目的 为了实时监测医疗器械设备异常状态,以便及时预警和应对设备异常情况,确保医疗器械的安全运行,提出基于自编码器的医疗器械设备异常状态预警方法.方法 以某医院2022年8月起因故障停用的10台心电图监护仪为研究对象,使用数据恢复设备连接到心电图监护仪的内部存储器,恢复和提取器械因故停用点的前1 min的全部特征数据,具体包括:信号质量和设备状态.利用多元状态估计技术构建医疗器械设备健康状态评估模型,通过对比各参数的贡献率,确定引发设备异常的关键参数.基于这些关键参数构建自编码器预警模型,将异常状态参数输入模型进行归一化处理,并计算参数误差平均值与基准值的偏差.当误差平均值偏离基准值超过60％时,触发预警机制.结果 经过实验,该方法可以在3 s内准确检测出198个异常样本,证实了该预警方法能够在短时间内准确检测出异常样本.同时,为进一步分析该医疗器械设备的具体故障原因,运用3种方法分别对设备各个故障原因进行识别与定位,以贡献率为衡量标准,并与实际贡献率进行对比分析,该方法贡献率与实际贡献率数值较为接近,可以全面预测引起医疗器械设备异常情况.结论 基于自编码器的医疗器械设备异常状态的预警方法具有高度的精确性和先导性,为实时监测和预警医疗器械设备异常状态提供了有效的技术手段,有助于提升医疗器械的安全性和可靠性.

目的:评价基于电子病历的预训练模型对急性呼吸道感染（ARI）的识别效果。方法:收集重庆大学附属三峡医院2021年12月1至31日就诊于呼吸与危重症科、发热门诊、急诊门诊、儿科、感染科的所有患者的病历资料。使用基于Transformer的双向编码器表征（BERT）预训练模型对病历进行ARI病例识别与判断，以医学专业人员根据ARI病例定义判断的结果作为“金标准”，计算模型识别ARI的灵敏度、特异度、与“金标准”的一致性及受试者工作特征曲线下面积（AUC），评价模型对ARI病例识别的准确性。结果:含有3 817条电子医疗记录的测试集中，共有1 200条经人工判定的ARI病历。模型判定ARI共计1 205例，灵敏度为92.67%（1 112/1 200），特异度96.45%（2 524/2 617），与“金标准”的一致性Kappa值为0.89，AUC为0.95。模型在男性和女性中识别ARI的准确性相近（AUC分别为0.95和0.94），且对未成年ARI病例识别较18~59岁及≥60岁（AUC分别为0.94，0.89和0.89）更准确。相较于住院患者，目前模型对门诊患者的ARI识别更好，AUC分别为0.74和0.95。结论:使用基于电子病历的预训练模型对ARI病例判定具有良好的效果，特别是针对门诊患者及未成年患者。该模型在利用电子病历进行医疗机构ARI病例监测方面表现出良好的潜力。

本文介绍一例随机信号干扰瓦里安VitalBeam医用直线加速器旋转托盘内的旋转变压器（或称编码器）的案例。本案例被瓦里安的中国、欧洲和美国技术专家认为是该技术平台（包括TrueBeam）的罕见故障。本文对比分析了VitalBeam与传统加速器的旋转托盘在结构与控制系统方面存在的差异，以便让同行对旋转变压器有更深刻的认识，同时总结了解决故障的逻辑与方法，为分析相关问题提供借鉴经验。本研究发现了联锁系统的不完善，可为瓦里安公司优化系统提供事实与技术依据。

目的:基于CT检查的集成深度学习模型对肝门静脉定性与定量分型研究。方法:采用回顾性研究方法。收集2017年10月至2019年1月清华大学附属北京清华长庚医院收集291例行上腹部增强CT检查患者的影像学数据；男195例，女96例；年龄为（51±12）岁。采用三维重建系统对增强CT检查肝门静脉系统进行重建，并将三维点云输入至编码器模型后，得到三维重建的向量化表示。该向量化表示可以用于预测定性分型和定量表示分型。正态分布的计量资料以 x±s表示，组间比较采用配对 t检验。计数资料以百分数或绝对数表示，组间比较采用配对 χ2检验。 结果:（1）门静脉三维重建结果及解剖分型。291例患者重建肝门静脉的三维结构，肝门静脉主干分型：Akgul A型211例，Akgul B型29例，Akgul C型16例，Akgul D型10例，无Akgul E型患者，无法分型25例。（2）门静脉主干定性分型的预测。291例患者样本中，排除25例因成像质量差或无法进行Akgul分型的样本，266例样本用于机器模型肝门静脉主干的自动定性分型（肝门静脉分类器），其中Akgul A型211例，Akgul B型29例，Akgul C&D型26例。266例患者Macro-F1为61.93% ±40.50%，准确率为84.99%，Random分类器的Macro-F1为32.38% ±19.81%，准确率为61.65%，两者上述指标比较，差异均有统计学意义（ t=7.85， χ2=62.89， P<0.05）。（3）定量表示门静脉分型。定量分型相似样本的Akgul定性分型的概率P@1为73%±45%、P@3为70%±37%、P@5为69%±35%、P@10为67%±32%、MRR为80%±34%；基线模型P@1为57%±50%、P@3为58%±35%、P@5为58%±32%、P@10为58%±30%、MRR为70%±37%；两种模型上述指标比较，差异均有统计学意义（ t=5.22，5.11，5.00，4.99，3.47， P<0.05）。 结论:基于CT检查使用三维重建和深度学习技术建立肝门静脉结构的自动分型模型，可实现自动定性分型并定量描述肝门静脉结构。

目的:开发一种基于三维Transformer的深度学习架构，用于肺癌调强放疗（IMRT）计划的剂量分布预测。方法:回顾性分析重庆大学附属肿瘤医院2020年1月—2022年12月间174例肺癌行IMRT患者的资料，设置训练、验证、测试集分别为116、29、29例。通过Swin Unet Transformer（Swin Unetr）模型进行三维剂量分布预测训练，该模型使用带位移窗口的Transformer模块编码器，输入包括CT图像、计划靶区（PTV）和危及器官轮廓图像、射束信息图像和靶区距离图像。使用平均绝对误差（MAE）、戴斯相似性系数（DSC）以及剂量体积直方图（DVH）剂量学参数来评估模型的性能，并与其他3种深度学习模型CGAN、ResSEUnet、ResUnet进行比较。结果:Swin Unetr预测与原临床计划的剂量分布的MAE为0.0143±0.0055，CGAN、ResSEUnet和ResUnet分别为0.0162±0.0055、0.0167±0.0063和0.0164±0.0057。Swin Unetr在各等剂量值均取得了最高的DSC值（>0.85）。剂量学参数方面，除PTV的D 2%和心脏的D mean以外，其余Swin Unetr预测与原临床计划的剂量学参数差异均无统计学意义（ P>0.05），且66.67%的总体剂量学参数和75%的PTV剂量学参数评估结果表现最佳。 结论:在多个剂量学评估指标上，Swin Unetr取得了最佳评分，在各等剂量值上取得最高DSC。Swin Unetr在肺癌IMRT三维剂量预测方面的准确性较以往模型有显著改进。

目的:探讨钆塞酸二钠增强MRI影像组学模型在鉴别肝胆期等高信号肝细胞癌（HCC）与肝局灶性结节增生（FNH）中的应用价值。方法:回顾性分析2015年1月至2023年2月于苏州大学附属第一医院和南通市第三人民医院行钆塞酸二钠增强MRI检查（所有病灶均表现为肝胆期等或高信号）并经手术或穿刺病理证实的HCC或FNH的88例患者资料，男58例，女30例，年龄［ M（ Q1， Q3）］56（40，67）岁，其中HCC 61例，FNH 27例。利用随机种子法将纳入病例以7∶3的比例分为训练集（43例HCC，19例FNH）和测试集（18例HCC，8例FNH）。从钆塞酸二钠增强MRI动脉期、门静脉期及肝胆期图像中分别提取了1 781个影像组学特征，使用自编码器（Auto-Encoder，AE）及朴素贝叶斯（Native Bayes，NB）分类器分别建立三期独立、三期联合及临床-影像组学联合模型。通过受试者工作特征（ROC）曲线评估模型的鉴别效能，使用Delong检验比较各个模型间的ROC曲线下面积（AUC）。 结果:在测试集中，临床-影像组学联合模型的AUC最高（AUC=0.938，95% CI：0.828~1.000）。共13个特征（1个动脉期特征、8个门静脉期特征、2个肝胆期特征及2个临床特征）用于建立临床-影像组学联合模型。基于AE分类器的临床-影像组学联合模型测试集对应的AUC、准确度、灵敏度、特异度为0.896（95% CI：0.760~1.000）、88.5%、88.9%、87.5%；基于NB分类器的临床-影像组学联合模型测试集对应的值为0.938（95% CI：0.828~1.000）、92.3%、88.9%、100.0%。 结论:钆塞酸二钠增强MRI临床-影像组学联合模型对肝胆期等高信号HCC与FNH具有一定的鉴别效能，准确度、灵敏度及特异度高。

N 6-甲基腺嘌呤(m 6A)甲基化修饰即RNA腺嘌呤第6位氮原子的甲基化，这一动态过程由编码器、消码器、读码器共同调控。越来越多研究表明m 6A甲基化修饰影响消化系统肿瘤发生发展的多个环节如增殖、侵袭、转移、耐药等。对m 6A甲基化修饰在消化系统肿瘤中所扮演角色的深入了解将有助于新型精准诊疗策略的建立进而改善患者的总体预后。

目的 通过深度学习算法构建急性呼吸道传染病早期识别模型,协助开展医疗机构呼吸道传染病早期识别工作.方法 收集2012年1月—2023年3月北京某大型三甲医疗机构急性呼吸道感染性疾病6 683例患者病历文本数据,使用基于自然语言处理(NLP)技术的双向编码器表征(BERT)训练词向量,结合卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)构建早期识别模型BERT_MCB,以受试者工作曲线、准确率、精确率、召回率和F1值等指标作为模型性能判断标准.结果 BERT_MCB模型整体优于随机森林、BERT、BERT_CNN、BERT_RNN四组基线模型,其中准确率提高了 1.20％～15.80％、精确率提高了 1.66％～23.69％、召回率提高了 0.25％～26.75％、F1值提高了 0.66％～27.25％.结论 本研究建立的急性呼吸道传染病早期识别模型可较为准确地识别出急性呼吸道传染病,表明深度学习算法在早期识别急性呼吸道传染病方面具有较好的应用前景.

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 基于CT检查的集成深度学习模型对肝门静脉定性与定量分型研究.方法 采用回顾性研究方法.收集2017年10月至2019年1月清华大学附属北京清华长庚医院收集291例行上腹部增强CT检查患者的影像学数据;男195例,女96例;年龄为(51±12)岁.采用三维重建系统对增强CT检查肝门静脉系统进行重建,并将三维点云输入至编码器模型后,得到三维重建的向量化表示.该向量化表示可以用于预测定性分型和定量表示分型.正态分布的计量资料以(x)±s表示,组间比较采用配对t检验.计数资料以百分数或绝对数表示,组间比较采用配对x2检验.结果 (1)门静脉三维重建结果及解剖分型.291例患者重建肝门静脉的三维结构,肝门静脉主干分型:Akgul A型211例,Akgul B型29例,Akgul C型16例,Akgul D型10例,无Akgul E型患者,无法分型25例.(2)门静脉主干定性分型的预测.291例患者样本中,排除25例因成像质量差或无法进行Akgul分型的样本,266例样本用于机器模型肝门静脉主干的自动定性分型(肝门静脉分类器),其中Akgul A型211例,Akgul B 型 29 例,Akgul C&D 型 26 例.266 例患者 Macro-F1为 61.93％±40.50％,准确率为 84.99％,Random分类器的Macro-F1为32.38％±19.81％,准确率为61.65％,两者上述指标比较,差异均有统计学意义(t=7.85,x2=62.89,P＜0.05).(3)定量表示门静脉分型.定量分型相似样本的Akgul定性分型的概率 P@1为73％±45％、P@3 为 70％±37％、P@5 为 69％±35％、P@10 为 67％±32％、MRR 为 80％±34％;基线模型 P@1为 57％±50％、P@3 为 58％±35％、P@5 为 58％±32％、P@10 为 58％±30％、MRR 为 70％±37％;两种模型上述指标比较,差异均有统计学意义(t=5.22,5.11,5.00,4.99,3.47,P＜0.05).结论 基于CT检查使用三维重建和深度学习技术建立肝门静脉结构的自动分型模型,可实现自动定性分型并定量描述肝门静脉结构.