目的:建立血液分析检验结果人工智能（AI）审核规则。方法:纳入2019年8月1日至31日吉林大学第一医院住院患者血液分析数据18 474份，作为AI审核规则训练组，采集其对应的患者年龄、镜检结果、临床诊断信息，以血液分析报告参数、研究参数、报警信息等92个实验室参数作为AI审核规则的候选条件；依据镜检的人工审核作为审核标准，标注是否通过或拦截；采用决策树算法，通过高强度、多轮次及五折交叉验证，初步建立AI审核规则，通过设置重要病例必中，以优化AI审核规则。采用卡方检验比较AI审核规则与自动审核规则的假阴性率、精确率、召回率、F1分数、通过率等指标，评价AI审核规则性能。收集2023年11月1日至31日吉林大学第一医院检验科12 475份住院患者血液分析数据作为验证组，将AI审核规则模拟用于结果审核，分析AI审核规则的性能指标，验证AI审核规则的性能。结果:AI审核规则由15项规则、17条参数构成，能够分辨计数和形态异常。与自动审核规则相比，AI审核规则的训练组真阳性率、假阳性率、真阴性率、假阴性率、通过率、正确率、精确率、召回率、F1分数分别为22.7%、1.6%、74.5%、1.3%、75.7%、97.2%、93.5%、94.7%、94.1，均优于自动审核规则，差异具有统计学意义（ P<0.001），且无重要病例漏检。验证组真阳性率、假阳性率、真阴性率、假阴性率、通过率、正确率、精确率、召回率、F1分数分别为19.2%、8.2%、70.1%、2.5%、72.6%、89.2%、70.0%、88.3%、78.1，与自动审核规则相比，假阴性率较低、假阳性率和召回率稍高，差异具有统计学意义（ P<0.001）。 结论:利用机器学习的决策树算法建立并验证的血常规AI审核规则，能较稳定地识别、拦截与提示异常结果，与自动审核相比在血液分析检验结果报告中更加简便、高效、准确。

随着大数据时代的到来，人工智能得以在医疗领域崭露头角并实现了飞速发展，尤其在肿瘤诊断方面存在巨大潜能。人工智能利用自动化图像分割及提取等关键技术，在实现短时间内对大量肿瘤信息汇总分析的同时，还可以反映现实环境中成像数据的分布，使肿瘤诊断从主观感知转向客观科学，从而高效精确地协助医师的诊断，为诊疗计划的制订和预后的判断提供坚实的基础。笔者拟对人工智能在肿瘤诊断中的关键技术及当前的应用进行综述。

如何预测新发心房颤动（房颤）的发病是亟待解决的公共卫生难题。现有的房颤预测模型尚不能较全面地涵盖发病相关的临床信息，疾病预测能力有限。机器学习这一新兴人工智能技术具有可处理大量数据和自动化分析的优势，可弥补传统数学模型在预测新发房颤时的不足。本文将对机器学习预测新发房颤的相关研究进行综述。

不同抑郁症患者的最优治疗方案一般需通过长期、低效率的试错过程来逐步确定。为实现抑郁症的精准治疗，有必要通过特异性生物标志物来选择有效的治疗方法。深度学习是机器学习的一个分支，该技术能处理大量高维、复杂的数据，适用于自动提取和学习临床、基因组学和神经影像数据的特征。近年来，研究人员正在使用深度学习技术开发抑郁症治疗反应的预测模型，有利于指导临床医生为患者选择最佳治疗方案以及在全球范围内推进更为高效的个体化精准医疗方案。本文从人口学、临床症状数据、基因组学数据和功能磁共振成像数据三个方面，对深度学习预测抑郁症疗效方面的相关研究进行综述，并对未来的深度学习研究方向尤其是多组学数据结合深度学习的应用进行展望。

随着第四次工业革命的发展，自动化、智能化的人工智能对检验分析前、中、后过程的影响不断加大。人工智能应用于通过提高自动化程度生成的大型临床数据集有助于发现新知识、开发新模型、发掘新领域；即时检验具有操作简便、便携化、智能化、适用条件宽等优点；应用人工智能构建预测模型有助于精准检验医学的发展；在近期出现的新型冠状病毒疫情中，人工智能在检验领域又萌生出了新的方向。

目的:通过手机拍摄PD伴冻结步态(FOG)患者的步态视频，构建基于手机视频的PD伴FOG患者的自动识别系统。方法:选择广州市第一人民医院神经内科自2020年12月至2021年5月收治的49例PD伴FOG患者，收集患者的临床资料，使用手机拍摄患者"3 m往返"和"3 m往返通过窄道(长0.6 m)的过程，获得87个有效视频，标注每个视频的转身阶段、直行阶段及其中的FOG事件。提取视频中关键点的位置信号，对信号预处理后提取特征数据，由特征数据分别建立动作识别模型、直行FOG识别模型和转身FOG识别模型，最后组成端到端的FOG识别模型。采用留一法(LOSO)评估上述模型的性能。结果:87个有效视频中25 881个窗口样本，其中22 066个非FOG窗口样本，3815个FOG窗口样本。LOSO法评估结果显示，动作识别模型的灵敏度为83.27%，特异度为91.38%，准确度为89.28%。直行FOG识别模型的灵敏度为57.69%，特异度为88.12%。转身FOG识别模型的灵敏度为61.54%，特异度为98.72%。端到端的FOG识别模型的灵敏度和特异度分别为85.71%、75.73%。结论:基于手机视频的PD患者FOG自动识别系统具有较高的灵敏度和特异度，可实现远程识别PD患者的FOG，便于对PD伴FOG患者的筛查和随访。

我国心血管疾病负担持续增加，其早期识别和预测对于改善心血管结局至关重要。人工智能系统在心血管风险预测、心血管影像等方面的迅速进展以及移动健康的发展使得自动获取多种生命体征数据成为可能，大大促进了心血管疾病的早期识别和诊断。心电图诊断中应用人工智能方法有助于快速准确诊断并优先处理最紧急情况，减少误差；人工智能与移动健康结合可用于多疾病监测的心脏健康监测服务平台；超声心动图结合人工智能研究有助于识别亚临床疾病或细微未被识别的影像学特征；使用机器学习模型可无创评估冠状动脉有无血流意义的狭窄和冠状动脉斑块的稳定性，以区分未来冠脉事件的发生风险。因此，人工智能的发展有潜力将医师从耗时、重复的传统医学模式中解脱出来，并进行最佳的心血管疾病危险因素管理，从而最大限度地减轻医疗保健系统的过重负担，提高心血管疾病健康管理水平。

新型冠状病毒感染（coronavirus disease 2019，COVID-19）流行对全球卫生健康带来了巨大威胁。作为呼吸道传播为主的传染性疾病，COVID-19流行使得睡眠呼吸疾病的诊疗管理面临着严峻的挑战。阻塞性睡眠呼吸暂停患者感染COVID-19后，出现危及生命的不良结局风险显著增加。在此情形下，国内外提出了诸多应对策略，包括规范睡眠呼吸疾病诊疗流程、增加个人防护设备、倡导医师为患者提供远程医疗服务、促进机器学习和便携设备的研发投入、指导患者居家睡眠监测和使用自动滴定技术等。本文旨在介绍COVID-19对睡眠呼吸疾病诊疗模式的影响，并为将来可能出现的突发公共卫生事件提供应对建议。

计算机辅助技术在内镜中的各项应用是近年来的研究热点，其中使用深度学习的人工智能技术(AI)具有跨时代意义。卷积神经网络(CNN)在图像分析中表现最佳，在消化学科领域，CNN被用于处理大量的临床数据和各种内镜图像资料。现主要介绍机器学习技术和AI在无线胶囊内镜小肠疾病自动诊断中的应用。

随着大数据时代的到来，基于机器学习的人工智能技术，尤其是人工神经网络技术发展迅速，相关研究已涉及口腔医疗多个领域，特别在口腔三维解剖特征的自动化分割与识别方面具有巨大的应用前景，可辅助口腔医师及技师完成繁琐重复的手工操作，并更高效精确地完成诊断与诊疗计划制订。本文简要总结人工神经网络在口腔三维解剖特征的分割与识别领域的应用现状与现存问题，为相关研究与临床应用提供参考。