目的:分析间接测热法(IC)与哈里斯-本尼迪克特估算法(H-B)测定重症急性胰腺炎(SAP)患者能量消耗的一致性和相关性，以及不同病因SAP患者的静息能量代谢特点，以指导临床目标能量营养支持方案的制订。方法:纳入2019年2月1日至12月31日入住南昌大学第一附属医院重症监护室的61例SAP患者，收集患者的相关资料如SAP病因，是否需要机械通气，以及代谢状态等。所有患者入住重症监护室后第1天接受IC测定，根据IC测定的能量消耗值(以下简称IC值)与H-B测定的能量消耗值(以下简称H-B值)确定SAP患者处于高、正常或低代谢状态。采用Bland-Altman法和Pearson线性回归分析2种方法测定能量消耗值的一致性、相关性，并拟合线性方程。统计学方法采用配对 t检验。 结果:61例SAP患者中，13例为胆源性SAP，30例为高脂血症性SAP，6例为酒精性SAP，12例为其他原因或未明原因SAP；19例需机械通气，42例无需机械通气；70.5%(43/61)的SAP患者处于高代谢状态，13.1%(8/61)的患者处于正常代谢状态，16.4%(10/61)的患者处于低代谢状态。61例SAP患者的IC值高于H-B值[(8 604.7±367.8) kJ/d比(6 491.2±133.7) kJ/d]，差异有统计学意义( t＝5.95， P<0.001)。高脂血症性、酒精性和胆源性SAP患者的IC值分别为(8 815.2±537.9)、(7 631.2±890.5)、(8 108.0±933.1) kJ/d，H-B值分别为(6 869.6±204.5)、(5 916.8±153.7)、(5 974.2±200.9) kJ/d，胆源性和高脂血症性SAP患者的IC值分别高于各自的H-B值，差异均有统计学意义( t＝2.29、3.38，均 P<0.05)。需机械通气与无需机械通气SAP患者的IC值和H-B值分别为(10 485.0±741.1)、(6 462.6±222.8) kJ/d，(6 595.1±364.7)、(6 503.2±166.7) kJ/d，需机械通气SAP患者的IC值高于其H-B值和无需机械通气者的IC值，差异均有统计学意义( t＝4.71、5.20，均 P<0.001)。Bland-Altman法一致性分析显示，2种方法存在明显偏倚，平均偏倚值为92.2 kJ/d；Pearson线性回归分析显示二者存在线性关系( r＝0.44， P<0.001)，一元回归拟合线性方程为 Y＝1.240 6 X+154.42，其中 X为H-B值， Y为IC值。 结论:SAP患者在病程早期多处于高代谢状态，IC值高于H-B值，建议对SAP患者使用IC测定能量消耗值。

目的:构建并验证预测胰十二指肠切除术后患者发生临床相关术后胰瘘（CR-POPF）的集成机器学习模型。方法:本研究为预测模型研究。回顾性收集2020年6月至2023年5月在华中科技大学同济医学院附属协和医院胰腺外科接受胰十二指肠切除术的421例患者的临床资料。其中男性241例（57.2%），女性180例（42.8%），年龄（59.7±11.0）岁（范围：12~85岁）。通过分层随机抽样法将研究对象按照3∶1的比例分为训练集（315例）和测试集（106例）。使用递归特征消除算法对特征进行筛选，运用9种机器学习算法分别建模，挑选拟合能力较优的三组模型，通过Stacking算法进行模型融合构建集成模型。通过多种指标评估模型性能，并使用Shapley Additive Explanations（SHAP）方法对最优模型进行可解释性分析。根据替代胰瘘风险评分系统（a-FRS）的预测概率（P）将测试集患者分为不同风险组，对a-FRS评分进行验证并比较其与所建模型的预测效能。结果:421例患者中，发生CR-POPF 84例（20.0%）。在测试集中，Stacking集成模型表现最佳，其受试者工作特征曲线的曲线下面积（AUC）为 0.823，准确率为0.83，F1分数为0.63，Brier 得分为0.097。SHAP总结图显示，影响胰十二指肠切除术后发生CR-POPF的前9位因素依次为胰管直径、CT值比值、术后血清淀粉酶、IL-6水平、体重指数、手术时间、术前术后白蛋白差值、降钙素原及IL-10。各个因素对胰十二指肠切除术后CR-POPF 发生的影响均呈现出复杂的非线性关系。当胰管直径<3.5 mm、CT 值比值<0.95、术后血清淀粉酶浓度>150 U/L、IL-6 水平>280 ng/L、手术时间>350 min、白蛋白降低超过10 g/L时，发生CR-POPF的风险增加。a-FRS在测试集中的AUC为0.668，预测效能低于Stacking集成机器学习模型。结论:本研究构建的Stacking集成机器学习模型能够预测胰十二指肠切除术后CR-POPF的发生，有潜力成为胰十二指肠切除术后个性化诊疗的有效工具。

目的:建立基于人工智能技术的牙菌斑智能判读系统，分析影响其判读结果的相关因素。方法:2018年10月至2019年6月用家用口腔内镜（1 280×960像素，东莞立港医疗器材有限公司）拍摄北京大学口腔医学院的25名研究生志愿者［男性12名，女性13名，年龄（23±3）岁］口内牙齿唇颊侧照片，使用菌斑染色剂（Cimedical，日本）进行菌斑染色后，用同样拍摄方法再次拍摄照片，共收集符合纳入标准的549组恒牙牙菌斑染色前后的牙齿照片。将549组图像采用随机数字表法分为440组训练数据集和109组测试数据集。设计并实现基于DeepLab的深度学习模型，采用LabelMe软件（Windows版3.2.1，MIT，美国）进行标注，对标注后的440组训练数据集进行训练，并据此建立恒牙牙菌斑智能判读系统，使用平均交并比（mean intersection over union，MIoU）作为评估该算法识别准确性的量化指标，用建立的恒牙牙菌斑智能判读系统对109组测试照片进行判读。使用Matlab软件（Windows版R2017a，MathWorks，美国）提取109组照片的牙菌斑边缘线，计算菌斑边缘线像素点个数，以此衡量牙菌斑边缘的复杂性，并计算牙菌斑面积百分比。基于多元线性回归分析牙位、牙菌斑面积百分比、牙菌斑边缘线像素点个数、镜头光源光斑是否位于菌斑区域对于恒牙牙菌斑判读准确性的影响，通过方差检验比较模型调整后的决定系数 R2选择拟合效果更优的模型。 结果:恒牙牙菌斑智能判读系统对测试组判读的MIoU值为0.700±0.191。当牙菌斑面积百分比、牙菌斑边缘线像素点个数进入回归模型时， R2值为0.491，高于只有牙菌斑百分比进入模型时的 R2，牙菌斑面积百分比、牙菌斑边缘线像素点个数对恒牙牙菌斑判读准确性有显著影响（ P<0.05）。牙菌斑边缘线像素点个数的标准化系数为-0.289，菌斑面积百分比的标准化系数为-0.551。 结论:本研究通过家用口腔内镜采集的恒牙牙面图像构建了恒牙牙菌斑智能判读系统，该系统可以较准确地判断牙菌斑的附着情况；牙菌斑边缘线越复杂，牙菌斑面积百分比越高，菌斑识别的准确性越低。

目的:通过脂质组学方法联合机器学习(ML)多种算法，探索人外周血辐射敏感脂质代谢物分类模型。方法:收集2023年3—9月北京市某综合医院准备接受骨髓移植的25例白血病放射治疗病例，照射前和照射后外周血样本97份，其中对照组24份，为照射前血液样本；辐射组73份，为4、8、12 Gy照射剂量下的24、25和24份血液样本。采用基于超高效液相色谱－串联质谱(UPLC-MS/MS)平台的靶向脂质组学方法，分析辐射组与对照组差异脂质。线性回归筛选0～12 Gy的剂量范围内辐射剂量响应脂质。采用5种机器学习方法构建训练集辐射分类模型，验证集进行模型的验证和评价。结果:与对照组相比，辐射组敏感的脂质代谢物中62个脂质浓度变化差异有统计学意义( t＝－4.91～4.74, P<0.05)，包括鞘磷脂(SM)、胆固醇酯(CE)、神经酰胺(Cer)、磷脂酰肌醇(PI)、己糖神经酰胺(HexCer)、溶血磷脂酰胆碱(LysoPC)、醚磷脂酰胆碱(PCO)、磷脂酰乙醇胺(PE)、溶血磷脂酰乙醇胺(LysoPE)这9大类。在0～12 Gy的剂量范围内，筛选出20种具有良好剂量反应的脂质代谢物，包括11个SM，7个CE，1个Cer和1个PI。决策树(DT)、支持向量机(SVM)、轻量梯度增强机(Light GBM)、随机森林(RF)、K最邻近(KNN)这5种机器学习训练模型拟合均较好(F1＝0.69～1.00)，灵敏度较高。通过评价验证指标，辐射分类判定效果最好的模型为随机森林(灵敏度1.00、准确率0.72、F1值0.80)。 结论:通过靶向脂质组学分析，发现人类样本中辐射响应的脂质代谢物和辐射剂量响应的脂质。机器学习方法中的RF模型可以为探索人类辐射脂质代谢物模型提供新的思路。

目的:探究立体定向脑电图(SEEG)高频振荡(HFOs)分析在射频热凝损毁术(RF-TC)治疗难治性癫痫患者中的临床应用价值。方法:选择解放军西部战区总医院神经外科自2019年8月至2021年12月采用SEEG引导下RF-TC治疗的14例难治性癫痫患者，运用Matlab软件的自动检测算法计算SEEG各导联HFOs发生频率，利用HFOs发生频率生成非线性拟合曲线，根据拟合曲线制定HFOs阈值并划分HFOs区域(涟波区域、快涟波区域)。术后3、6个月根据有无癫痫发作将患者分为无癫痫发作组和有癫痫发作组，末次随访时根据Engel分级评估患者的预后并将患者分为预后良好组和预后不良组，比较2组患者涟波热凝率、快涟波热凝率的差异。结果:14例患者的SEEG监测数据中，共检测到7 332个涟波，1 144个快涟波。术后6个月内患者神经功能障碍发生率为14.3%，永久神经功能障碍、颅内感染、颅内出血、电极设备故障等情况均未发生。术后3个月患者的无癫痫发作率为71.4%(10/14)，无癫痫发作组患者的快涟波热凝率显著高于有癫痫发作组患者，差异有统计学意义( P<0.05)；术后6个月患者的无癫痫发作率为57.1%(8/14)，无癫痫发作组患者的涟波热凝率显著高于有癫痫发作组患者，差异有统计学意义( P<0.05)；末次随访时患者预后良好6例，预后不良8例。预后良好组患者的涟波热凝率高于预后不良组患者，差异有统计学意义( P<0.05)。 结论:HFOs分析可以辅助定位致痫区。对涟波或快涟波区域热凝范围较大患者的短期疗效较好，对涟波区域热凝范围较大患者的预后较好。

应用无人机近地面遥感技术估算草地生物量是目前较热门的方法,但构建的反演模型类型、变量、算法差异较大.通过在内蒙古锡林郭勒获取的无人机多光谱影像提取出波段反射率、植被指数等变量,与实际获取的地面样方调查数据结合,构建并对比了 8种最常用的参数与非参数方法构建的草地地上生物量预测模型,评估不同模型的精度和建模变量,以期能够优化得到最佳预测模型.研究结果表明8种模型中参数模型精度相对较低,非参数模型具有更高精度;参数模型中多变量的广义线性模型优于线性、对数和指数这3个参数模型;非参数模型中K近邻、支持向量机、极端梯度提升和随机森林4种模型的决定系数R2都大于0.7,但随机森林模型相对更稳健,且模型变量数最少.建模变量中归一化植被指数和红波段反射率变量对生物量估算作用较大.综上,随机森林模型是较适用于内蒙古锡林郭勒地区草原无人机近地面遥感技术估算草地生物量的模型,然而在超参数调整、算法优化,以及植被多源变量筛选等方面还需要更深入的研究.

目的 基于磁共振成像(MRI)机器学习算法和影像组学构建预测模型,探讨模型预测无淋巴结转移直肠癌患者淋巴血管侵犯(LVI)状态的应用价值.方法 采用回顾性队列研究方法.收集2016年2月至2024年1月甘肃省人民医院收治204例无淋巴结转移直肠癌患者的临床病理资料;男123例,女81例;年龄为(61±7)岁.204例患者采用电子计算器随机法按8∶2随机分为训练集163例和测试集41例.训练集用于构建预测模型,测试集用于验证预测模型效能.根据筛选的临床和(或)影像学特征分别构建临床预测模型、影像组学模型、联合预测模型.正态分布的计量资料以(x)±s表示.计数资料以绝对数表示,组间比较采用x2检验或Fisher确切概率法.等级资料比较采用非参数秩和检验.采用组间相关系数评估2位医师影像组学特征的一致性,相关系数＞0.80认为一致性较好.单因素分析采用相应的统计学方法.多因素分析采用Logistic逐步回归模型.绘制受试者工作特征(ROC)曲线,以曲线下面积(AUC)及Delong检验、决策曲线和临床影响曲线评估模型的诊断效能及临床效用.结果 (1)影响患者LVI状态的因素分析.204例无淋巴结转移直肠癌患者中,LVI阳性71例,LVI阴性133例.多因素分析结果显示:性别、血小板(PLT)计数和癌胚抗原(CEA)是影响训练集无淋巴结转移直肠癌患者LVI状态的独立因素[优势比=2.405,25.062,2.528,95％可信区间(CI)为 1.093～5.291,2.748～228.604,1.181～5.410,P＜0.05].(2)临床预测模型建立.纳入多因素分析结果性别、PLT计数和CEA构建临床预测模型.ROC曲线显示:临床预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.721(95％CI为0.637～0.805)、0.675、0.632、0.698;测试集上述指标分别为0.795(95％CI为 0.644～0.946)、0.805、1.000、0.429.Delong检验结果显示:训练集和测试集 AUC 比较,差异无统计学意义(Z=-0.836,P＞0.05).(3)影像组学模型建立.提取204例患者851个影像组学特征.利用逻辑回归、支持向量机、高斯过程、逻辑回归-套索算法、线性判别分析、朴素贝叶斯和自动编码器7种机器学习算法进行预测模型构建.最终从最优的高斯过程机器学习算法中筛选出8个影像组学特征用于构建影像组学预测模型.ROC曲线显示:影像组学预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.857(95％CI为0.800～0.914)、0.748、0.947、0.642;测试集上述指标分别为0.725(95％CI为0.571～0.878)、0.634、1.000、0.444.Delong检验结果显示:训练集和测试集AUC比较,差异无统计学意义(Z=1.578,P＞0.05).(4)联合预测模型建立.联合多因素分析结果和影像组学特征构建联合预测模型.ROC曲线显示:联合预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.885(95％CI 为 0.832～0.938)、0.791、0.912、0.726;测试集上述指标分别为 0.857(95％CI 为 0.731～0.984)、0.854、0.714、0.926.Delong检验结果显示:训练集和测试集AUC比较,差异无统计学意义(Z=0.395,P＞0.05).(5)3种预测模型效能比较.Hosmer-Lemeshow拟合优度检验结果显示:临床预测模型、影像组学预测模型、联合预测模型的拟合优度均较好(x2=1.464,12.763,10.828,P＞0.05).Delong检验结果显示:临床预测模型AUC分别与联合预测模型和影像组学预测模型比较,差异均无统计学意义(Z=1.146,0.658,P＞0.05);联合预测模型与影像组学模型比较,差异有统计学意义(Z=2.001,P＜0.05).校准曲线显示:联合预测模型的预测能力良好.决策曲线和临床影响曲线显示:联合预测模型对无淋巴结转移直肠癌患者LVI状态的评估能力优于临床预测模型和影像组学模型.结论 纳入性别、PLT计数和CEA构建临床预测模型;筛选出8个影像组学特征构建影像组学预测模型;结合前两者共同构建联合预测模型.3种模型均可预测无淋巴结转移直肠癌患者LVI状态,其中联合预测模型效能更优.

目的 比较在 7T与 3T场强下应用定量磁化率成像(QSM)分析正常人脑深部灰质核团铁沉积的差异.方法 前瞻性招募无神经系统疾病的健康青年志愿者 10 例,平均年龄(22±3)岁;均行 7T及 3TMRI扫描采集QSM数据.应用STI-suite算法进行QSM后处理,手动勾画 12个感兴趣区(包括双侧的红核、黑质、苍白球、壳核、尾状核头及丘脑),并测量脑灰质核团内的磁化率值.以 7TQSM上总体核团的平均磁化率值为参考,将核团分为高磁化率组和低磁化率组.采用配对t检验或Wilcoxon秩和检验比较同一核团在 2种场强下QSM的磁化率差异.采用线性回归模型和Bland-Altman图分析2 种不同场强下各核团定量磁化率的拟合度及一致性.结果 3T上测得的脑内灰质核团总体磁化率值高于7 T(P＜0.05).高磁化率组(红核、黑质、苍白球)各个核团以及总体结果均在 3T上测得的磁化率值高于7 T(P＜0.05),低磁化率组(尾状核、壳核、丘脑)各个核团以及总体结果在 2 种场强下测得的磁化率值差异均无统计学意义(P＞0.05).线性回归结果显示 2 种场强下,核团总体磁化率值(R2 为 0.954)及各核团的磁化率值的拟合度(R2 为 0.803～0.936)均较好;Bland-Altman图分析显示 2 种场强下低磁化率组中各核团的磁化率值的一致性均较高,高于高磁化率组各核团.低磁化率组在2 种场强下测得的磁化率拟合度(R2=0.995)高于高磁化率组(R2=0.862);且低磁化率组在 2 种场强下磁化率的一致性高于高磁化率组.结论 7T与 3T场强下测得的低磁化率核团的磁化率值一致性较高,而在高磁化率核团中两者的差异较大,进行QSM评估时应注意场强对定量不同磁化率组织铁沉积的影响.

目的 水产品中无机砷元素慢性暴露严重危害人体健康,其检测时间成本较高,为实现无机砷元素含量快速预测,构建一种基于小样本特征量的无机砷元素含量预测集成学习模型.方法 抽取2018-2022年秦皇岛地区水产品重金属元素检测数据,采用皮尔逊法对铅、镉、汞、无机砷4种元素做相关性分析并检验多重共线性.使用逐步回归向量组合法测试不同特征组合下梯度提升回归树(gradient boosting regressor,GBR)和随机森林模型(random forest,RF)的拟合优度(R2)及均方误差(mean squared error,MSE),以筛选最优组合.综合比对5种集成学习算法在模型评估指标、预测误差比率分布、目标危险系数(target hazard quotients,THQ)三方面的预测效果以评估方法可行性.结果 4种重金属元素间呈弱相关,不存在多重共线性.RF及GBR算法拟合优度R2分别为89.9％、93.3％.极端学习树模型(extremely randomized tree,ET)在贝、鱼、蟹、虾类水产品中R2分别为100.00％、99.42％、100.00％、99.92％,且箱式图中预测误差的偏差均最小,异常值在可接受范围内,预测前后膳食风险评估THQ结果均为安全水平.结论 本研究提出的方法针对小样本量及特征量的无机砷元素快速预测,可为食品安全风险预警提供一种低成本、高效的预测技术方法.

目的 探讨Demirjian法结合机器学习算法在北方汉族儿童及青少年牙龄推断中的应用价值.方法 收集10 256例我国北方汉族5～24岁人群的口腔全景片,运用Demirjian法对左下颌8颗恒牙的发育进行分期,并结合支持向量回归、梯度提升回归、线性回归、随机森林回归和决策树回归等多种机器学习算法,分别基于总样本、女性样本和男性样本构建年龄推断模型,并评价不同机器学习算法在3组样本中的拟合性能.结果 对于总样本和女性样本,推断准确率最高的模型均为支持向量回归模型;对于男性样本,推断准确率最高的模型为梯度提升回归模型.最佳年龄推断模型在总样本、女性样本和男性样本的平均绝对误差分别为1.246 3、1.281 8和1.153 8岁.最佳年龄推断模型对各年龄区间的推断准确率不同,对于18岁以下人群的年龄推断相对准确.结论 本研究构建的年龄推断机器学习模型在我国北方汉族儿童及青少年中具有较好的准确率,但在成年人群中的推断效果不理想,可以考虑联合其他变量以提高年龄推断的准确性.