目的:分析季节性差分自回归移动平均模型（SARIMA）、广义相加模型（GAM）和长短期记忆神经网络模型（LSTM）在肾综合征出血热（HFRS）发病率拟合及预测中的效果，为优化HFRS预测模型提供参考。方法:在公共卫生科学数据中心（https://www.phsciencedata.cn/）收集全国和HFRS发病率居前9位的省份（黑龙江、陕西、吉林、辽宁、山东、河北、江西、浙江和湖南省）2004-2017年HFRS逐月发病率资料，其中，2004-2016年资料作为训练数据，2017年1-12月资料作为测试数据。利用训练数据拟合全国和9个省份HFRS发病率的SARIMA、GAM、LSTM；利用拟合模型预测2017年1-12月HFRS发病率，并与测试数据比较。采用平均绝对百分比误差（ MAPE）评价模型拟合及预测精度， MAPE < 20%时模型拟合或预测效果为好，20%~50%为可接受，> 50%为差。 结果:从总体拟合及预测效果来看，全国和黑龙江、陕西、吉林、辽宁、江西省的最优模型为SARIMA（ MAPE分别为19.68%、20.48%、44.25%、19.59%、23.82%、35.29%），其中，全国和吉林省模型拟合及预测效果为好，其余均为可接受；山东、浙江省的最优模型为GAM（ MAPE分别为18.29%、21.25%），其中，山东省模型拟合及预测效果为好，浙江省为可接受；河北、湖南省的最优模型为LSTM（ MAPE分别为26.52%、22.69%），模型拟合及预测效果均为可接受。从拟合效果来看，GAM在全国数据中拟合精度最高， MAPE =10.44%。从预测效果来看，LSTM在全国数据中预测精度最高， MAPE = 12.23%。 结论:SARIMA、GAM、LSTM均能作为拟合HFRS发病率的最优模型，但不同地区拟合的最优模型表现出较大差异。今后在建立HFRS预测模型时应尽可能多地纳入备选模型进行筛选，以保证较高的拟合及预测精度。

目的:构建一套内镜下识别幽门螺杆菌（ Helicobacter Pylori， HP）感染多重特征的人工智能辅助诊断系统，并评估其在真实临床病例中的表现。 方法:回顾性收集2020年1月—2021年3月在武汉大学人民医院消化内镜中心同时间段行 13C呼气试验和胃镜检查的1 033例受检者资料， 13C呼气试验阳性（定义为 HP感染）为病例组（485例）， 13C呼气试验阴性为对照组（548例）。将提示 HP阳性和 HP阴性的各类黏膜特征胃镜图像，以及以案例为单位的 HP阳性和 HP阴性病例胃镜图像以8∶1∶1的比例随机分配到训练集、验证集和测试集，基于卷积神经网络（convolutional neural network，CNN）和长短期记忆网络（long short-term memory network，LSTM）开发一套识别 HP感染的人工智能辅助诊断系统，其中，CNN可识别并提取每例患者内镜图像中的黏膜特征，生成特征向量，然后LSTM接收特征向量，综合判断 HP感染状态。以灵敏度、特异度、准确率和受试者工作特征曲线下面积评估系统的诊断性能。 结果:该系统对结节样改变、萎缩、肠上皮化生、黄斑瘤、弥漫性发红+点状发红、黏膜肿胀+皱襞肿大蛇形+黏液白浊和 HP阴性特征的诊断准确率分别为87.5%（14/16）、74.1%（83/112）、90.0%（45/50）、88.0%（22/25）、63.3%（38/60）、80.1%（238/297）和85.7%（36/42）。其综合判断患者 HP感染的灵敏度、特异度、准确率和受试者工作特征曲线下面积分别为89.6%（43/48）、61.8%（34/55）、74.8%（77/103）和0.757，其诊断准确率与内镜医师白光下诊断 HP感染的准确率相当（74.8%比72.1%， χ2=0.246， P=0.620）。 结论:本研究开发的系统在评估 HP感染方面具有较好的诊断性能，可用于辅助内镜医师判断 HP感染状态。

目的:构建融合空气数据的深度网络慢性阻塞性肺疾病（慢阻肺）评估测试（CAT）评分预测模型，并探讨其意义。方法:采用定组研究的方法，自2015年2月至2017年12月从北京大学第三医院、北京大学人民医院和北京积水潭医院呼吸科门诊入选稳定期的慢阻肺患者，采集患者住宅区附近的室外环境监测空气数据，计算患者每日空气污染物暴露量和天气数据，并连续记录患者每日的CAT评分。通过融合时序算法和神经网络建立模型对患者未来一周的CAT评分进行预测，并比较该模型与长短期记忆模型（LSTM）、添加全局注意力机制的LSTM模型（LSTM-attention）和自回归移动模型（ARIMA）的预测准确程度，并探讨预测模型的意义。结果:共纳入47例慢阻肺患者，平均随访时间为381.60 d，利用采集的空气数据和CAT评分构建长短期记忆模型-卷积神经网络-自回归（LSTM-CNN-AR）模型，其模型的均方根误差为0.85，平均绝对误差为0.71，较LSTM、LSTM-attention和ARIMA三者中最优模型平均预测准确度提升21.69%。结论:基于慢阻肺患者所处环境的空气数据，融合深度网络模型可更精准地预测慢阻肺患者的CAT评分。

目的:研究时间序列深度学习方法预测呼吸运动。方法:纳入肺癌患者的呼吸运动数据80例，将每一例呼吸运动数据按8∶2的比例划分为训练集和测试集，深度学习采用Informer网络，预测约600 ms延迟的呼吸运动，采用归一化均方根误差(nRMSE)和相对均方根误差(rRMSE)评估模型性能。结果:Informer的整体效果优于常规的多层感知器(MLP)和长短期记忆(LSTM)模型。在423 ms的预测时间下，Informer模型的平均nRMSE和rRMSE分别为0.270和0.365；在615 ms的预测时间下，平均nRMSE和rRMSE分别为0.380和0.379。结论:采用的Informer模型在预测时间较长时有较好的效果，对提高实时跟踪技术的效果具有潜在应用价值。

目的对高血压患者的RR间期进行预测,帮助临床医生对患者心脏状况进行分析和预警.方法以8位患者数据为样本,通过长短期记忆网络(LSTM)和梯度提升树(XGBoost)分别对患者的RR间期进行预测,将2个模型的预测结果通过方差倒数法进行组合,克服单一模型预测的劣势.结果提出的组合模型相较于单一模型在8位患者RR间期的预测上具有不同程度的改善效果.结论LSTM-XGBoost模型为高血压患者RR间期预测提供了方法,具有一定的临床价值.

目的 比较季节自回归移动平均模型(SARIMA)、长短期记忆网络(LSTM)、经验动态建模(EDM)在包含及不包含气象因素的情况下预测潍坊市肾综合征出血热(HFRS)发病的效果,探索最佳预测模型.方法 选取 2011 年1 月至 2017 年 12 月潍坊市HFRS月发病率分别构建SARIMA模型、单变量LSTM模型、单变量EDM模型,以及包含气象因素的SARIMAX模型、多变量LSTM模型、多变量EDM模型,对2018 年1 月至2018 年12 月的月发病率进行预测,并比较各模型的预测效果.结果 SARIMA模型的平均绝对误差百分比(MAPE)为 42.17%,SARIMAX模型未通过参数检验;单变量LSTM模型、多变量LSTM模型的MAPE分别为 48.40%,16.19%;单变量EDM,多变量EDM模型的MAPE分别为 55.00%,51.79%.结论 包含气象因素的多变量LSTM模型对潍坊市HFRS发病率预测效果最佳,预测结果可为未来HFRS的防控提供参考.

目的 通过深度相机和神经网络估计人在直线行走时髋、膝和踝关节的屈伸力矩.方法 利用光学运动捕捉系统、测力板和Azure Kinect深度相机采集20个人的步态信息,受试者被要求以其偏好的步行速度直线行走,同时踏在测力板上.并利用Visual 3D仿真得到关节力矩作为参考值,分别训练人工神经网络(artificial neural network,ANN)模型与长短期记忆(long short-term memory,LSTM)模型进行关节力矩估计.结果 ANN模型估计髋、膝和踝关节的关节力矩的相对均方根误差(relative root mean square error,rRMSE)分别为15.87％～17.32％、18.36％～25.34％和 14.11％～16.82％,相关系数分别为 0.81～0.85、0.69～0.74 和 0.76～0.82.LSTM 模型具有更好的估计效果,rRMSE分别为8.53％～12.18％、14.32％～18.78％和6.51％～11.83％,相关系数分别达到了 0.89～0.95、0.85～0.91和0.90～0.97.结论 本文证实了利用深度相机和神经网络无接触估计人体下肢关节力矩方案的可行性,其中LSTM模型具有更佳的表现.关节力矩估计结果与现有研究相比具有更好的精度,潜在应用场景包含远程医疗、个性化康复方案制定以及矫形器辅助设计等.

目的 构建基于百度指数与长短期记忆网络(long short-term memory,LSTM)相结合的甲流病例预测系统.方法 通过挖掘甲流文本中的甲流关键词与主题,建立甲流词库,用极端梯度提升算法(extreme gradient boosting,XGBoost)计算甲流关键词对甲流病例的贡献度,筛选出重要关键词,并构建LSTM模型预测甲流病例,将其与传统互相关分析选出的甲流关键词,所构建的支持向量机回归(support vector regression,SVR)和BP神经网络的预测结果,进行多指标对比.结果 XGBoost选出甲流关键词后建立的LSTM模型的预测结果,其RMSE、MAE、R2分别为306.59、152.18、0.93,均优于对比的传统预测方法,说明所构建的框架在甲流病例趋势监测方面表现更好,适用于流感疫情的预测分析.结论 本文所构建的甲流病例预测系统,为未来加强技术选词、考虑变量之间的非线性关系以及深度学习在大数据预测流感方面提供参考.

帕金森病(PD)是仅次于阿尔茨海默病的第二大神经退行性疾病,早期的诊断和干预对患者至关重要.本文聚焦于机器学习对于PD的智能诊断,介绍了在PD诊断中的常见机器学习算法,重点介绍了卷积神经网络和长短期记忆网络.此外,文章还详细介绍了其在医学图像分析和运动行为分析中的应用,通过比较国内外的相关研究,分析了使用不同的影像学和运动学数据进行PD诊断的优缺点,最后对机器学习用于PD诊断进行了总结与展望.

目的 分析2014-2021年福建省道路交通伤害死亡情况,探索适用的趋势预测模型.方法 采用季节差分自回归移动平均(seasonal autoregressive integrated moving average,SARIMA)、支持向量回归(support vector regression,SVR)、长短期记忆(long short-term memory,LSTM)网络拟合2014年1月一 2021年6月福建省道路交通伤害死亡率数据,对2021年7-12月死亡率进行预测,并与实际值验证比较,评价模型的预测效果.结果 2014-2021年福建省道路交通伤害年报告率呈下降趋势(AAPC=-6.29％,P＜0.001).模型比较LSTM网络预测准确度最好,均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)分别为 0.070 5、0.061 2、8.72％.结论 福建省道路交通伤害死亡总体呈下降趋势,LSTM网络可用于道路交通伤害死亡率的短期预测.