目的:近年来甲状腺癌发病率显著提高，超声和细针穿刺活检等术前检查不断完善，但仍存在诊断性手术及过度诊疗的现象。本研究旨在探讨利用生物阻抗及深度学习技术对甲状腺组织进行分类的可行性。方法:为了提高分类的准确性，我们设计一套适合甲状腺组织的电阻抗测量系统，采集来自321例患者的331个离体甲状腺标本共1 340项数据集。随后，建立一个基于多特征的一维卷积神经网络（one dimensional convolution neural, 1D-CNN）结合长短期记忆网络（long short-term memory, LSTM）混合模型对甲状腺组织进行分类。其中80%（1 072/1 340）的数据用于训练，另外20%（268/1340）用于测试。采用受试者工作特征曲线（receiver operating characteristic curve，ROC）、宏平均ROC、微平均ROC及曲线下面积（area under the curve，AUC）等指标对甲状腺组织分类模型进行评价。此外，用敏感性、特异性、阳性预测值、阴性预测值和约登指数比较该分类模型与超声的诊断价值。结果:甲状腺组织两分类（恶性/非恶性组织）模型的ROC-AUC=0.94，总体准确率达到91.4%。进一步建立三分类（恶性/良性/正常组织）模型，其中正常、良性和恶性组的ROC-AUC分别为0.91、0.85和0.92，微平均ROC-AUC和宏平均ROC-AUC分别为0.91和0.90。且与超声相比，甲状腺组织分类模型具有更高的特异性。结论:本研究基于生物阻抗及CNN-LSTM建立的甲状腺组织分类模型具有较高的准确率和较好的稳定性，该技术有望在未来的临床应用中提供有用的补充信息，从而有助于甲状腺疾病的治疗决策和管理。

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:以药品说明书为数据基础，构建药品知识库。方法:对随机抽取的600份药品说明书进行人工标注，并划分为训练集和测试集，基于双向长短期记忆网络+条件随机场(Bi-LSTM+CRF)模型进行训练，完成医学实体的识别；以"相似度计算+规则映射表"的混合模型对提取出的实体进行标准化，完成后将药品信息导入Access数据库。结果:基于Bi-LSTM+CRF模型的命名实体识别任务中，除人群类实体外，其余实体中均取得了F值高于85%的良好效果；基于"相似度计算+规则映射表"的混合模型，实体标准化的准确率为88.23%。结论:本研究的机器学习模型效果与其他命名实体识别、实体标准化研究的模型效果相近，能够较好地完成药品知识库构建任务。

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 构建传染病预警系统,以实现及早及时发现疫情暴发.方法 以流行性感冒为例,利用历史确诊数据以及患者的现住址地理信息,通过构建长短期记忆网络(LSTM)预测模型来预测未来的病例数量,同时运用K-means聚类模型分析病例的空间聚集性,探索人工智能在医院传染病预警系统中的应用.结果 LSTM预测模型可对流行性感冒患者数量进行预测,从而为医院在传染病防治方面提前采取措施提供有力依据.此外,K-means聚类模型可对患者进行聚集性分析,发现不同地区患者的分布情况及可能暴发流行的趋势.结论 借助人工智能技术,可以构建一套高效且精准的传染病预警系统,从而为医院提供及时可靠的传染病预警信息.

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 新冠感染病死率预测对于深入理解新冠病毒严重性、合理配置医疗资源及开展针对性防疫策略有重大意义.方法 本研究依据新冠病毒变异优势株,将疫情发展划分四个时期,选取美国、印度、巴西、墨西哥、秘鲁、中国六个国家以及全球平均水平的病死率为研究对象.运用灰色模型、指数平滑模型、ARIMA模型、支持向量机、Prophet和LSTM模型六个模型进行拟合预测,探讨各模型的优缺点和适用性,选取效果最优的模型对全球和重点国家的病死率进行预测.结果 模型比较显示多种模型各有优缺点,经预测,多数国家的累计确诊人数和累计死亡人数增长速度减缓,发展趋势逐渐平稳.结论 传统时间序列模型适于发展趋势平稳、有限样本的预测;而机器学习模型更适用于波动型变化数据,可进行大样本预测,进一步外推,运用到其他卫生领域的研究.

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.