度法（MI）3种特征选择方法对提取的定量特征进行筛选，分别选择10个相关的最优特征，得到最优特征子集。然后用线性判别分析法（LDA）和非线性判别分析法（NDA）对三组最优特征子集进行分析，计算出其鉴别肺癌EGFR突变型与野生型的准确度、敏感度和特异度，利用人工神经网络（ANN）对训练组准确度最高的最优特征子集建立预测模型，并利用建立的预测模型，对验证组肺癌EGFR突变型与野生型进行鉴别诊断。结果:MaZda软件提取训练组肺癌EGFR突变型与野生型图像定量特征，一共301个。Fisher-NDA和（POE+ACC）-NDA法选择的最优特征子集鉴别肺癌EGFR突变型与野生型的准确度最高，为93.8%。Fisher-NDA法最优特征子集预测模型鉴别验证组中肺癌EGFR突变型与野生型的准确度、敏感度和特异度分别为83.3%、86.7%和77.8%。结论:CT影像组学最优特征子集在预测肺癌EGFR突变中有较高的准确度，为预测肺癌基因表达提供了一种新的方法。

目的:通过16S rDNA测序技术探究脓毒症大鼠早期肠道微生态变化。方法:将60只雄性SD大鼠按随机数字表法分为盲肠结扎穿孔术（CLP）组和假手术组（Sham组），每组30只。CLP组采用CLP法制备脓毒症大鼠模型；Sham组只开腹但不进行盲肠结扎穿孔。术后24 h每组取8只大鼠肠道粪便及腹主动脉血，其余大鼠用于观察7 d存活情况。采用酶联免疫吸附试验（ELISA）检测血清肿瘤坏死因子-α（TNF-α）水平；对粪便样本进行16S rDNA测序，利用序列对比和聚类后获得的操作分类单元（OTU）信息进行多样性分析（α多样性和β多样性）、主坐标分析及线性判别分析效应量分析（LEfSe），观察脓毒症大鼠早期肠道微生态的变化并挖掘标志性菌群。结果:制模后24 h，CLP组大鼠出现呼吸急促、毛发散乱等表现，且血清TNF-α水平较Sham组显著升高（ng/L：43.95±9.05比11.08±3.27， P<0.01）；制模后7 d，Sham组大鼠全部存活，而CLP组大鼠累积生存率仅31.82%。多样性分析显示，Sham组与CLP组α多样性指标比较差异无统计学意义〔物种数量（个）：520.00±52.15比492.25±86.61，Chao1丰富度估计量：707.25±65.69比668.93±96.50，Shannon指数：5.74±0.42比5.79±0.91，Simpson指数：0.93±0.03比0.94±0.05，均 P>0.05〕；β多样性分析显示，无论是否根据OTU加权，组间差异均大于组内差异（丰度加权矩阵： R＝0.23， P＝0.04；丰度不加权矩阵： R＝0.32， P＝0.01）。门水平差异菌群分析显示，与Sham组相比，CLP组变形菌门和TM7菌门丰度显著升高〔18.100%（15.271%，26.665%）比6.974%（2.854%，9.764%），0.125%（0.027%，0.159%）%比0.018%（0.008%，0.021%），均 P<0.05〕；在属水平上，CLP组螺杆菌属、钌杆菌属、颗粒链菌属、梭菌属ⅩⅧ等机会致病菌的丰度较Sham组显著升高〔5.090%（1.812%，6.598%）比0.083%（0.034%，0.198%），0.244%（0.116%，0.330%）比0.016%（0.008%，0.029%），0.006%（0.003%，0.010%）比0.001%（0%，0.003%），0.094%（0.035%，0.430%）比0.007%（0.003%，0.030%），均 P<0.05〕，而拟普雷沃菌属、罗姆布茨菌属等益生菌的丰度较Sham组显著降低〔7.345%（3.662%，11.546%）比22.504%（14.403%，26.928%），0.113%（0.047%，0.196%）比1.229%（0.809%，2.290%），均 P<0.01〕。LEfSe分析结果显示，厚壁菌门所属益生菌在Sham组显著富集，罗姆布茨菌是富集最显著的菌种；而螺杆菌属、颗粒链球菌属和梭菌属ⅩⅧ等机会致病菌在CLP组显著富集，螺杆菌_NGSU_2015为富集最显著的菌种。 结论:脓毒症早期大鼠肠道微生态结构显著改变，主要表现为拟普雷沃菌属等益生菌丰度显著降低，螺杆菌属等机会致病菌丰度显著升高。

目的:基于经会阴超声(TPUS)实时扫描技术和线性判别分析(LDA)法，定性分析并自动判别前列腺癌放疗分次内运动模式，为个体化精确放疗奠定基础。方法:应用TPUS技术记录了61例前列腺癌患者共1265个分次近百万个实时监测数据，划分为稳定型、波浪型、小偏执型、银叉型、回归型、大偏执型和稽留型运动模式。对运动轨迹量化并提取特征参数，通过LDA法建立判别方程式，评估训练集和测试集的判别效果。结果:平均每位患者存在4种不同的运动模式，不稳定型占(35.00±21.49)%。随着治疗次数的增加，运动轨迹并未表现出越来越稳定的趋势，不同模式的出现极不规则。构建的线性判别模型对训练集和测试集的判别准确率分别为90.4%和89.5%，敏感性和特异性分别为84.9%和91.1%。结论:前列腺癌患者分次内运动模式多样且随机，具有不可预测的特点。LDA法可以有效地对分次内运动模式进行判别，同时在治疗过程中利用判别方程和中心坐标实现对未知样本的自动鉴别。