目的:设计一款电子鼻，用于检测与识别膀胱癌尿液中的挥发性有机化合物（VOCs）标志物气体。方法:选取异丙醇、乙苯、乙酸和氨气作为目标气体，由8款金属氧化物气体传感器构建传感器阵列进行测试收集实验数据，并对不同特征归一化处理。通过递归特征消除（RFE）筛选出最佳特征子集，进一步引入主成分分析（PCA）和线性判别分析（LDA）降低数据维度便于可视化分析。此外，结合支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）3种机器学习算法进行模型训练和验证。结果:特征数为12时，模型分类的准确率最高，特征子集由5个差值、5个灵敏度和2个积分组成，同时将数据降至12维；仅PCA无法区分4种气体，LDA分类效果明显好于PCA，除异丙醇与乙酸有小部分重叠区域，能够将乙苯、氨气很好地与前二者区分开，且样本点聚集在一起，聚类效果也更佳。SVM、RF和KNN的预测准确率分别为0.85、0.56、0.79，经过模型验证，PCA＋SVM、LDA＋RF和LDA＋KNN的分类准确率分别为0.97、0.94、0.97。结论:设计了一款电子鼻，能够用于检测与识别膀胱癌尿液VOCs标志物气体。

目的:探讨基于MRI扩散加权成像（DWI）和表观扩散系数（ADC）图像的影像组学模型鉴别诊断甲状腺结节良恶性的价值。方法:横断面研究。回顾性分析2019年1月至2022年12月中国医学科学院肿瘤医院深圳医院行甲状腺MRI检查的140例患者的148个甲状腺结节（良性50个，恶性98个）的临床资料。以结节为研究单位，使用留出法将甲状腺结节按照7∶3的比例随机分成训练集和测试集。对DWI和ADC图像进行感兴趣区勾画及组学特征提取，在训练集中采用观察者间一致性分析、 U检验、最小绝对收缩和选择算子算法、相关性分析进行特征筛选，使用支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）和逻辑回归（LR）4个分类器对选取的特征构建模型，包括DWI模型、ADC模型和联合模型，并在测试集中对模型进行测试。以甲状腺结节病理结果为金标准，应用受试者工作特征（ROC）曲线评价影像组学模型鉴别诊断甲状腺结节良恶性的效能。 结果:本研究140例患者中，男40例，女100例，年龄（38.4±12.2）岁。经过特征筛选，11个DWI特征和11个ADC特征被用于构建模型。训练集中，基于同一分类器构建的不同模型间比较，联合模型的ROC曲线下面积（AUC）均高于相应的DWI模型和ADC模型。测试集中，SVM联合模型表现出最佳的模型预测效能［AUC为0.873（95% CI：0.740~0.954），准确度为75.6%，灵敏度为46.7%，特异度为90.0%，阳性预测值（PPV）为70.0%，阴性预测值（NPV）为77.1%］，其AUC高于RF联合模型［AUC为0.836（95% CI：0.695~0.929），准确度为77.8%，灵敏度为40.0%，特异度为96.7%，PPV为85.7%，NPV为76.3%］、KNN联合模型［AUC为0.832（95% CI：0.691~0.927），准确度为77.8%，灵敏度为33.3%，特异度为100%，PPV为100%，NPV为75.0%］以及LR联合模型［AUC为0.813（95% CI：0.669~0.914），准确度为77.8%，灵敏度为60.0%，特异度为86.7%，PPV为69.2%，NPV为81.3%］。 结论:基于DWI和ADC图像特征的影像组学模型有助于鉴别诊断甲状腺结节良恶性，SVM联合模型的预测效能最佳。

目的:利用机器学习方法建立老年心房颤动(房颤)合并冠心病患者的远期死亡预测模型，并确定相应的危险因素。方法:回顾性队列研究，连续入组2013年1月至2015年3月北京医院收治的60岁及以上房颤合并冠心病患者329例，男性183例(55.6%)例，女性146例(44.4%)，年龄(77.8±7.3)岁，80岁及以上142例(43.2%)。失访11例(3.3%)，死亡151例(45.9%)，最后纳入分析的患者共318例。根据患者生存结局，将318例患者分为死亡组(151例)和存活组(167例)。此外，另选取2015年4—7月入院的60岁及以上房颤合并冠心病患者60例为外部数据验证集。采集人口统计学参数、合并疾病、辅助检查和临床治疗情况。随访至少6年，记录包括死亡在内的主要不良心脑血管事件(MACCE)。最后将入组患者按9∶1的比例随机分为训练集和测试集，通过机器学习算法建立不同模型预测房颤合并冠心病患者远期死亡率，并通过外部数据(60例)验证比较确立最优模型，利用Shapley加法解释算法对变量的重要性进行排序，得出排名前20位的特征变量，以确定危险因素。结果:329例患者中，总体中位随访时间77.0月(95% CI：54.0~84.0)，失访11例(3.3%)，死亡151例(45.9%)。通过分析得出支持向量机模型、k-近邻算法(KNN)模型、决策树模型、随机森林模型、ADABoost模型、XGBoost模型、Logistic回归模型预测远期死亡率的受试者工作特征曲线(ROC)下面积(AUC)分别为0.76、0.75、0.75、0.91、0.86、0.85和0.81。其中随机森林模型预测效能最高，其准确率达0.789，F1值高达0.806，且优于传统的Logistic回归模型(AUC：0.91比0.81， P<0.05)。D-二聚体、年龄、MACCE次数、左心室射血分数、人血白蛋白水平、贫血、纽约心脏病协会心功能分级、陈旧性心肌梗死病史、估测肾小球滤过率(eGFR)及静息心率是预测远期死亡率的重要危险因素。 结论:基于机器学习方法建立的随机森林模型可预测老年房颤合并冠心病患者的远期死亡率，具有较好的识别能力，其准确性高于传统的Logistic回归模型。可通过干预患者的D-二聚体水平、纠正低蛋白血症和贫血、改善心功能和控制静息心室率降低远期死亡率，改善患者远期预后。

目的:数据缺失是队列研究中几乎无法避免的问题。本文旨在通过模拟研究，比较当前常见的8种缺失数据处理方法在纵向缺失数据中的填补效果，为纵向缺失数据的处理提供有价值的参考。方法:模拟研究基于R语言编程实现，通过Monte Carlo方法产生纵向缺失数据，通过比较不同填补方法的平均绝对偏差、平均相对偏差和回归分析的Ⅰ类错误，评价不同填补方法对于纵向缺失数据的填补效果及对后续多因素分析的影响。结果:均值填补、k近邻填补（KNN）、回归填补和随机森林的填补效果接近，且表现稳定；多重插补和热卡填充次于以上填补方法；K均值聚类和EM算法填补效果最差，表现也最不稳定。均值填补、EM算法、随机森林、KNN和回归填补可较好地控制Ⅰ类错误，多重插补、热卡填充和K均值聚类不能有效控制Ⅰ类错误。结论:对于纵向缺失数据，在随机缺失机制下，均值填补、KNN、回归填补和随机森林均可作为较好的填补方法，当缺失比例不太大时，多重插补和热卡填充也表现较好，不推荐K均值聚类和EM算法。

目的:探讨与血管外肺水指数（EVLWI）相关的肺部超声影像组学特征，采用基于肺部超声的影像组学方法联合机器学习预测重症患者的EVLWI并进行效能验证。方法:采用回顾性病例对照研究方法，收集2021年11月至2022年10月广西医科大学第一附属医院重症医学科收治的重症患者肺部超声视频和脉搏指示连续心排血量（PiCCO）监测结果，按照8∶2的比例随机分为训练集与验证集。从肺部超声视频取帧得到对应图像并提取影像组学特征，以PiCCO测得的EVLWI为"金标准"，通过统计分析和LASSO算法对训练集影像组学特征进行筛选。采用经过筛选的影像组学特征训练8种机器学习模型，包括随机森林（RF）、极限梯度提升（XGBoost）、决策树（DT）、朴素贝叶斯（NB）、多层感知器（MLP）、K-近邻（KNN）、支持向量机（SVM）和Logistic回归（LR）；绘制受试者工作特征曲线（ROC曲线），评估上述模型在验证集中对EVLWI的预测效能。结果:最终共30例患者151组样本（包括906份肺部超声视频和151份PiCCO监测结果）纳入分析，其中训练集120组样本，验证集31组样本；两项数据集的性别、年龄、体质量指数（BMI）、平均动脉压（MAP）、中心静脉压（CVP）、心率（HR）、心排血指数（CI）、心功能指数（CFI）、每搏量指数（SVI）、全心舒张期末容积指数（GEDVI）、全身血管阻力指数（SVRI）、肺血管通透性指数（PVPI）、EVLWI等主要基线资料差异均无统计学意义。151份PiCCO监测结果中整体EVLWI范围为3.7~25.6 mL/kg；分层分析显示，两项数据集EVLWI均集中于7~15 mL/kg区间，EVLWI分布差异无统计学意义。通过LASSO算法筛选出2个影像组学特征，即灰阶不均匀性（权重为-0.006?464）和复杂度（权重为-0.167?583），并用于建模；ROC曲线分析显示，MLP模型具有较好的预测效能，其预测验证集EVLWI的ROC曲线下面积（AUC）高于RF、XGBoost、DT、KNN、LR、SVM、NB模型（0.682比0.658、0.657、0.614、0.608、0.596、0.557、0.472）。结论:肺部超声灰阶不均匀性和复杂度是与PiCCO测得的EVLWI相关性最高的影像组学特征；基于肺部超声灰阶不均匀性和复杂度构建的MLP模型可用于半定量预测重症患者EVLWI。

目的:探讨脂肪抑制（FS）-T2WI序列联合机器学习模型在布鲁氏菌性脊柱炎（BS）与结核性脊柱炎（TS）鉴别诊断中的效能。方法:回顾性分析2017年1月至2022年1月在新疆医科大学第一附属医院经临床或术后病理确诊的74例BS与81例TS患者的临床及影像资料，所有患者治疗前均行脊柱磁共振成像（MRI）检查。以8∶2的分配比例将患者随机分成训练组（ n = 123）和测试组（ n = 32），对FS-T2WI序列图像进行影像组学特征提取及降维分析。采用4种机器学习算法[包括K邻近算法（KNN）、支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）]构建影像组学模型，并使用受试者工作特征（ROC）曲线分析各模型对BS与TS的鉴别诊断效能。 结果:共提取出1 409个影像组学特征，经筛选纳入了7个相关的特征用于鉴别BS和TS，其中Maximum2DDiameterColumn特征值表现出较强的相关性，BS与TS患者间比较差异有统计学意义（ P < 0.001）。在测试组中，SVM模型鉴别BS和TS的ROC曲线下面积（AUC）值为0.886，敏感度为0.53，特异度为0.88，模型诊断精确率为0.81；在训练组中，SVM模型鉴别BS和TS的AUC值为0.811，敏感度为0.68，特异度为0.72，模型诊断精确率为0.78。 结论:基于FS-T2WI序列联合机器学习建立的模型可用于鉴别BS与TS，其中SVM模型的诊断效能优且性能稳定。

目的:探讨基于深度学习及Delta影像组学的唾液腺显像在评估甲状腺癌术后、 131I治疗后患者唾液腺损伤中的价值。 方法:回顾性收集2019年12月至2022年1月于桂林医学院附属医院接受甲状腺癌全切根治手术和 131I治疗的223例甲状腺乳头状癌患者[男46例，女177例，年龄(47.7±14.0)岁]的资料。患者在 131I治疗前、后均行唾液腺 99Tc mO 4－ SPECT显像，根据显像结果将患者按唾液腺功能情况(正常与损伤)分类标注后按7∶3分为训练集和测试集；基于唾液腺最大放射性计数时的图像和本底放射性计数时的图像训练ResNet－34神经网络模型作为特征提取器，用于提取结构化图像特征数据；采用Delta影像组学的方法将2个时期的图像特征值相减，通过配对 t检验、Spearman秩相关性分析结合最小绝对收缩和选择算子(LASSO)算法进行特征筛选，建立逻辑回归(LR)、支持向量机(SVM)和K－最近邻(KNN)预测模型。将3种模型对测试集的唾液腺功能诊断情况与人工判读情况进行对比，并比较3种模型对测试集的AUC(Delong检验)。 结果:在测试集67例显像中，3位阅片医师的唾液腺功能诊断准确性分别为89.6%(60/67)、83.6%(56/67)和82.1%(55/67)，所需时间分别为56、74和55 min；LR、SVM、KNN的判断准确性分别为91.0%(61/67)、86.6%(58/67)和82.1%(55/67)，所需时间分别为12.5、15.3和17.9 s。3种影像组学模型均具有较好的分类预测能力，LR、SVM、KNN模型训练集AUC分别为0.972、0.965、0.943；测试集AUC分别为0.954、0.913、0.791，差异无统计学意义( z值：0.72、1.18、1.82，均 P>0.05)。 结论:基于深度学习及Delta影像组学的模型对甲状腺癌术后、 131I治疗后患者唾液腺损伤有较高的评估价值。

急性肾损伤（AKI）是脓毒症最常见、最严重的并发症，具有较高的病死率和疾病负担。AKI的早期预测是及时干预并最终改善预后的关键。脓毒症患者AKI的预测一直是危重病医学研究的热点。近年来，由于统计理论和计算机技术的发展，机器学习引起了临床医生的关注和认可。该研究旨在建立并验证基于新型机器学习算法的预测模型用于预测危重脓毒症患者的AKI发生。该研究从重症监护室医疗信息集Ⅲ（MIMIC-Ⅲ）数据库中提取脓毒症患者资料，使用Boruta算法进行特征选择，采用logistic回归、k-近邻算法（KNN）、支持向量机（SVM）、决策树、随机森林、极端梯度提升（XGBoost）和人工神经网络（ANN）等机器学习算法和十倍交叉验证的方法进行模型构建。分别从鉴别、校准和临床应用方面评估这些模型的性能。此外，比较基于机器学习模型与序贯器官衰竭评估（SOFA）模型和定制的简化急性生理机能评分Ⅱ（SAPSⅡ）模型的鉴别能力。共纳入3 176例脓毒症危重患者进行分析，其中2 397例（75.5%）在住院期间发生AKI，共选取36个变量进行模型构建，建立logistic回归、KNN、SVM、决策树、随机森林、ANN、XGBoost、SOFA和SAPSⅡ评分等模型，得到受试者工作特征曲线下面积分别为0.736、0.664、0.735、0.749、0.779、0.755、0.821、0.646和0.702。在所有模型中，XGBoost模型在鉴别、校准和临床应用方面的预测性能最好。因此，该研究认为机器学习模型是预测脓毒症患者AKI的可靠工具。其中，XGBoost模型具有最佳的预测性能，可用于协助临床医生识别高危患者并实施早期干预以降低死亡率。

目的:利用常规临床数据开发浆液性卵巢癌（SOC）术后复发远处转移风险机器学习预测模型。方法:收集2010年1月至2020年12月在云南省肿瘤医院行手术治疗后复发的687例SOC患者为研究对象。根据复发状态将患者分为远处转移组（ n=105）及非远处转移组（ n=582）。采用logistic回归筛选SOC远处转移相关变量，运用K最近邻（KNN）、逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）和极限梯度提升（XGBoost）5种机器学习算法开发SOC术后复发远处转移风险预测模型。在模型验证方面，采用十折交叉验证方法进行内部验证。模型的性能使用受试者工作特征曲线评估。 结果:远处转移组与非远处转移组患者国际妇产科联盟（FIGO）分期（ Z=-3.81， P<0.001）、围手术期化疗周期（ t=-5.11， P<0.001）、淋巴结转移（ χ2=5.98， P=0.014）、腹腔积液细胞学（ Z=-2.22， P=0.026）、新辅助化疗（ χ2=5.29， P=0.021）差异均具有统计学意义。多因素分析结果显示，FIGO分期（ OR=1.54，95% CI为1.07~2.22， P=0.019）和围手术期化疗周期（ OR=1.22，95% CI为0.09~0.36， P<0.001）是SOC术后复发时发生远处转移的独立影响因素。腹腔积液细胞学（ OR=1.20，95% CI为0.71~1.89， P=0.180）不是SOC远处转移的独立影响因素，结合文献观点将其纳入后可提高模型的曲线下面积（AUC），最终将其纳入模型的构建。基于上述3个变量构建的5个机器学习模型中，基于KNN构建的模型识别SOC远处转移的性能最佳，AUC为0.750、敏感性为0.591、特异性为0.786、准确率为85.0%；LR模型的AUC为0.679、敏感性为0.545、特异性为0.765、准确率为84.3%；SVM模型的AUC为0.634、敏感性0.240、特异性为0.968、准确率为84.7%；RF模型的AUC为0.575、敏感性0.905、特异性为0.245、准确率为84.7%；XGBoost模型的AUC为0.704、敏感性0.567、特异性为0.745、准确率为84.9%。 结论:FIGO分期、围手术期化疗周期为SOC术后发生远处转移的独立影响因素；基于FIGO分期、围手术期化疗周期及腹腔积液细胞学构建的KNN模型预测SOC术后复发远处转移具有较高的区分度与准确率。

目的:评估基于 18F-FDG PET的影像组学模型在术前预测肺腺癌(LAC)脉管浸润(LVI)及脏层胸膜侵犯(VPI)的价值。 方法:对2018年8月至2022年8月期间在南京医科大学附属泰州人民医院经手术病理确诊的87例LAC患者[男42例、女45例，年龄为(64.6±9.0)岁；共90个病灶]进行回顾性分析，基于PET图像提取、筛选影像组学特征，使用支持向量机(SVM)、逻辑回归(LR)、决策树(DT)和K-最近邻(KNN)算法构建机器学习模型；采用分层抽样法(Python中的StratifiedkFold函数)将数据按8∶2分成训练集和测试集，使用5折交叉验证法验证模型性能的稳定性并绘制ROC曲线，计算并比较AUC(Delong检验)，评价影像组学模型预测LAC LVI及VPI的价值。结果:SVM、LR、DT、KNN模型预测LAC患者LVI的训练集AUC分别为0.91、0.90、0.91、0.91，测试集AUC为0.85、0.87、0.77、0.78；在预测VPI时，训练集AUC分别为0.86、0.86、0.84、0.81，测试集分别为0.82、0.80、0.69、0.78；SVM模型F1分数最佳，预测LVI和VPI时分别为0.59和0.66。4种模型间AUC差异无统计学意义( z值：－1.46～1.71，均 P>0.05)。 结论:基于 18F-FDG PET影像组学特征构建的机器学习模型对于术前预测LAC患者LVI及VPI均表现出良好的效能，有助于对LAC的风险分层及临床决策的制定。SVM模型在预测LVI和VPI中性能最佳。