目的:探讨伴有非自杀性自伤(non-suicidal self-injury，NSSI)行为的青少年抑郁障碍患者的心理理论能力特征，分析NSSI行为和心理理论能力之间的关系，以便早期识别有NSSI行为风险的患者并及时给予干预。方法:选取2021年5月至10月在深圳市康宁医院首次入院的青少年抑郁障碍患者54例，通过DSM-5将其分为伴NSSI组( n＝31)和不伴NSSI组( n＝23)。所有入组对象采用汉密尔顿焦虑量表14项(Hamilton anxiety rating scale，HAMA-14)、汉密尔顿抑郁量表17项(Hamilton depression rating scale，HAMD-17)评估焦虑、抑郁症状；采用暗示任务(hinting task)、Yoni心理理论任务、眼区测验(reading the mind in the eyes test，RMET)评估心理理论受损情况。采用SPSS 22.0软件中的Logistic回归分析探究心理理论能力对首次住院的青少年抑郁障碍患者NSSI行为的影响。 结果:伴NSSI组患者在HAMA-14[(21.48±4.92)分，(16.35±5.61)分]、HAMD-17[(25.61±4.08)分，(21.43±4.64)分]分值均高于不伴NSSI组，差异有统计学意义( t＝3.57，3.51，均 P<0.05)。伴NSSI组患者在暗示任务[(16.10±2.84)分，(18.17±1.15)分]、RMET任务[(21.61±2.58)分，(23.61±3.07)分]、Yoni二阶认知测试[(18.90±3.70)分，(20.96±2.72)分]、Yoni二阶情感测试[(28.84±3.93)分，(31.04±3.04)分]分值低于不伴NSSI组，均差异有统计学意义( t＝－3.68，－2.59，－2.27，－2.24，均 P<0.05)。二元Logistic回归分析显示心理理论能力情感成分(解码成分)( β＝－0.306， OR＝0.736，95% CI ＝ 0.552~0.982， P＝0.037)、认知成分(推理成分)( β＝－0.485， OR＝ 0.616，95% CI ＝0.396~0.957， P＝0.031)均与首次住院的青少年抑郁障碍患者的NSSI行为有关。 结论:心理理论能力情感成分(解码成分)和认知成分(推理成分)受损程度增加可能是青少年抑郁障碍患者NSSI行为发生的危险因素。

目的:通过高频刺激提升基于稳态视觉诱发电位（SSVEP）的脑-机接口（BCI）的用户舒适度，同时结合双频编码，克服高频导致的解码准确率下降问题。方法:基于25.5~39.6 Hz频率设计了左右视野和棋盘格视觉刺激的2种60指令双频高频编码范式。共采集了13名受试者的数据，针对SSVEP信号进行频域空域特征分析，并根据频域诱发成分优化滤波器组参数。分别采用滤波器组的扩展典型相关分析（eCCA）、集成任务相关成分分析（eTRCA）以及任务判别模式分析（TDCA）等算法进行SSVEP识别以验证范式可行性。结果:左右视野和棋盘格范式均成功诱发了稳定的SSVEP，左右视野基频及其谐波信噪比高，互调成分信噪比较弱，而棋盘格2个刺激频率的互调成分 f1+ f2的信噪比则明显高于30 Hz以上的二次谐波成分，同时还存在 f2? f1成分和2 f1? f2成分。结合脑地形图可以看出左右视野的 f1和 f2响应成分分别位于视野的对侧，而棋盘格则均集中于枕区中央。对于脑地形图振幅和信噪比的偏侧，左右视野刺激频率下PO3和PO4信噪比平均值符合对侧响应特征。5 fb?1方法为最优滤波器组设置方法，左右视野TDCA的识别正确率最高，而棋盘格eTRCA和TDCA的识别正确率比较差异没有统计学意义（ P>0.05），3种算法的信息传输速率均随数据长度的增加先升高后降低。 结论:设计的双频高频SSVEP-BCI范式能够较好平衡性能和舒适度，为实用性的大指令集BCI设计方法提供依据。

目的:探讨基于双模特征强化注意力网络的新生儿脑组织图像分割方法及其应用价值。方法:针对T1和T2双模态新生儿脑磁共振图像，在编码路径采用双模特征提取、可分离卷积和空间-通道注意力，在解码路径引入可分离卷积。采用数据互补性和完备性对提取的双模特征进行融合构建潜在统一表达，使用跳跃卷积连接编码路径和解码路径来增强信息传送。结果:基于双模特征强化注意力网络的新生儿脑组织图像分割方法能够准确分割白质、灰质和脑脊液，超过现有基准方法。结论:基于双模特征强化注意力网络的新生儿脑组织图像分割方法不仅改善图像分割的准确性和有效性，还可促进磁共振成像技术在新生儿大脑生长发育和健康评估的临床应用。

目的:探讨密集视频描述的自动化良性软组织肿瘤切除术手术记录生成方法及应用价值。方法:应用Transformer深度学习模型建立自动化手术记录生成系统，回顾性分析2021年9月至2023年8月空军军医大学西京医院骨科收治的30例良性软组织肿瘤患者手术视频。将患者数据按照8∶1∶1的比例随机分为训练集、验证集和测试集。在测试集上采用BLEU-1、BLEU-2、BLEU-3、BLEU-4、Meteor、Rouge、CIDEr共7个评价指标对模型生成手术记录文本质量进行评估，并与视频密集描述领域的经典算法并行解码的密集视频描述方法(PDVC)进行对比。结果:该手术记录自动生成系统在测试集中运行的结果：BLEU-1、BLEU-2、BLEU-3、BLEU-4、Rouge、Meteor、CIDEr分别为16.80、15.23、13.01、11.68、16.01、12.67、62.30。经典算法PDVC的运行结果：BLEU-1、BLEU-2、BLEU-3、BLEU-4、Rouge、Meteor、CIDEr分别为15.63、14.17、11.90、10.45、12.97、11.99、53.64。本研究提出的方法所有指标均较PDVC有明显提升，BLEU-4、Rouge、Meteor、CIDEr分别提升了1.23、3.04、0.68、8.66，证明模型可以更好地抓取视频中的关键信息，有助于生成更有效的文本记录。结论:基于密集视频描述的自动化良性软组织肿瘤切除术手术记录生成方法表现出良好的性能。

目的:探索基于深度学习方法自动分割彩色眼底图像上糖尿病患者视网膜渗出特征的可行性。方法:应用研究。基于印度糖尿病视网膜病变图像数据集（IDRID）模型的U型网络，将深度残差卷积引入到编码和解码阶段，使其能够有效提取渗出深度特征，解决过拟合和特征干扰问题，同时提升模型的特征表达能力和轻量化性能。此外，通过引入改进的上下文提取模块，使模型能捕捉更广泛的特征信息，增强对视网膜病灶的感知能力，尤其是提升捕捉微小细节和模糊边缘的能力。最后，引入卷积三重注意力机制，使模型能自动学习特征权重，关注重要特征，并从多个尺度提取有益信息。通过查准率、查全率、Dice系数、准确率和灵敏度来评估模型对彩色眼底图像上糖尿病患者自动视网膜渗出特征的检测与分割能力。结果:应用本文研究方法后，改进模型在IDRID数据集上的查准率、查全率、相似系数、准确率、灵敏度、分别达到81.56%、99.54%、69.32%、65.36%、78.33%。与原始模型相比，改进模型的查准率和Dice系数分别提升了2.35%和3.35%。结论:基于U型网络的分割方法能自动检测并分割出糖尿病患者眼底图像的视网膜渗出特征，对于辅助医生更准确地诊断疾病情况具有重要意义。

目的:建立一种基于注意力机制的残差网络模型，对结直肠病理学图像中的常见的8种"图像块"进行多分类诊断。方法:采用基于注意力机制的残差神经网络来预测8种结肠病理学图像的标签，同时基于梯度加权热力图算法（Grad-CAM）生成的注意力热图将网络学习到的模式解码为可解释性类别特征。结果:所提出的方法对包括结肠癌在内的8种结肠组织图像块的识别准确率和AUC值分别达到了98.78%和0.998 3,生成的注意力热图也与病理专家的判断方法基本一致。结论:基于注意力机制的残差网络模型在病理学图像多分类中可达到较高的识别精度，有助于医生采取对症治疗方式时实时、客观、精确的诊断结果，还可以为病理学图像的分类结果提供可解释性。

《中华耳鼻咽喉头颈外科杂志》作为本专业的旗舰杂志，在引领学科和推动临床方面的作用无可替代。今日耳熟能详的概念，举手可得的方法，都是前辈探索实践的结晶；同样地，目前面临的挑战，解码之后又必然会成为明天的工具。由此可知，科学的问题就在我们身边，看得见，摸得着，用得上。其次，科学研究需要探索和交流，其中传播最为广泛、留存时间最长的方法仍然是依托媒介搭载的各种文字、图片等。故以图文表达的形式展示科学研究的结果是学术交流的主要形式之一。再次，临床医生无时无刻不在跟具有生物属性和社会属性的两类个体——同行与患者打交道。由此决定了临床医生特殊的行为艺术：面对同行时的谦谦君子和语惊四座的独特风格；面对患者时的言简意赅和删繁就简的沟通能力。随着科学研究的深入、人工智能（AI）辅助技术的应用和大众对健康的关注，以上三个方面，即科学问题、语言文字、谈吐艺术，不仅贯穿临床实践的全过程，而且同时也是对临床医生更高层面的要求：科学的问题，艺术的展示。

目的 探索一种基于6 种手部精细运动解码的脑机接口(BCI)技术.方法 在分析了 6 种手部常见精细运动脑电图(EEG)产生机理与响应特性的基础上,设计了手部精细运动执行BCI范式,实现了一种基于卷积神经网络的运动相关EEG信号解码模型,并搭建了基于手部精细运动的BCI系统,对8 例健康受试者、2 例因病变累及顶叶而出现明显运动功能障碍患者的 6 种精细运动手势EEG信号进行了分类.结果 10 例受试者在基于手部精细运动的BCI系统下,EEG信号的分类准确率为(79.20±6.05)%.结论 基于6种手部精细运动解码的BCI方法具有一定有效性和泛化能力.

目的:准确提取用于形态评估和临床疾病监测的医学图像中的目标区域,改进将卷积神经网络(CNN)与转换器(Transformer)结合的混合网络用以学习图像局部信息和全局信息.方法:①通过引入基于CNN的解码器并将其与金字塔视觉转换器(PVT)整合,开发了一种新颖的特征细化分割网络称为特征细化金字塔视觉转换器(FR-PVT).解码器用于细化PVT捕获的多尺度全局特征,由特征细化模块(FRM)和上下文注意模块(CAM)以及相似性聚合模块(SAM)共同构成.②为了验证FR-PVT,将其用于五个公共结肠镜图像数据集(ClinicDB、ColonDB、EndoScene、ETIS和KvasirSEG)的息肉分割和温州医科大学附属眼视光医院提供的眼部视频数据集的睑裂分割.③使用四种不同的指标评估FR-PVT的性能,包括Dice系数、IOU、Matthew 系数(MCC)和 Hausdorff 距离(Hdf).FR-PVT与现有网络[即息肉 PVT(Polyp-PVT)、U-Net 及其变体]在相同的分割任务上进行比较.结果:①FR-PVT能够处理各种成像条件下获取的结肠镜图像,并在分割ClinicDB、ColonDB、EndoScene、ETIS和KvasirSEG数据集时获得平均Dice分别为 0.937、0.819、0.892、0.800和0.909.②在眼部视频数据集中的图像上进行的实验结果显示,FR-PVT获得的平均Dice、IOU、MCC和Hdf分别为0.966、0.943、0.957和4.706.③在五个息肉数据集上的分割性能对比显示,FR-PVT分别获得了平均Dice系数和IOU分别为0.840和0.764,优于Polyp-PVT(0.834和0.760)、U-Net(0.561 和0.493)、U-Net++(0.546和0.476)、SFA(0.476和0.367)、PraNet(0.741和0.675).在眼部视频图像上的分割性能显示,FR-PVT分别获得了 0.840的平均Dice系数和0.764的平均IOU.结论:FR-PVT实现了比Polyp-PVT和现有的几种基于CNN的网络(如U-Net及其变体)更好的分割性能.

目的:利用卷积神经网络实现基于锥形束CT(cone-beam computed tomography,CBCT)体素数据的牙齿实例分割和牙位标定.方法:本文所提出的牙齿算法包含三个不同的卷积神经网络,网络架构以Resnet为基础模块,首先对CBCT图像进行降采样,然后确定一个包含CBCT图像中所有牙齿的感兴趣区域(region of interest,ROI).通过训练模型,ROI利用一个双分支"编码器-解码器"结构网络,预测输入数据中每个体素所对应的相关空间位置信息,进行聚类后实现牙齿的实例分割.牙位标定则通过另一个多类别分割任务设计的U-Net模型实现.随后,在原始空间分辨率下,训练了一个用于精细分割的U-Net网络,得到牙齿的高分辨率分割结果.本实验收集了 59例带有简单冠修复体及种植体的CBCT数据进行人工标注作为数据库,对牙齿算法的预测结果使用实例Dice相似系数(instance Dice similarity coefficient,IDSC)用来评估牙齿分割结果,使用平均 Dice 相似系数(the average Dice simi-larity coefficient,ADSC)评估牙齿分割及牙位标定的共同结果并进行评定.结果:量化指标显示,IDSC为89.35％,ADSC为84.74％.剔除了带有修复体伪影的数据后生成了有43例样本的数据库,训练网络得到了更优良的性能,IDSC为90.34％,ADSC为87.88％.将得到的结果进行可视化分析,牙齿算法不仅可以清晰地分割出CBCT中牙齿的形态,而且可以对牙齿的分类进行准确的编号.结论:该牙齿算法不仅可以成功实现三维图像的牙齿及修复体分割,还可以准确标定所有恒牙的牙位,具有临床实用性.