目的:研发一款一体化呼吸道合胞病毒(RSV)分型即时检验(point-of-care testing，POCT)检测试剂并评估其性能。方法:以RSV A和B亚型及ON1和BA9基因型的基因组保守序列设计特异性的引物和探针，优化PCR反应体系和条件，整合试剂玻璃化技术和多重检测平台，开发RSV分型POCT检测试剂，并对该产品的敏感度、特异度、重复性和临床性能进行评估。结果:一体化RSV分型POCT检测试剂敏感度可达500拷贝/ml，特异度好，与临床上表现相似的病原体无交叉反应，试剂批间和批内重复性Ct值的变异系数均<5%，具有较好的重复性，检测试剂应用于53例临床样本测试，检测结果与对比试剂具有较高的一致性和符合率，阳性符合率高达98.11%。结论:本研究开发的一体化RSV分型POCT检测试剂集成了"核酸提取-纯化-检测"，实现了"样本进，结果出"，操作简单，检测结果准确、可靠、稳定，可用于RSV A和B亚型的分型即时检验，为RSV的防控和诊疗提供助力。

目的:探讨术前CT图像影像组学联合深度学习方法预测肝细胞癌（HCC）首次经动脉化疗栓塞术（TACE）疗效的价值。方法:该研究为回顾性队列研究。回顾性收集2015年1月至2021年1月于哈尔滨医科大学附属第二医院行TACE治疗的HCC患者影像及临床信息。共纳入265例患者，于初次TACE后1~2个月，根据改良的实体瘤疗效评估标准（mRECIST）评估病灶术后改变，分为有反应组（175例）和无反应组（90例）。采用随机数表法按8∶2的比例分为训练集（212例，有反应组140例、无反应组72例）和测试集（53例，有反应组35例、无反应组18例）。采用单因素和多因素logistic回归筛选临床变量，构建临床模型。从术前CT图像中提取影像组学特征，经降维构建影像组学模型。采用深度学习方法，建立3种残差神经网络（ResNet）模型（ResNet18、ResNet50和ResNet101），并对其效能进行比较和集成，取最佳模型为深度学习模型。应用logistic回归将3个模型两两联合，建立联合模型。采用受试者操作特征曲线在测试集中评价模型区分TACE后有反应与无反应的效能。结果:在测试集中，临床模型、影像组学模型区分TACE后有反应与无反应的曲线下面积（AUC）为0.730（95% CI 0.569~0.891）、0.775（95% CI 0.642~0.907），ResNet18、ResNet50和ResNet101的AUC分别为0.719、0.748、0.533，将ResNet18、ResNet50集成获得深度学习模型，AUC为0.806（95% CI 0.665~0.946）。两两融合后，深度学习-影像组学联合模型效能最高，AUC为0.843（95% CI 0.730~0.956），优于深度学习-临床模型（AUC为0.838，95% CI 0.719~0.957）和影像组学-临床模型（AUC为0.786，95% CI 0.648~0.898）。 结论:联合影像组学和深度学习的联合模型可以在术前预测HCC患者行TACE的疗效，具有较高的效能。

目的:探讨基于手掌图像的深度学习检测冠状动脉粥样硬化性心脏病（冠心病）的可行性。方法:选取2021年9月至2022年5月在南京医科大学第二附属医院心脏内科行择期冠状动脉造影检查的患者，其中冠状动脉狭窄>75%组54例，冠状动脉无狭窄（对照）组38例，共获得184张手掌图像，冠状动脉狭窄>75%组手掌图像108张，冠状动脉无狭窄组手掌图像76张。数据集分为2类，在每个类别中，随机选取80%作为训练集，另外20%作为测试集。采用新型集成学习模型AdaD-IRV2对冠心病数据集进行研究分析，使其能够对输入的人类手掌图像的类别作出快速、自动、相对准确的诊断。结果:基于手掌图像的冠心病检测算法AdaD-IRV2的平均灵敏度为84.89%，平均准确度为72.82%，平均精确度为72.96%，特异度为50.5%。受试者工作特征曲线下面积（AUC）为0.825。结论:基于手掌图像的深度学习算法有助于冠心病的检测，该技术有望用于门诊或社区的冠心病筛查。

目的:设计与建设整合5G通讯技术的大型移动急救复苏单元，以提高院前救治水平和转运效率。方法:研究于2022年11月至2023年9月在杭州完成。梳理突发事件救援中院前急救、转运、院前-院内急诊联系等应用场景需求，依次开展方案设计、单项技术测试、上车调试和集成调试阶段。结果:设计由电动公交车改装的大型5G移动急救复苏单元，车辆于2023年9月完成交付。（1）车辆外观：整车长12.9 m，宽2.3 m，高2.6 m，单次里程200 km；（2）内部结构：车厢内设有1个抢救床位，2个担架位，车厢前部设计有综合操作台、中部安装中央数字控制屏；（3）急救物资及仪器设备：车内物资包括抢救、监护、手术、检查检验、通讯模块，配备除颤监护仪、转运呼吸机、体外膜肺氧合等急救仪器，心电图、数字摄片、血气分析仪、胸痛5项检测仪等检查检验设备；（4）车载通讯、信息系统：搭载高清远程视频互动系统，远程医疗终端DP300一体化系统，实时全景体验系统及中央监护系统；（5）车辆消毒：车厢顶部安装等离子消毒仪，车内可达到医院消毒卫生标准Ⅱ类环境管理要求。结论:整合5G通讯技术的大型移动急救复苏单元集成各种先进救治设备和远程会诊系统，可以满足最危重患者复苏的需求，为突发公共事件的救援提供有力的支持，值得进一步的探索。

目的:构建并验证预测胰十二指肠切除术后患者发生临床相关术后胰瘘（CR-POPF）的集成机器学习模型。方法:本研究为预测模型研究。回顾性收集2020年6月至2023年5月在华中科技大学同济医学院附属协和医院胰腺外科接受胰十二指肠切除术的421例患者的临床资料。其中男性241例（57.2%），女性180例（42.8%），年龄（59.7±11.0）岁（范围：12~85岁）。通过分层随机抽样法将研究对象按照3∶1的比例分为训练集（315例）和测试集（106例）。使用递归特征消除算法对特征进行筛选，运用9种机器学习算法分别建模，挑选拟合能力较优的三组模型，通过Stacking算法进行模型融合构建集成模型。通过多种指标评估模型性能，并使用Shapley Additive Explanations（SHAP）方法对最优模型进行可解释性分析。根据替代胰瘘风险评分系统（a-FRS）的预测概率（P）将测试集患者分为不同风险组，对a-FRS评分进行验证并比较其与所建模型的预测效能。结果:421例患者中，发生CR-POPF 84例（20.0%）。在测试集中，Stacking集成模型表现最佳，其受试者工作特征曲线的曲线下面积（AUC）为 0.823，准确率为0.83，F1分数为0.63，Brier 得分为0.097。SHAP总结图显示，影响胰十二指肠切除术后发生CR-POPF的前9位因素依次为胰管直径、CT值比值、术后血清淀粉酶、IL-6水平、体重指数、手术时间、术前术后白蛋白差值、降钙素原及IL-10。各个因素对胰十二指肠切除术后CR-POPF 发生的影响均呈现出复杂的非线性关系。当胰管直径<3.5 mm、CT 值比值<0.95、术后血清淀粉酶浓度>150 U/L、IL-6 水平>280 ng/L、手术时间>350 min、白蛋白降低超过10 g/L时，发生CR-POPF的风险增加。a-FRS在测试集中的AUC为0.668，预测效能低于Stacking集成机器学习模型。结论:本研究构建的Stacking集成机器学习模型能够预测胰十二指肠切除术后CR-POPF的发生，有潜力成为胰十二指肠切除术后个性化诊疗的有效工具。

目的:基于前列腺经直肠超声造影参数及临床相关资料建立机器学习模型，并探讨各模型诊断临床显著性前列腺癌的效率。方法:回顾性分析重庆大学附属肿瘤医院2018年11月至2021年9月接受经直肠超声造影检查并行经直肠超声引导下穿刺活检的患者151例。采用VueBox软件绘制时间－强度曲线，定量分析上升时间、达峰时间、平均渡越时间、峰值强度、上升斜率等12个参数。将年龄、总前列腺特异抗原、游离前列腺特异抗原、游离前列腺特异抗原比值、体积、前列腺特异抗原密度及经直肠超声造影参数共18个特征参数，通过相关属性值及信息增益属性值进行特征分析及特征筛选。将筛选特征通过机器学习单一算法及集成算法进行模型训练及测试，后通过F1值及ROC曲线下面积(AUC)进行模型评价。结果:相关属性值及信息增益属性值分别筛选出12个变量及5个变量建立机器学习模型，集成算法建立模型均优于单一算法，两种变量筛选方式基算法为决策树的Bagging集成算法模型AUC(0.810比0.789)及F1值(0.748比0.742)均为最高，其次AUC及F1值均依序为Logistic回归、支持向量机(SVM)。结论:基于经直肠超声造影参数及临床资料，在决策树、SVM、Logistic回归及集成算法中，基算法为决策树的Bagging集成算法模型诊断临床显著性前列腺癌性能最优。

目的:探讨基于胸部CT影像组学特征，利用机器学习算法构建的模型对PM/DM相关间质性肺疾病（DM/PM-ILD）影像分型进行分类的可行性。方法:回顾性分析2011年11月至2020年11月间就诊于西安交通大学第一附属医院，确诊为DM/PM-ILD的患者107例，共采集胸部CT 315例，由2名资深影像科医生对图像影像分型进行预分类[包括非特异性间质性肺炎（NSIP）105例，机化性肺炎（OP）90例，非特异性间质性肺炎合并机化性肺炎（NSIP+OP）66例，寻常型间质性肺炎（UIP）35例，弥漫性肺泡损伤（DAD）19例]，采用ANOVA分析检验各影像分型组间的基线临床信息差异。以4∶1的比例通过分层随机抽样划分训练集与测试集，采用3D slicer分割各肺叶，重建为3 mm 3的体素后使用Pyradiomics库提取全肺及各肺叶影像组学特征。通过对5组分别构建随机森林基分类器后再投票集成为最终模型以实现多分类目标。在基分类器构建过程中，首先通过SMOTETomek综合采样实现样本组间平衡，随后通过独立样本 t检验、L1项正则化的最小绝对收缩和选择算子（LASSO）回归进行特征筛选。基于影像组学特征构建Radiomics模型，增加性别、年龄信息构建Radiomics +模型。基分类器、集成模型分别使用平均准确率、受试者工作特征曲线（ROC）曲线下面积（AUC）评价效能。 结果:NSIP、OP、NSIP+OP、UIP、DAD各组年龄[分别为（57±13）岁、（53±8）岁、（54±10）岁、（44±11）岁、（46±8）岁]比较差异有统计学意义（ F=11.82， P<0.001）。在Radiomics模型中对NSIP、OP、NSIP+OP、UIP、DAD各组，训练集的AUC分别为0.87、0.91、0.91、0.96、0.99，测试集的AUC分别为0.81、0.82、0.79、0.93、0.89。在Radiomics +模型中，对NSIP、OP、NSIP+OP、UIP、DAD各组，训练集的AUC分别为0.89、0.91、0.92、0.97、0.99，测试集的AUC分别为0.84、0.82、0.78、0.94、0.90。 结论:联合胸部CT影像组学特征及性别、年龄信息，利用机器学习构建的Radiomics +模型对DM/PM-ILD的影像分型有良好的分类效能。

目的:研究一种用于inter-patient范式下对心律失常心电（ECG）信号进行分类的分类器，提高自动分类的准确度，解决心律失常人工诊断的局限性。方法:构建包括预处理、特征提取、支持向量机（SVM）训练和集成分类4个模块的SVM+XGBoost集成分类器。具体步骤为：对ECG信号进行预处理，将R-R间期、高阶统计量、局部二值模式、小波分量作为特征，分别训练独立SVM分类器；使用XGBoost算法对各独立SVM分类器进行集成，输出心律失常分类结果；在MIT-BIH数据库上对集成分类器进行训练和测试。结果:集成分类器对心律失常的总体分类准确度为0.867、平均灵敏度为0.782。结论:所提出的集成分类器能实现inter-patient范式下心律失常ECG信号的自动、准确分类，可用于临床辅助诊断。

目的:通过安装验收测试(IPA)了解掌握瓦里安新型Halcyon加速器的构造、性能、验收测试和质控方法。方法:参考瓦里安提供的IPA手册，AAPM TG-142 C形臂加速器质控和TG-148 tomotherapy质控标准，测试并验收Halcyon的软件授权、安全联锁、机械精度、射束性能、成像系统等，并与传统TrueBeam加速器相关性能进行比较。结果:本次IPA测试软件授权完整，安全联锁正常。几何精度：机架旋转过程中束流稳定性最大偏差1.13%，等中心>0.59mm，兆伏成像系统偏差0.09mm，准直系统旋转误差-0.21°，机架旋转绝对误差0.11°，治疗床最大误差(垂直方向)0.15mm，虚拟-实际等中心误差最大值(垂直方向)-0.04mm。射束性能：最大剂量点深度偏差0.1cm，10cm百分深度剂量偏差0.5%，离轴强度偏差最大值0.9%，对称性偏差最大值0.94%，剂量可重复性最大偏差-0.44%。成像系统：探测器本底值614，噪声4.4，坏点数3626，坏线数0，探测器灵敏度19177，线性度好于0.47%，均位于可接受范围内。对比度分辨率和细小物体识别能力均达标。结论:在缺乏有针对性的TG报告和成熟指南情况下，厂家公布的IPA手册有助于建立Halcyon新型加速器的验收和质控方法。Halcyon加速器在北京大学肿瘤医院装机验收测试全部合格，其智能集成系统大大简化了实验操作，提高了工作效率。

目的:从概念证据角度建立一个使用电子病历数据的循环神经网络模型，该模型能够持续个体化评估PICU患儿住院期间的病死风险，以作为疾病严重程度的替代指标。设计:回顾性队列研究。场所:一家三级学术型儿童医院的PICU。对象:2010年1至2019年2月间的12 516次PICU入院(9 070例)儿童，分为培训组(50%)、验证组(25%)和测试组(25%)。干预措施:无测量方法与主要结果:测试组2 475次PICU住院≥24 h，循环神经网络模型第12小时预测的受试者工作特征曲线下面积(area under the curve，AUC)为0.94( CI 0.93~0.95)，高于儿科病死率指数(0.88， CI 0.85~0.91， P<0.02)、小儿死亡风险评分Ⅲ(第12小时)(0.89， CI 0.86~0.92， P<0.05)和小儿器官功能障碍评分(第1天)(0.85， CI 0.81~0.89， P<0.002)。循环神经网络的辨别力随所获数据增多和引导时间缩短而增强，出院前24 h AUC达到0.99。尽管没有诊断信息，但循环神经网络在不同主要诊断类别中均表现良好，这些组的AUC得分普遍高于其他3个评分。测试组内692次PICU住院≥5 d，循环神经网络的AUC显著优于其匹配的每日小儿器官功能障碍评分( P<0.05)。 结论:循环神经网络模型可以处理患儿电子病历数据中包含的数百个输入变量，并在测量数据可用时动态集成。其高分辨能力表明循环神经网络有潜力为ICU患儿提供准确、连续和实时的评估。