目的:构建多标签学习MRI膝关节运动损伤检测诊断模型，并验证该模型的实际效能。方法:回顾性连续纳入2013年8月至2019年3月解放军东部战区总医院1 343例膝关节运动损伤青年患者的1 391个膝关节MRI图像。采用随机采样法将数据按7∶1∶2分为训练集（ n=973）、验证集（ n=139）及测试集（ n=279）。将膝关节损伤分为半月板损伤、肌腱损伤、韧带损伤、骨与骨端软骨损伤、滑膜关节囊损伤及周围软组织损伤6大类，由放射科医师依各层面图像对所有损伤进行标注作为金标准。根据PyTorch V1.1.0算法包搭建通用YOLO深度学习工具包，开发膝关节运动损伤MRI多标签定位检测模型，并在测试集上验证模型效能，评价其对病灶检测的灵敏度、特异度及平均精度均值。 结果:测试集279个膝关节MRI数据中，MRI多标签学习模型对半月板损伤、肌腱损伤、韧带损伤、骨与骨端软骨损伤、滑膜关节囊损伤及软组织损伤定位检测的平均精度均值分别为83.1%、89.0%、88.0%、85.8%、85.5%和83.2%，整体的平均精度均值为85.8%。模型对肌腱损伤检出效能最高，灵敏度为91.2%，特异度为87.1%。结论:多标签学习MRI膝关节运动损伤检测诊断模型可以有效辅助膝关节运动损伤的定位检测，提高影像诊断工作效率。

目的:对室间隔缺损、房间隔缺损、动脉导管未闭和卵圆孔未闭合并肺动脉高压4种常见先天性心脏病(简称先心病)心音信号进行分析，提出一种基于深度学习的智能听诊算法，实现心音信号的自动分类。方法:基于数字信号处理技术，将一维时序信号分类问题转换为二维图像分类问题，利用深度神经网络实现心音的自动分类。采用该算法对浙江大学医学院附属儿童医院采集的941例心音数据进行训练、验证和测试，按照8∶1∶1的比例分为训练集、验证集和测试集。此外，本研究还收集了107例基于临床筛查环境的心音数据，用于验证智能听诊算法在实际临床应用中的效果。结果:本文采用离散小波变换法对心音信号进行降噪处理，观察到降噪处理对模型性能的显著改善。与未经降噪处理的模型相比，经过降噪处理的模型在测试集上的准确率、灵敏度、特异度和F1分数分别提高了15.8%、32.6%、11.1%和27.3%。比较5种通用分类神经网络模型(Swin_transform、Vit、Mobilenet、Resenet和Vgg)的性能，F1分数分别为0.905、0.842、0.687、0.814和0.864。使用Swin_transform模型对107例外部数据集进行测试，得到0.833的准确率、0.872的灵敏度和0.801的特异度。结论:先心病心音信号的自动分类模型性能受噪声与神经网络结构的影响较大。通过应用离散小波变换法对心音信号进行降噪处理，模型性能显著改善。比较多种通用分类神经网络模型发现Swin_transform模型展现出了最佳的分类性能。智能听诊算法在实际临床应用中有良好的有效性、准确率、灵敏度和特异度。基于深度学习的智能听诊算法在先心病心音信号自动分类方面具有潜在应用价值。

目的:探讨深度学习模型为基础的腹盆部CT辐射剂量指数自动评估的可行性。方法:回顾性分析2021年2月至2022年2月连续采集的临床腹盆部CT数据，共有1 084例患者图像，成像设备为西门子SOMATOM Defination Flash CT、飞利浦iCT、通用电气lightspeed VCT。容积CT剂量指数(CTDI vol)预测模型由器官分割和剂量预测两个功能模块组成。以腹盆部位实际扫描区域分割结果为基础，通过剂量回归预测模块对CTDI vol进行自动评估。将纳入研究的1 084例患者图像分为训练集784例、验证集196例和测试集104例。以Dice系数为混合模型腹盆部位分割性能的评价指标，以准确个数占比和均方根对数误差(RMSLE)为CTDI vol估算模型性能的评价指标。 结果:在测试集中，深度学习模型在CT腹部图像分割任务的Dice系数高达0.998，同时CTDI vol回归模型在估算辐射剂量时的RMSLE为9.41%，且估算正确占比达到92%。散点图分析显示部分CTDI vol估算值存在较大误差，提示模型在这些情况下可能需要进一步优化。 结论:深度学习模型可准确自动分割CT腹部图像并估算辐射剂量，可用于临床辐射剂量的监测与管理。

亲缘关系判定需对假设存在某种亲缘关系的一组个体进行概率计算.本文为了让亲缘鉴定评估更易于理解并合理应用,阐述了亲缘鉴定的通用算法.同时,我们讨论了双亲皆疑存在争议的原因并给出建议.基于遗传规律、应用通用算法,诸类亲缘关系鉴定将迎刃而解.

目的 构建一种高效的易混淆药品目录自动生成算法,并在此基础上开发一种易混淆药品目录管理系统,以此提升对易混淆药品目录的管理效率.方法 本研究以莱文斯坦距离算法为理论基础,深入研究易混淆药品组的自动识别机制以及相似性阈值筛选方法,进而构建易混淆药品目录自动生成算法.在系统开发层面,本研究采用Visual Basic.NET作为编程语言,结合SQL Server 2008 R2 Express数据库管理平台,设计开发易混淆药品目录管理系统.结果 相似性阈值δ是易混淆药品目录自动生成算法的关键参数,随着δ的逐渐增大,易混淆药品的总数逐渐减少,而易混淆药品组数则呈现先上升后下降的变化规律.在实际应用中,可根据药品的通用名或品种名构建易混淆药品目录,对应的相似性阈值可取0.75和0.83.此外,本课题组开发的易混淆药品目录管理系统将原本耗时约1周的目录建立时间缩短至不到1 h,极大地提升了工作效率.结论 本研究构建的易混淆药品目录自动生成算法高效快速,为易混淆药品管理提供了强有力的技术支撑.开发的易混淆药品目录管理系统极大地减轻了目录建立和维护的时间成本,提高了对易混淆药品目录的管理效率.

目的:对比研究TOMO Radixact螺旋断层放射治疗系统不同迭代重建(IR)算法对兆伏级CT(MVCT)成像系统图像质量的改善及对自动配准精度的影响,探索适合临床应用的重建算法.方法:使用MVCT成像系统分别扫描Tomo-Phantom HE型模体和Catphan604型模体,分析MVCT图像重建算法中的标准(STD)算法、迭代重建通用(IR-G)算法、迭代重建软组织(IR-ST)算法3种重建算法生成的3组图像,分别计算3组图像的噪声指数(NI)、图像均匀性指数(UI)、调制传递函数(MTF)、低对比度可见度(LCV)和对比度噪声比(CNR).利用Lucy模体进行自动配准算法准确性测试,通过对左右方向(x轴)、头脚方向(y轴)、垂直方向(z轴)以及y轴的自由旋转(Roll)4个维度的配准数据进行其对自动配准精度的影响验证分析.结果:IR-G和IR-ST重建算法的NI分别为39.58±0.10和14.62±0.26,优于STD算法的39.58±0.10,UI分别为19.87±0.83和15.84±2.51,优于STD算法的24.51±1.81,LCV分别为2.50±0.03和1.74±0.11,优于STD算法的3.67±0.04,且均有明显提升,但MTF50%的高对比度分辨率分别为0.23和0.21 lp/mm,低于STD的0.32 lp/mm,整体图像质量IR重建算法优于STD重建算法.自动配准算法准确性测试中,y轴方向上IR-G和IR-ST算法的配准精度分别为(0.360±0.142)mm和(0.245±0.050)mm,均高于STD算法的(0.145±0.136)mm,差异有统计学意义(Z=6.0、15.0,P＜0.05),其余方向的配准精度差异均无统计学意义(P＞0.05).结论:IR算法在噪声、均匀性及低对比度分辨率上均有优势,但高对比度分辨率有所降低,高对比度分辨率的降低并未导致自动配准精度降低.

目的 针对中医个性化处方推荐问题,研究自动化处方推荐任务,为中医临床辅助决策提供参考.方法 基于大语言预训练文本生成模型设计一种中医个性化处方推荐算法.将中医处方推荐任务转化为端到端(seq2seq)的文本生成任务,即将临床症状描述文本通过模型转化为处方文本,以实现处方推荐任务的需求,并利用基于大语言预训练的BART(Bidirectional and Auto-Regressive Transformers)模型的预训练参数来提升模型对通用语义信息的理解,通过对训练集处方内中药排序提升模型的处方推荐性能.结果 实验证明通过大语言预训练模型以及端到端的文本生成架构可有效提升模型的生成性能,同时对处方内中药依次排序可以获取更高准确率,并且通过中药的排列获取更多值得参考的有价值信息.中医个性化处方推荐模型在处方排序后分别在前5、10、15味生成的处方分别取得了 58.60、53.79和49.67的准确率.结论 中医个性化处方推荐模型取得了更优的处方推荐效果,表明其可为中医临床治疗疾病进行参考,达到辅助临床决策支持的效果.

该研究总结了患者与呼吸机非同步性(patient-ventilator asynchrony,PVA)自动识别技术在机械通气过程中的应用.在早期阶段,规则及阈值的设定方法依赖于呼吸机参数及波形的人为解析,虽然这类方法直观并易于操作,但在阈值设定和规则选择上相对敏感,不能很好地适应患者状态的微小变动.随后,机器学习和深度学习的技术开始出现并发展.这些技术通过算法自动提炼和学习数据特性,使PVA的检测更具鲁棒性和通用性.其中,逻辑回归、支持向量机、随机森林、隐马尔可夫模型、卷积自编码器、长短期记忆网络、一维卷积神经网络等方法都被成功地用于PVA的识别.尽管深度学习方法在特性提取上取得了显著进步,但是它们对标签数据的需求较大,可能会消耗大量医疗资源.因此,强化学习与自监督学习的结合可能是一个实际可行的解决方案.此外,算法的验证大多基于单一的数据集,未来对于跨数据集验证的需求将是一个重要且充满挑战性的发展方向.

脑机接口(BCI)技术是一种不依赖人体外周神经传输通路和肌肉组织,在人脑与外界机器之间建立联系的新型人机交互技术.BCI系统包括主动式、反应式和被动式3大类,其中运动想象脑机接口(MI-BCI)是最常见的主动式BCI系统.MI-BCI通过大脑想象运动的方式来控制外部设备,无需实际进行运动.为了带给患者更多沉浸感,引入增强现实(AR)技术可增加患者的兴趣,提高康复训练专注度.本研究从BCI技术概述、MI-BCI技术在神经系统疾病康复中的应用及其存在的不足和展望等方面进行阐述,以期为MI-BCI技术在神经系统疾病的诊断和康复中的应用提供参考.其中,BCI技术概述主要介绍了BCI技术、MI-BCI技术和AR-MI-BCI康复训练系统(AR-MI-BCI康复训练系统流程和系统整体架构).MI-BCI系统在脑卒中、毒品成瘾戒毒和抑郁症等神经系统疾病方面有诸多应用,既能有效辅助神经系统疾病诊断,又可以激活特定脑区,促进脑功能康复.MI-BCI系统通过识别脑卒中患者的运动想象意图,指导患者主动想象肢体动作,有助于实现患者主动康复.为解决传统机器学习算法对脑卒中患者通用性差的问题,将迁移学习技术作为基础搭建MI-BCI康复训练系统.基于AR-MI-BCI的康复训练系统可以辅助吸毒人员减轻毒品成瘾性,减少因吸食毒品导致的难以戒断的精神依赖和身体依赖问题,使吸毒人员在毒品与抵抗情绪之间产生联系.基于MI-BCI技术多频脑网络的脑电识别方案可以辅助诊断抑郁症,但MI-BCI技术在技术成熟度、设备成本、患者隐私和临床应用等方面还有一些不足之处.

目的 构建多病种心脏磁共振成像(magnetic resonance imaging,MRI)跨设备智能分割算法,提升模型在多病种条件下、不同影像设备中的通用性.方法 利用MICCAI 2020公开的M&Ms Challenge心脏磁共振数据集(n=320)作为研究对象,针对现有分割模型因小样本数据训练导致泛化能力差的问题,提出不平衡相似度优化损失函数USOLoss,改进主流的UNet、DeepLabV3+、TransUNet算法,对不同病种(疾病组)和不同影像设备(设备组)的心脏磁共振成像进行分割,并进行内外部数据验证.结果 利用戴斯相似系数(Dice similarity cofficient,DSC)和豪斯多夫距离(Hausdorff distance,HD)评估模型的性能,其中疾病组模型最佳分割结果DSC为0.845(扩张型心肌病,n=20)、0.811(肥厚型心肌病,n=20)、0.833(健康受试者,n=20)和0.816(其他病种,n=0.62),HD为3.05、2.53、2.15和2.36 mm;设备组模型最佳分割结果DSC为0.830(飞利浦,n=20)、0.844(西门子、n=20)、0.843(佳能,n=20)和0.815(通用电气,n=50),HD指标分别为1.96、2.92、1.67和2.08 mm.与未使用构建算法的模型相比,使用USOLoss构建的模型各项测试结果均得到了提升(P＜0.05).结论 不平衡相似度优化损失函数全面提升了现有主流深度学习UNet、DeepLabV3+和TransUNet网络模型性能,降低了不同疾病类型和不同影像设备对分割性能的影响.