为提高候选结节检测性能,应用深度学习技术提出基于3DSCANet的候选结节检测算法.该算法提出增强坐标注意力机制模块(SCA),在坐标注意力机制的基础上做出改进,使之能提取三维(3D)特征,并引入自适应卷积提取跨通道特征,增加SCA注意力机制的特征提取能力;提出一种将3D长方体锚框转换为3D球体的方法,并进一步引入新的球体交并比损失函数SIoUX,以充分利用肺结节的球体形态特征.在实验阶段,该方法在LUNA16数据集上采用十折交叉验证的方法进行测试,平均召回率CPM达到0.94.

目的:构建循环生成对抗网络(CycleGAN)对模糊、曝光不足、曝光过度等低质量眼底图像进行质量提升，并对其效果进行评估。方法:从EyePACS数据集中分别选取700张高质量和700张低质量眼底图像作为本研究的数据集。对数据集图像进行裁剪并统一缩放至512×512分辨率。采用2个生成模型和2个判别模型构建CycleGAN，生成模型根据输入的低/高质量眼底图像生成匹配的高/低质量图像，判别模型判别原始图像和生成图像。将本研究提出的算法与限制对比度自适应直方图均衡化(CLAHE)、动态直方图均衡化(DHE)、带色彩恢复的多尺度Retinex(MSRCR)3种图像增强算法的结果进行视觉定性评估，并采用清晰度、BRISQUE、色度、饱和度作为定量指标进行评估。应用糖尿病视网膜病变(DR)诊断网络对原图及不同算法增强图像进行诊断；并比较其准确度和特异度。结果:CycleGAN算法对模糊、曝光不足、曝光过度3类低质量眼底图像的增强均取得最优效果，增强后的眼底图像对比度高、色彩丰富，视盘、血管结构清晰。CycleGAN算法增强的图像清晰度仅次于CLAHE算法；BRISQUE质量分数为0.571，比CLAHE、DHE和MSRCR算法分别高出10.2%、7.3%和10.0%；色度和饱和度分别为103.03、123.24，均高于其他算法；该算法增强100张图像仅需35 s，仅次于CLAHE算法，在速度上具有明显优势。CycleGAN算法增强的图像在DR诊断中的准确率和特异度分别为96.75%和99.60%，均较原图有所提高。结论:CycleGAN可有效提升模糊、曝光不足、曝光过度眼底图像的质量，并有效提高计算机辅助DR诊断系统的准确率，可能在眼科临床诊断中有很大的应用价值。

目的:利用机器学习预测右向左分流(right-to-left shunt，RLS)人群隐源性卒中(cryptogenic stroke，CS)发病风险，为CS的准确和高效预测提供解决方案。方法:回顾分析2018年1月至2023年9月在青岛大学附属医院崂山院区神经内科治疗的经颅多普勒超声发泡试验(c-TCD)阳性的289例RLS人群的临床数据，包括人口统计学信息、疾病史、实验室检查指标、诊断和治疗等。使用机器学习train_test_split()函数将数据集随机分为训练集和测试集，比例为8∶2。采用Logistic回归、决策树、随机森林、极端梯度提升、人工神经网络、梯度提升、极限树和自适应增强等算法构建RLS人群CS风险预测模型，使用受试者工作特征曲线(receiver operating characteristic，ROC)及曲线下面积(area under curve，AUC)、混淆矩阵、精确率、召回率、准确率、F1值、校准曲线、决策曲线等综合评估模型性能。性能最优的模型使用特征重要性和SHAP值进行可解释性分析。使用SPSS 25.0进行 t检验、Mann-Whitney U检验和 χ2检验。采用Delong检验比较两模型间AUC的差异。 结果:289例RLS人群发生CS 166例(57.5%)，非CS 123例(42.5%)。统计分析结果显示，CS患者D-二聚体、平均血小板体积、纤维蛋白原等血液生化指标高于非CS患者(均 P<0.01)；训练集与测试集各变量均差异无统计学意义(均 P>0.05)。对测试集进行CS风险预测，随机森林模型取得了最高的AUC(0.885)、精确率(0.806)、召回率(0.879)、准确率(0.810)以及F1得分(0.841)。校准曲线显示随机森林模型最接近参考线，决策曲线表明随机森林模型具有更大的净受益。可解释性分析显示高风险因素包括平均血小板体积、D-二聚体、国际标准化比值、体质量指数以及年龄。 结论:基于随机森林的预测工具表现出色，在预测RLS人群CS风险方面准确性较高。

目的:利用放射组学特征构建不同的机器学习分类模型，预测盆腔肿瘤调强放疗剂量验证的γ通过率，并探讨最佳预测模型。方法:回顾性分析196例盆腔肿瘤调强放疗计划，采用基于模体测量方式的三维剂量验证结果，γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、支持向量机、自适应增强和梯度提升决策树4种机器学习算法，计算曲线下面积(AUC)值、敏感度和特异度，评估4种预测模型的分类性能。结果:随机森林、支持向量机、自适应增强、梯度提升决策树模型的灵敏度和特异度分别为0.93、0.85，0.93、0.96，0.38、0.69，0.46、0.46。随机森林模型和自适应增强模型的AUC值分别为0.81和0.82，支持向量机和梯度提升决策树模型的AUC值为0.87。结论:针对盆腔肿瘤调强放疗计划，可以采用基于放射组学特征的机器学习方法来构建γ通过率的预测模型。支持向量机模型和梯度提升决策树模型的分类性能要优于随机森林模型、自适应增强模型。

目的:评价深度学习重建（DLIR）算法结合低管电压技术相对于自适应统计迭代重建（ASiR-V）算法对腹部增强CT动脉晚期图像中微小动脉的显示情况。方法:前瞻性收集2021年12月至2022年1月就诊于北京大学人民医院需排查腹部疾病并接受腹盆腔增强CT扫描的患者。根据CT扫描不同管电压以简单随机法将患者分为80 kV低管电压（LV）组和120 kV高管电压（HV）组。根据不同重建算法，每组再进一步分为DLIR-H（D）和ASiR-V 50%（A）2个亚组。对患者进行CT增强扫描时均采用自动管电流调节技术，噪声指数统一设置为9。对重建层厚为0.625 mm的动脉晚期图像进行主观评价和客观指标评价，并记录动脉晚期扫描的辐射剂量。结果:共纳入168例患者，其中男76例，女92例，年龄18~85（53±15）岁，体质指数（24±3）kg/m 2；LV组91例、HV组77例。LV组主动脉和肝总动脉CT值明显高于HV组（ t=-14.20， P<0.001； t=-0.95， P<0.001）。管电压相同时，D亚组动脉晚期图像噪声明显低于A亚组，肝脏、主动脉、肝总动脉信噪比（SNR）和对比噪声比（CNR）均明显高于A亚组（ P均<0.001）。LV-D亚组中主动脉和肝总动脉SNR和CNR明显优于LV-A、HV-D、HV-A亚组（ P均<0.001）。腹部血管显示的主观评价方面，LV-D亚组肝总动脉、肠系膜下动脉、左结肠动脉升支边缘的空间分辨力以及左结肠动脉升支对比度均显著优于LV-A、HV-D、HV-A亚组（ P<0.05），脾区边缘动脉显示率（54.9%，50/91）显著优于HV-D（24.7%，19/77）和HV-A亚组（32.5%，25/77）（校正后 P<0.05）。LV组与HV组间有效辐射剂量分别为（4.91±1.97）、（5.43±1.78）mSv，差异无统计学意义（ P>0.05）。 结论:低管电压技术结合DLIR算法的腹部增强CT扫描能够有效提升肠系膜下动脉发出的左结肠动脉升支及脾区边缘动脉的显示水平，为类似微小血管的评估带来更多的可能性。

目的:采用基于放射组学的机器学习方法，探索盆腔肿瘤不同调强放疗技术下γ通过率(GPR)分类预测模型的可行性，并比较了4种集成树模型的分类性能。方法:回顾性收集了409例使用不同调强放疗技术的计划，采用基于模体测量方式的三维剂量验证结果，γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、自适应增强、极端梯度提升树和轻量级梯度提升机4种机器学习算法，并且通过计算灵敏度、特异度、 F1分数及曲线下面积(AUC)值来评估它们的分类性能。 结果:随机森林、自适应增强、极端梯度提升树、轻量级梯度提升机模型的灵敏度和特异度分别为0.96、0.82、0.93、0.89和0.38、0.54、0.62、0.62， F1分数和AUC值分别为0.86、0.81、0.88、0.86和0.81、0.77、0.85、0.83。其中极端梯度提升树模型的灵敏度达到0.93，特异度、 F1分数和AUC值均为最高，要优于其他3种模型。 结论:针对采用不同调强放疗技术的盆腔肿瘤调强计划，使用基于放射组学的机器学习方法来构建伽马通过率分类预测模型具有一定的可行性，能够为将来GPR预测的多机构合作研究提供基础。

目的:比较不同机器学习模型利用院前数据对严重创伤患者院内不良结局的预测效能。方法:采用回顾性队列研究分析2017年1月至2018年12月美国国家创伤数据库（NTDB）中100 135例严重创伤患者的临床资料，其中男69 644例，女30 480例（性别变量缺失11例）；年龄16~89岁［（50.1±21.1）岁］。临床特征包括人口学信息（性别、年龄）、创伤类型（钝性伤或穿透伤）、院前时间［急救医疗服务（EMS）反应时间、EMS现场时间和EMS转运时间］、院前生命体征（收缩压、脉率、呼吸频率和血氧饱和度）、创伤评分［格拉斯哥昏迷评分（GCS）、损伤严重度评分（ISS）］。将原始数据按入院年份分为训练集（2017年）和测试集（2018年）。其中训练集50 429例，测试集49 706例，按有无发生不良结局将患者分为无不良事件发生组（94 526例）和不良事件发生组（5 609例）。训练集中不良事件组为2 808例，测试集中不良事件组为2 801例。所有模型均基于训练集构建，采用神经网络（NNET）、朴素贝叶斯（NB）、梯度提升树（GBM）、自适应增强机（Ada）、随机森林（RF）、袋装树（BT）、分类增强机（CatBoost）和极度梯度提升（XGB）8种机器学习算法根据患者临床特征构建严重创伤患者临床结局的预测模型。根据预测模型的灵敏度、特异度、受试者工作特征（ROC）的曲线下面积（AUC）和Hosmer-Lemeshow拟合优度检验来评价模型预测效能。结果:NNET、NB、GBM、Ada、RF、BT、CatBoost和XGB模型在测试集中的灵敏度分别0.84，0.83，0.27，0.79，0.83，0.81，0.62，0.78；特异度分别为0.79，0.76，0.81，0.79，0.79，0.74，0.83，0.79；AUC分别为0.89（95% CI 0.88，0.90），0.86（95% CI 0.85，0.87），0.54（95% CI 0.53，0.55），0.86（95% CI 0.85，0.87），0.88（95% CI 0.88，0.90），0.83（95% CI 0.82，0.85），0.77（95% CI 0.76，0.79），0.86（95% CI 0.85，0.87），其中NNET模型的区分度最佳。NNET模型和NB模型的校准度也表现出良好的性能，Hosmer-Lemeshow拟合优度检验 P值>0.05。 结论:NNET模型对严重创伤患者院内不良结局的预测效能较好，可在一定程度上为快速预测严重创伤患者的预后提供参考。

目的:探讨深度学习图像重建（DLIR）算法优化儿童多发性大动脉炎增强CT（CECT）图像质量和提升血管壁测量精度的价值。方法:回顾性收集2019年9月至2020年4月于首都医科大学附属北京儿童医院32例进行低辐射剂量体部CECT的多发性大动脉炎患儿，扫描管电压100 kVp，将原始数据采用滤波反投影（FBP）、50%自适应统计迭代重建（ASIR-V）、100%ASIR-V、DLIR重建为0.625 mm的薄层图像。主观评价由两名医师采用5分法评估整体图像噪声、血管壁的显示能力以及诊断信心指数。客观评价测量各组图像血管壁厚度，计算测量标准差和变异系数（CV），同时计算对比噪声比。使用Friedman检验比较4组图像间主观评分的差异，采用随机区组的方差分析比较客观测量指标的差异。结果:整体噪声方面100%ASIR-V、DLIR间评分差异无统计学意义（ P>0.05），此两组图像评分均高于FBP、50%ASIR-V（ P均<0.05），血管壁显示能力与诊断信心指数DLIR优于其他图像（ P均<0.05）。客观测量结果显示，DLIR图像管壁厚度标准差和CV小于其他图像，差异有统计学意义（ P均<0.05），100%ASIR-V与DLIR间血管噪声值、肌肉噪声值、对比噪声比的差异无统计学意义（ P均>0.05），均低于FBP和50%ASIR-V图像（ P均<0.05）。与50%ASIR-V图像相比，DLIR图像的CV降低了22.9%，对比噪声比提升了46.8%。 结论:DLIR可改善大动脉炎患儿的CECT图像质量，提升血管壁的测量精度，使进一步降低辐射剂量成为可能。

目的 探索Stacking集成算法优化中医证候诊断模型效能的方法.方法 以肺癌中医证候诊断模型的构建为例,将来自9家医院肺癌患者的2598例次临床症状及体征信息作为自变量(即特征变量),中医证候信息作为因变量,采用Python 3.7软件将临床数据以8∶2比例按照随机数字表法分为训练集和测试集.运用卡方检验、Spearman相关性检验、最小绝对值收缩和选择算子(LASSO)逻辑回归分析筛选肺癌中医证候的稳定特征;利用支持向量机(SVM)、K近邻算法(KNN)、随机森林(RF)、极端随机树(ExtraTrees)、极端梯度提升机(XGBoost)、轻量级梯度提升机(LightGBM)、自适应增强(AdaBoost)、梯度提升(GB)及多层神经网络(MLP)9种机器学习算法进行训练,得到9种基础模型.在上述基础模型中筛选出性能表现较优的4种模型,运用Stacking集成算法进行融合形成融合模型,并通过上述9种机器学习算法对融合模型进行二次训练,运用准确率、微平均受试者工作特征(micro-average ROC)曲线、曲线下面积(AUC)和混淆矩阵指标进行评估,筛选最优诊断模型.结果 经数据处理得到稳定特征79个、中医证候13个.在基础模型训练中,RF、ExtraTrees、MLP及SVM基础模型综合性能表现较优,故将该4种模型的证候预测分布作为二次训练数据,并基于Stacking集成算法得到9种融合模型(SVM,KNN,RF,ExtraTree,XGBoost,LightGBM,GB,AdaBoost,MLP).其中XGBoost融合模型性能表现最优,在训练集和测试集中准确率分别为 0.850 和 0.838,过拟合差异为 0.012,micro-average ROC 曲线下面积(micro-average AUC)为 0.996.所有融合模型在测试集中的准确率和micro-average AUC较基础模型均有改善.结论 以肺癌的中医证候数据为例,通过Stacking集成算法得出XGBoost融合模型在提升肺癌中医证候诊断效能方面具有显著优势.可见Stacking集成算法能整合多种模型算法的优点,有效提升中医证候诊断模型识别效能,为同类研究提供方法学借鉴.

目的 探讨深度学习图像重建(DLIR)联合Smart去金属伪影(Smart MAR)算法在颌面部CT图像的应用价值.方法 纳入行颌面部增强CT检查且颌面部病变受口腔金属植入物干扰的患者34例.采用静脉期分别重建4组图像:50％自适应统计迭代重建(ASIR-V)(IR 组)、50％ASIR-V 联合 Smart MAR(IR+S 组)、中档 DLIR 联合 Smart MAR(D-M+S 组)及高档 DLIR 联合Smart MAR(D-H+S组).通过测量颌面部病变及头长肌CT值的标准差(SD)计算伪影指数(AI);对各组图像整体图像质量、病灶显著性和诊断信心进行主观评分.比较不同重建算法对图像质量的影响.结果 IR组的AI值较IR+S组升高(P＜0.05),而2组的噪声差异无统计学意义(P＞0.05).D-M+S组及D-H+S组AI值及噪声较IR+S组均降低(P＜0.05),AI值分别下降13.70％、19.06％,噪声分别下降16.37％、30.78％.IR+S组在整体图像质量、病灶显著性和诊断信心方面主观评分均低于D-M+S组及D-H+S组,高于IR组(P＜0.05).6例患者(17.64％)仅在加入Smart MAR算法组中检测到病变.然而,9例患者(26.47％)在Smart MAR算法组中舌部出现新的伪影.结论 DLIR联合Smart MAR可显著改善口腔金属植入物患者颌面部CT的图像质量、提高颌面部病变的显著性和诊断信心.Smart MAR算法可能产生新的伪影,需与无Smart MAR算法的图像一起分析.