目的:研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法:MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例，以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本，随机划分300例用于训练与验证，197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC)，与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响，按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN)，使用相同数据训练与测试，统计并对比两者DSC。结果:MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020，训练与测试时长是Unet、DeepLabv3+的1/3~1/30，S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002，脊髓平均值相差0.001，但标准差却比MTLW-CNN高0.014。结论:MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画，不仅可以提高模型应用效率，还有利于提高模型的泛化性能。

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:评价一款轻量级医学影像软件——RadiAnt ?在枕下乙状窦后入路及解剖学测量开颅手术术前规划中的应用。 方法:选择中山大学附属第三医院神经外科自2020年6月至2021年6月行颅脑CT静脉造影(CTV)的43例住院患者进入研究，其中35例患者CTV数据用于测量星点和乳突切迹起点与横窦乙状窦连接处(TSSJ)空间关系，余8例患者进行枕下乙状窦后入路开颅手术术前规划。记录8例开颅患者开颅时间(以暴露静脉窦缘为准)、静脉窦损伤情况等手术指标及术后2周内并发症发生情况。结果:(1)解剖学测量：在左侧，TSSJ位于星点外侧(0.89±0.33) cm，下方(0.63±0.46) cm，两者直线距离为(1.15±0.42) cm；位于乳突切迹起点内侧(0.76±0.49) cm，上方(1.97±0.52) cm，两者直线距离为(2.18±0.49) cm；星点位于表面者占37%，位于横窦上方者占29%，位于下方者占34%。在右侧，TSSJ位于星点外侧(0.88±0.39) cm，下方(0.64±0.43) cm，两者直线距离为(1.12±0.54) cm；位于乳突切迹起点内侧(0.74±0.40) cm，上方(1.93±0.45) cm，两者直线距离为(2.16±0.43) cm；星点位于表面者占40%，位于横窦上方者占26%，位于下方者占34%。(2)术前规划及手术情况：8例手术患者中，关键孔位于星点外侧(0.96±0.49) cm、下方(0.53±0.18) cm，位于乳突切迹起点内侧(0.46±0.35) cm、上方(1.76±0.47) cm；乙状窦内缘位于乳突切迹起点内侧(0.13±0.51) cm、上方(0.21±0.46) cm；横窦下缘位于星点内侧(2.17±0.45) cm、下方(0.53±0.35) cm。手术中所有患者关键孔、横窦下缘及乙状窦内缘均定位准确，骨窗缘距乙状窦内侧缘为(3.5±1.0) mm，开颅时间为(25.7±4.1) min，无静脉窦损伤。术后CT显示骨瓣复位良好，骨质缺损较少。随访2周无脑脊液漏和皮下积液发生。结论:利用RadiAnt ?软件进行三维重建能够低手术成本，快速完成解剖学测量及术前规划，为枕下乙状窦后入路精准开颅提供便利。

目的:探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法:采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料；男235例，女42例；年龄为(56±10)岁，年龄范围为33～80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图，支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标：(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以 ± s表示，组间比较采用配对 t检验。计数资料以绝对数表示，组间比较采用 χ2检验。单因素和多因素分析采用Logistic回归模型。 结果:(1)训练集及验证集患者临床病理资料分析：训练集和验证集患者性别(男，女)分别为157、36例和78、6例，两组比较，差异有统计学意义( χ2＝6.028， P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析：训练集193例患者中，MVI阳性108例，MVI阴性85例。单因素分析结果显示：年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比＝0.971，2.449，1.368，4.050，2.956，4.083，2.532，1.996，95%可信区间为0.943～1.000，1.169～5.130，1.180～1.585，1.316～12.465，1.310～6.670，2.214～7.532，1.016～6.311，1.323～3.012， P<0.05)。多因素分析结果显示：AFP>20 μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比＝3.680，3.100，1.438，3.628，95%可信区间为1.842～7.351，1.334～7.203，1.201～1.721，1.438～9.150, P<0.05)，而年龄越大，MVI发生风险越低(比值比＝0.958，95%可信区间为0.923～0.994， P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较：①应用多因素分析结果筛选指标，包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界，构建逻辑回归列线图，SVM、RF、ANN及LightGBM机器学习算法预测模型，一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815，SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较，差异均无统计学意义[(95%可信区间为0.731～0.849，0.744～0.860，0.752～0.867，0.747～ 0.862，Z＝0.995，0.245，0.130，0.102， P>0.05)和(95%可信区间为0.690～0.873，0.679～0.865，0.702～0.882，0.715～ 0.891，Z＝0.325，0.026，0.744，0.803， P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序，选择重要度>0.01的指标，包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ－谷氨酰转移酶、ALP和纤维蛋白原，构建RF机器学习算法预测模型；挑选重要度>5.0的指标，包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原，构建LightGBM机器学习算法预测模型；由于ANN及SVM机器学习算法不具备筛选指标能力，应用单因素分析结果筛选指标，包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平，构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836，分别与逻辑回归列线图AUC比较，差异均无统计学意义[(95%可信区间为0.740～0.857，0.779～0.887，0.729～0.848，0.789～0.895，Z＝0.421，0.119，0.689，1.517， P>0.05)和(95%可信区间为0.710～0.888，0.700～0.881，0.701～0.881，0.740～0.908，Z＝0.856，0.458，0.532，1.306， P>0.05)]。 结论:机器学习算法可用于术前预测肝细胞癌MVI，但其应用价值尚需多中心大样本数据进一步验证。

目的:应用深度学习进行病毒电镜图像的分类，通过多种模型性能的比较，提供适用于病毒电镜图像分类的网络模型，提供病毒电镜图像识别的辅助与支持，减少研究人员的劳动强度和分析时间。方法:通过加深网络深度、调整学习率和批量大小等参数，使用AlexNet、VGG、ResNet、DenseNet、SqueezeNet、MobileNet、ShuffleNet多种经典的卷积神经网络对七种病毒电镜图像进行分类。结果:DenseNet169以91.9%的准确率、90.1%的敏感度和98.6%的特异度取得了模型最佳性能。其中，模型对细小病毒的识别效果最好，乳头瘤病毒、疱疹病毒、痘病毒和轮状病毒的精确率、敏感度、特异度和F1值均在90%以上，甚至接近100%。同时，轻量级网络ShuffleNet的性能以更少的参数量和浮点次数超越了深度网络AlexNet和VGG，并能够以比ResNet少约15倍的参数量和90余倍的浮点运算次数取得与之相当的结果；与DenseNet相比，孙世丁通过牺牲可接受范围内的识别性能换取了比其少约10倍的参数量和80余倍的浮点运算次数。结论:深度网络DenseNet169能够以最佳性能实现病毒电镜图像的自动识别，轻量网络ShuffleNet_v2_x0_5能够以更少的参数量和浮点运算次数实现次优性能，在实际应用中可结合具体情况在深度网络和轻量级网络之间进行取舍。

全院性辐射防护管理信息系统构建与运行对于提高医院辐射防护管理效率、提升管理质量具有较大意义。某院构建了一套全院性辐射防护管理系统，由放射工作人员管理模块、防护物品管理模块、场所与设备管理模块、自查模块4大模块组成。主要采用B/S模式，搭载轻量级J2EE框架－SpringBoot框架，使用兼具灵活性与实用性的mybatis作为系统的持久层，将数据完整存储于SQLServer数据库中。采用JAVA语言作为系统开发语言，运用前后端分离架构。四大模块落实管理责任科室及责任人员，进行医院辐射防护的全方位管理，实现医院辐射防护管理的整体化、信息化和规范化管理。

目的:构建并验证轻量级卷积神经网络模型，探讨其在筛查煤工尘肺早期阶段（小阴影密集度达到0/1级与尘肺壹期）中的应用价值。方法:收集2018年10月至2021年3月在安徽省某职业病防治院进行职业健康检查的煤矿工人（共1 225例）数字化X射线胸片进行研究。所有胸片经过3名具有诊断资质的影像医生集体诊断并给出诊断结果。其中，圆形及不规则小阴影密集度为0/-或0/0级的胸片692例，0/1级至尘肺叁期的胸片533例。对原始胸片进行不同的预处理生成4个数据集，即16位灰度原始图像集（Origin16）、8位灰度原始图像集（Origin 8）、16位灰度直方图均衡图像集（HE16）和8位灰度直方图均衡图像集（HE8）。应用轻量级卷积神经网络ShuffleNet对4个数据集分别训练生成预测模型，使用受试者工作特征（ROC）曲线、准确率、灵敏度、特异度以及约登指数等指标在包含130例胸片的测试集上对4个模型的尘肺预测性能进行评估。采用Kappa一致性检验对模型预测结果与医生诊断尘肺结果进行一致性比较。结果:Origin16模型预测尘肺获得了最高的ROC曲线下面积（AUC=0.958）、准确率（92.3%）、特异度（92.9%）和约登指数（0.845 2），灵敏度为91.7%；Origin16模型的预测结果与医生诊断结果的一致性最高（Kappa值为0.845，95% CI：0.753~0.937， P<0.001）。HE16模型的灵敏度最高（98.3%）。 结论:轻量级卷积神经网络ShuffleNet模型可以高效地识别煤工尘肺的早期阶段，将其应用于煤工尘肺的早期筛查中可以有效地提高医生的工作效率。

目的 评估基于CT增强的影像组学诺模图对结肠癌微卫星不稳定(MSI)状态的预测价值.方法 回顾性分析129例术后明确MSI状态的结肠癌患者,按照7∶3的比例随机分为训练组(n=90)和验证组(n=39),从患者术前CT增强图像中提取影像组学特征,通过曲线下面积(AUC)评估不同机器学习算法的预测性能,并结合临床独立危险因素构建诺模图模型.采用决策曲线分析(DCA)评估模型的综合性能.结果 年龄和病变部位作为显著的独立危险因素被用以构建临床模型.选取轻量级梯度提升机(LightGBM)算法建立影像组学模型.诺模图模型作为联合模型,在训练组和验证组AUC分别为0.917和0.822,DCA显示诺模图模型具有良好的临床应用价值.结论 基于CT增强的影像组学诺模图提供了一种全新的结肠癌MSI状态的个性化预测方法.

目的 基于眼底彩照,分别应用经典卷积神经网络 DenseNet121 和轻量级网络 GhostNet 训练糖尿病视网膜病变(diabetic retinopathy,DR)的诊断模型(将DR和正常眼底做区分)和鉴别诊断(将DR和其他眼底病做区分)模型,评价基于轻量级网络GhostNet的DR诊断模型的应用价值.方法 收集大样本的眼底彩照29 535 张(含DR 9 883 张、正常眼底2 000 张、用于做鉴别诊断的其他致盲性眼底病 17 652 张).分别采用经典卷积神经网络DenseNet121 和轻量级网络GhostNet建模,并借助迁移学习做模型训练.采用受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)、灵敏度、特异度、准确率评价模型性能.结果 与基于DenseNet121 的模型相比,基于GhostNet的模型对单张眼底照的诊断时间缩短了 60.3%.在DR的诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为 0.911、0.888、0.934、91.3%,基于DenseNet121 的模型的AUC值、灵敏度、特异度、准确率分别为 0.954、0.921、0.986、95.5%.在DR与其他眼底病的鉴别诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为 0.862、0.856、0.901、87.8%;基于DenseNet121 的模型的AUC值、灵敏度、特异度、准确率分别为 0.899、0.871、0.935、90.2%.结论 基于GhostNet轻量级神经网络构建的DR诊断模型和鉴别诊断模型,其诊断效率较经典模型DenseNet121 有显著提升,并且模型兼具较高的准确率.对于社区医院等缺乏眼科医师且设备性能不高的基层医疗机构,可考虑应用该技术开展DR的初筛.

以鲫(Carassius auratus)常见病害为例,从实际生产角度出发,提出了一种基于机器视觉和改进YOLOv5s的鲫病害轻量级无损检测模型,可实现鲫鱼体多种病害的同步无损快速检测.首先,通过利用Shuf-fleNetV2替换YOLOv5s主干网络,对模型进行轻量化改进;在此基础上,耦合一种基于卷积块的注意力机制[Convolutional block attention module(CBAM)]提高模型精准度;最后,结合空洞空间卷积池化金字塔[Atrous spatial pyramid pooling(ASPP)]提升模型鲁棒性.通过在自制鲫病害数据集上测试可知,文章所提出模型病害检测精确率可达92.0％,模型体积仅为14400 kb,优于当前相关主流模型(最高精确率为83.6％,最小体积为15750 kb),为水产养殖鱼类病害无损快速检测提供了技术支撑.