目的:探讨在小鼠内毒素性急性肺损伤（ALI）中血红素加氧酶-1（HO-1）对bHLH亮氨酸拉链转录因子E3（TFE3）表达与核转位以及高尔基体应激反应的影响。方法:将24只雄性C57BL/6小鼠按随机数字表法分为4组（每组6只）:空白对照组（Ctrl组）、内毒素[脂多糖（lipopolysaccharide, LPS）]急性肺损伤组（LPS组）、内毒素性急性肺损伤+HO-1激动剂氯高铁血红素（Hemin）组（LPS+Hemin组）和Hemin组。Ctrl组尾静脉注射生理盐水0.5 ml；LPS组尾静脉注射LPS 10 mg/kg建立小鼠内毒素性ALI模型；LPS+Hemin组腹腔注射Hemin 50 mg/kg，1 h后尾静脉注射LPS 10 mg/kg建立内毒素性ALI模型；Hemin组腹腔注射Hemin 50 mg/kg。造模12 h后对小鼠进行断颈处死，收取肺组织。苏木精-伊红染色（H-E染色）观察小鼠肺组织病理学变化并行肺损伤评分；计算肺组织湿重/干重（W/D）值；脱氧核糖核苷酸末端转移酶介导的缺口末端标记法（TUNEL）检测肺组织细胞凋亡指数；酶联免疫吸附测定（ELISA）法检测肺组织白细胞介素（IL）-6、肿瘤坏死因子（TNF）-α含量；流式细胞仪检测肺组织活性氧（ROS）的含量；免疫荧光染色观察TFE3核转位情况；蛋白质免疫印迹法（Western blot）测定HO-1、TFE3、高尔基体基质蛋白130（GM130）、高尔基体重组和堆叠蛋白65（GRASP65）、囊泡转运蛋白小GTP酶20（RAB20）、突触融合蛋白3（STX3A）、WD重复结构域与磷酸肌醇相互作用蛋白1（WIPI1）的表达水平。结果:与Ctrl组比较，LPS组小鼠肺组织病理学损伤加重，肺损伤评分、W/D值及细胞凋亡指数升高，ROS、IL-6及TNF-α含量明显升高，TFE3表达及核转位增多，HO-1、GRASP65、RAB20、STX3A的表达水平增加，WIPI1、GM130表达水平减少（均 P<0.05），Hemin组小鼠上述各指标差异无统计学意义（均 P>0.05）。与LPS组比较，LPS+Hemin组小鼠肺组织病理学损伤减轻，肺损伤评分、W/D值及细胞凋亡指数下降，ROS、IL-6及TNF-α含量减少，TFE3表达及核转位减少，HO-1、WIPI1、GM130表达水平增加，GRASP65、RAB20、STX3A表达水平减少（均 P<0.05）。 结论:HO-1能够减轻内毒素诱导的小鼠ALI，其机制可能与其调控TFE3表达、核转位及高尔基体应激反应有关。

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:为实现院前急救资源的优化调度，解决救护车需求量的评估难题，构建了一种基于多模型融合的院前急救需求量预测模型。方法:采用回顾性研究设计，提取历史院前急救调度记录及其对应时间段的天气数据，利用5折交叉验证法训练三类初级学习器，并将初级学习器的训练结果进行Stacking融合，将融合结果作为新特征输入次级学习器，使用次级学习器输出救护车需求量的最终预测结果。结果:实验结果显示，多模型融合预测模型在平均绝对误差和均方根误差两个评价指标上优于单一模型，该模型能够更精确地预测救护车需求量。结论:基于多模型融合的院前急救需求量预测模型通过有效利用历史急救数据和天气数据，能够提高救护车需求量预测的精度和泛化能力，为院前急救资源的优化调度提供有力支持。

目的 基于MRI时空异质性构建影像组学模型以早期预测三阴性乳腺癌(triple-negative breast cancer,TNBC)的病理完全缓解(pathological complete response,pCR).材料与方法 回顾性分析我院2017年9月至2022年3月接受新辅助化疗(neoadjuvant chemotherapy,NAC)的173 名 TNBC 患者资料,收集每位患者NAC 前(Pre-)和NAC 两疗程后(During-)的MRI图像.55名DUKE大学的患者构成外部验证队列.从瘤内亚区域和瘤周区域提取影像组学特征来表征空间异质性,计算NAC前后特征值的变化(Delta-)来表征时间异质性.分别使用Pre-、During-和Delta-的特征,应用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)回归构建影像组学模型.采用多因素逻辑回归对单模态模型进行集成,构建纵向融合(Stacking)模型.通过受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线分析(decision curve analysis,DCA)评价模型的诊断效能和临床应用价值.结果 分别从Pre-、During-和Delta-特征集中选取8个、4个和10个特征构建模型.基于空间异质性的Pre-模型具有预测pCR的性能,在训练集、内部验证集和外部验证集中的ROC曲线下面积(area under the curve,AUC)分别为0.74、0.71和0.71.在训练集和验证集中,纵向融合模型预测pCR的性能最佳,AUC均为0.86.DCA结果显示纵向融合模型在临床应用中价值是最高的.结论 基于MRI空间异质性特征可以有效预测TNBC的pCR,整合时空异质性构建的纵向融合模型可以进一步提高预测性能.

目的:应用数据挖掘方法,建立高准确率的组合模型,对前列腺肿瘤患者的风险进行预测,为前列腺癌(prostate cancer,PCa)的预防和诊断提供参考.方法:选择在临床医学科学数据中心(301医院)进行前列腺穿刺活检的患者682例,运用互信息作为评价标准筛选出与PCa有关的特征属性;针对机器学习的XgBoost、Logistic回归、Adaboost、K近邻和随机森林算法构建单一模型,应用5折交叉验证算法筛选出预测能力较优的3种模型;使用过采样处理,构建基于Borderline-SMOTE的单一模型及构建基于Borderline-SMOTE的Stacking组合模型并探究不同组合方式的影响;最后选择301医院与芜湖弋矶山医院的37例临床病例作为外部验证集对模型进行检验.结果:通过互信息筛选出19个关键特征属性;在单一模型的研究中发现随机森林模型、XgBoost模型以及AdaBoost模型这3种模型表现较优;而基于Borderline-SMOTE的单一模型使得标签属性趋于平衡,AUC值有大幅提升;构建的3种基于Borderline-SMOTE的Stacking组合模型中以XgBoost、随机森林为初级分类器,AdaBoost为次级分类器的组合模型预测能力最好,其准确率为0.945 4,召回率为0.937 5,精确度为0.957 3,F1分数为0.947 0,AUC高达0.982 3,并且该组合模型在临床验证集上的预测也有较好效果.结论:Borderline-SMOTE过采样处理不平衡数据集十分有效,相较于单一模型的预测,基于多模型融合的Stacking集成学习方式的PCa风险预测方法有着更高的预测精度和良好的推广性能,更有助于PCa的临床诊断.

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一.本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型.数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51％、14.54％、20.61％、24.04％;采用LightGBM和SVM模型融合可将F1值提高至92.6％.本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考.

革兰氏阳性菌通过分泌毒力因子入侵宿主细胞引起化脓性炎症,进而导致疾病的产生,威胁人类健康.识别分泌蛋白有助于了解细菌分泌系统和致病机理,并为进一步筛选出毒力因子奠定基础.由于非经典分泌蛋白质缺乏经典信号肽序列,大规模实验鉴定此类蛋白质相对困难并且耗时耗力.目前,虽相继提出了一些计算预测方法,但它们对革兰氏阳性菌非经典分泌蛋白质的预测性能并不令人满意.本文提出了 一个集成学习模型——SPNG+(Stacking ensemble method to Pre-dict Non-classical secreted proteins in Gram-positive bacteria),该模型通过 stacking 策略融合朴素贝叶斯、随机森林、支持向量机、两个梯度提升树XGBoost和LightGBM以及K近邻算法.五折交叉验证和独立数据集测试结果表明,此集成模型在预测革兰氏阳性菌非经典分泌蛋白质时综合性能优于单一模型、简单的集成学习模型和已有的预测工具.相较过去仅用有限的特征编码方法,或者单一机器学习算法进行构建的预测器,本文提出的方法是对革兰氏阳性细菌中非经典分泌蛋白质研究的有益补充.SPNG+的源代码可以通过https://github.com/weidai00/SPNG获得.

目的 研究机器学习算法评估妊娠期间胎儿在子宫内的状态,提出一种基于Stacking模型融合的胎儿宫内状态智能评估新方法.方法 在特征选择阶段,运用极端梯度提升树与热力图对公开的胎心数据集分析,选择出最优特征子集.在分类阶段,运用一种两层Stacking模型融合新方法对胎儿进行评估,第一层集合5种强机器学习模型来训练,第二层采用Logistics回归模型.结果 运用胎心数据测试集来验证,分类准确率达0.950,受试者曲线下面积达0.980.结论 基于Stacking模型融合的新方法可辅助临床医师对胎儿宫内健康状态进行诊断.

为提高心律失常智能诊断的准确率,本研究提出了一种多网络融合模型和Stacking集成学习算法,用于八种心律失常疾病的智能诊断.使用1 D CNN—BiLSTM融合网络提取单导联信号的高维特征和时域相关性特征,将十二个导联的心电信号特征融合,得到高维的特征张量,采用Stacking集成学习算法训练得到泛化性更好的诊断模型.通过比较准确性、精确性、召回率、F1-Score四个诊断性能指标,验证了利用十二导联融合特征作为最终诊断特征,准确率有显著提升,且Stacking集成学习算法较单一机器学习算法有更好的性能.本研究通过将机器学习、神经网络、集成学习算法有效结合,训练得到的心律失常智能诊断模型有较高的准确率,为基于心电信号的心律失常智能诊断提供了一种新方法.