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: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。

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 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.

文章充分利用红鳍东方鲀(Takifugu rubripes)体侧纹理特征提出了一种基于轻量级卷积神经网络的鱼类个体身份识别方法,可在无损前提下实现红鳍东方鲀个体身份的高精度识别.首先,采用SOLOv2模型进行前景分割,并结合红鳍东方鲀体型特点,通过质心和哈希值计算方法完成数据集生成和筛选;随后,从多维度分别测试主流深度学习图像分类骨干网络和不同损失函数在红鳍东方鲀身份识别中的效果;继而,在MobileNet v2骨干网络基础上,耦合Softmax Loss函数,建立了一种适用于红鳍东方鲀的个体身份无损识别的最优组合方法.研究结果表明,文章方法准确率可达90.2％,优于其他相关主流方法(准确率73.6％-89.3％),相关研究成果将为循环水养殖鱼类个体身份无损识别和精准生物量估算提供技术支撑.

鸟鸣识别是生态监测的重要手段,为进一步提升鸟鸣识别的准确性和鲁棒性,本文提出了 1种新的基于深度特征融合的鸟鸣识别方法.该方法首先利用深度特征提取网络对鸟鸣的对数梅尔谱图和补充特征集的深度特征进行提取,再将两种深度特征进行融合,最后使用轻量级梯度提升机(light gradient boosting machine,lightGBM)分类器进行分类.本文充分利用深度神经网络的特征提取能力以及lightGBM的分类性能,将特征提取和特征分类过程进行分离,从而实现了高准确率的鸟鸣识别.实验结果显示,本文提出的方法在北京百鸟数据集中取得了目前已知的最佳结果,模型的平均准确率达到了98.70％,平均F1分数达到了98.84％.相比传统方法,深度融合特征在鸟鸣识别任务上准确率提升了5.62％以上.同时,引入的lightGBM分类器使分类准确率提升了3.02％.此外,在CLO-43SD和BirdCLEF2022比赛的数据集中,本文方法也展现出卓越的性能,分别取得了98.32％和91.12％的平均准确率.本文还引入了类激活图对不同类型鸟鸣的识别结果进行可解释性分析,揭示了神经网络对不同类型鸟鸣的注意力区域差异,为后续的特征选择和模型优化提供了理论依据.研究结果表明,本文方法有效提高了鸟鸣识别的准确率,在3个数据集的测试中均展现出较好的性能,能够为基于鸟鸣识别的生态监测提供有力的技术支撑.

为提高心律失常智能诊断的准确率,本研究提出了一种多网络融合模型和Stacking集成学习算法,用于八种心律失常疾病的智能诊断.使用1 D CNN—BiLSTM融合网络提取单导联信号的高维特征和时域相关性特征,将十二个导联的心电信号特征融合,得到高维的特征张量,采用Stacking集成学习算法训练得到泛化性更好的诊断模型.通过比较准确性、精确性、召回率、F1-Score四个诊断性能指标,验证了利用十二导联融合特征作为最终诊断特征,准确率有显著提升,且Stacking集成学习算法较单一机器学习算法有更好的性能.本研究通过将机器学习、神经网络、集成学习算法有效结合,训练得到的心律失常智能诊断模型有较高的准确率,为基于心电信号的心律失常智能诊断提供了一种新方法.

目的:为了满足临床新冠肺炎检测的实际需求,提出一种基于轻量级人工神经网络的新冠肺炎CT新型识别技术.方法:首先,选取目前公开的所有新冠肺炎CT图像数据集,经过图像亮度规范化和数据集清洗后作为训练数据,通过大样本提高深度学习的泛化能力;其次,采用GhostNet轻量级网络简化网络参数,使深度学习模型能够在医用计算机上运行,提高新冠肺炎CT诊断的效率;再次,在网络输入中加入肺部区域分割图像,进一步提高新冠肺炎CT诊断的准确性;最后,提出加权交叉熵损失函数减小漏诊率.结果:在本研究构建的数据集上进行测试,所提出方法的精确率、召回率、准确率和F1值分别为83％、96％、90％和88％,且在医用计算机上耗时为236 ms.结论:本研究提出方法的效率和准确性均优于其他对比算法,能较好地适应新冠肺炎诊断的需求.

视网膜血管的精准分割对眼部疾病的诊断、预防及后续检测具有重要意义,近些年U-Net网络及其各种变体在医学图像分割领域达到了先进的水平.这些网络大多数都选择使用简单的最大值池化来对图像中间特征层进行下采样,这容易丢失部分信息,该研究提出了一种简单而有效的新型下采样方法PF池化(PF-pooling)方法,可以很好地将图像相邻像素信息进行融合.该研究所提出的下采样方法是个轻量级的通用模块,可以有效地集成到各种基于卷积操作的网络架构中.在DRIVE和STARE数据集上的实验结果显示,使用PF池化的U-Net模型有STARE数据集上的F1-score指标提升了1.98％,准确率提升了0.2％,灵敏度提升了3.88％.并且通过更换不同算法模型来验证,并提出模块的泛化性,结果表明PF池化在Dense-UNet和Res-UNet模型上均实现了性能的提升,具有很好的普适性.