目的 基于电子鼻技术探讨慢性萎缩性胃炎(CAG)湿热证患者口腔呼气气味图谱特征及识别效果.方法 招募慢性胃炎患者,其中CAG湿热证组60例、CAG非湿热证组50例、慢性非萎缩性胃炎(CNAG)湿热证组60例、CNAG非湿热证组50例,同时将健康志愿者30例设为健康对照组.随机选取CAG湿热证组中10例和CAG非湿热证组50例组成CAG组,选取CNAG湿热证组10例和CNAG非湿热证组50例组成CNAG组.除健康对照组外,其余各组患者进行幽门螺杆菌(Hp)检测;运用电子鼻(GISXM-MQWA01)采集所有受试者口腔呼气气味绘制图谱,对健康对照组与CAG组、CNAG组受试者,CAG湿热证组、CAG非湿热证与CNAG湿热证口腔气味图谱各响应曲线(包括曲线A、B、C、D、E、F、G、H、I、J)振幅、斜率进行比较.运用改良Transformer模型对气味图谱特征进行分类,并采用混淆矩阵方法对分类模型进行评估,指标包括准确率、ROC曲线下面积(AUC)等.结果 CAG湿热证组Hp阳性率为80.00％(48/60),CAG非湿热证组为62.00％(31/50),CNAG湿热证组为46.67％(28/60),CNAG非湿热证组为42.00％(21/50),CAG湿热组与CAG非湿热组Hp阳性率比较差异有统计学意义(P＜0.05).CAG组气味图谱的响应曲线A、B、C、D、F、G、I振幅及A、F的斜率均低于健康对照组,曲线E振幅及斜率高于健康对照组和CNAG组(P＜0.05或P＜0.01);CNAG组的图谱响应曲线A、B、C、D、F、G、I振幅及A、D、F斜率低于健康对照组(P＜0.05或P＜0.01).CAG湿热证组气味图谱响应曲线D振幅及J斜率高于CNAG湿热证组,曲线F振幅低于CAG非湿热证组,曲线H振幅及A、H、J斜率高于CAG非湿热证组(P＜0.05).CAG组与健康对照组组间气味图谱识别模型的识别准确率达77.78％,AUC=0.88;CAG组与CNAG组的识别准确率达69.44％,AUC=0.61;CAG湿热证组与CAG非湿热证组识别准确率可达75.8％,AUC=0.70.结论 电子鼻技术能对CAG湿热证患者的口腔呼气气味作出较为准确的识别,曲线F振幅降低,曲线H振幅及A、H、J斜率升高可能是其气味图谱特征.

针对直肠癌辅助诊断过程中部分医学图像分割模型只适用于单一模态图像的局限性,提出一种基于交叉注意力机制并同时适用于CT与MRI两种模态的医学图像分割方法.首先,针对CT与MRI两种图像特征表示不同,提出一种交叉注意力机制统一两类图像的特征表示;其次,针对直肠癌图像病灶区域较小的特点,提出三支路的改进Swin Transformer分割网络,并将交叉注意力机制加入其中,使模型对两种图像都能进行病灶区域的分割;最后,使用该方法在直肠癌患者的CT与MRI影像数据进行验证,与ADDA、CycleGAN和SIFA方法相比,在CT图像上的准确率分别提高2.94%、3.05%、0.71%,在MRI图像上的准确率分别提高了3.31%、4.55%、1.76%.实验结果表明该方法对于两类图像具有更好的分割性能.

目的 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.

目的 探索一种在小数据量条件下提高医学诊断神经网络模型准确率和泛化能力的方法,解决在指甲病图像计算机辅助诊断中由于训练数据量小而导致神经网络模型性能不佳的问题.方法 提出融合实例分割与细粒度特征分类的双模型策略,采用第一届全国数字健康创新应用大赛健康医疗大数据主题赛基于图像的指甲病智能诊断模型任务数据集训练基于双模型策略的神经网络模型,该任务数据集涵盖甲母痣、甲沟炎、银屑病甲、甲真菌病、甲下出血、甲黑线、甲周疣、甲黑素瘤8类指甲病,各类别不平衡.评估双模型策略的诊断性能,并与相同软、硬件训练条件下单模型策略[图像分类模型(ResNet50、Swin Transformer)和基于快速区域卷积神经网络(Faster R-CNN)的目标检测模型]进行比较.结果 纳入任务数据集包括甲母痣210例、甲沟炎186例、银屑病甲69例、甲真菌病203例、甲下出血149例、甲黑线71例、甲周疣93例、甲黑素瘤67例共1 048例样本,其中90％的样本用于训练不同策略的模型,10％用于评估模型.基于ResNet50的图像分类模型的micro F1值为0.324,基于Swin Transformer的图像分类模型为0.381,基于Faster R-CNN的目标检测模型为0.572,基于双模型策略的Mask R-CNN+Swin Transformer模型为0.714.双模型策略预测各指甲病的准确度为甲母痣80.95％(17/21)、甲沟炎89.47％(17/19)、银屑病甲100.00％(7/7)、甲真菌病70.00％(14/20)、甲下出血73.33％(11/15)、甲黑线14.29％(1/7)、甲周疣55.56％(5/9)、甲黑素瘤42.86％(3/7).双模型策略在该任务1 000例测试集中的micro F1值为0.844.结论 双模型策略可以有效结合功能不同的模型,更好地完成小数据量训练条件下的指甲病图像智能诊断任务.

2022年11月30日，美国人工智能研究实验室OpenAI发布了聊天机器人程序ChatGPT(全称：Chat Generative Pre－trained Transformer)。作为人工智能技术驱动的自然语言处理工具，ChatGPT能够基于在预训练阶段所学习的模式和统计学规律来生成回答，还能根据聊天的上下文进行互动，真正像人类那样聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务。

目的:探讨基于视觉深度自注意力网络的多任务模型分析三维上气道及其各段的准确性，评价该模型的临床适用性。方法:根据纳入和排除标准，回顾性选取2012年1月至2020年1月首次就诊于武汉大学口腔医院正畸一科的患者锥形束CT资料（10例），其中男性4例，女性6例，年龄（20.8±2.7）岁。由同1名主治医师使用3D slicer软件分割上气道和咽气道并测量体积（金标准），使用Dolphin 3D软件分割咽气道及其各段并测量体积（金标准），并使用课题组前期研发的基于视觉深度自注意力网络的多任务模型进行上气道及其各段的自动分割和体积测量。采用Bland-Altman分析法（包括平均偏差等）、组内相关系数（ ICC）分析多任务模型与金标准分割上气道或咽气道及其各段体积的一致性，采用配对 t检验比较多任务网络模型与金标准的差异。 结果:基于视觉深度自注意力网络的多任务模型与3D Slicer软件分割上气道的体积平均偏差为979.6 mm 3，两者 ICC为0.97。基于视觉深度自注意力网络的多任务模型与Dolphin 3D软件分割咽气道、鼻咽、腭咽、舌咽及喉咽的体积平均偏差分别为2 069.5、950.1、823.6、813.9、4 003.4 mm 3，两者 ICC分别为0.97、0.94、0.96、0.96、0.69。 结论:基于视觉深度自注意力网络的多任务模型对三维上气道及其各段的分割可产生不同误差，对鼻咽、腭咽、舌咽的分割与金标准的一致性较好，对喉咽的分割欠佳，提示仍需进一步增强该模型的鲁棒性和泛化性。

目的:评价基于电子病历的预训练模型对急性呼吸道感染（ARI）的识别效果。方法:收集重庆大学附属三峡医院2021年12月1至31日就诊于呼吸与危重症科、发热门诊、急诊门诊、儿科、感染科的所有患者的病历资料。使用基于Transformer的双向编码器表征（BERT）预训练模型对病历进行ARI病例识别与判断，以医学专业人员根据ARI病例定义判断的结果作为“金标准”，计算模型识别ARI的灵敏度、特异度、与“金标准”的一致性及受试者工作特征曲线下面积（AUC），评价模型对ARI病例识别的准确性。结果:含有3 817条电子医疗记录的测试集中，共有1 200条经人工判定的ARI病历。模型判定ARI共计1 205例，灵敏度为92.67%（1 112/1 200），特异度96.45%（2 524/2 617），与“金标准”的一致性Kappa值为0.89，AUC为0.95。模型在男性和女性中识别ARI的准确性相近（AUC分别为0.95和0.94），且对未成年ARI病例识别较18~59岁及≥60岁（AUC分别为0.94，0.89和0.89）更准确。相较于住院患者，目前模型对门诊患者的ARI识别更好，AUC分别为0.74和0.95。结论:使用基于电子病历的预训练模型对ARI病例判定具有良好的效果，特别是针对门诊患者及未成年患者。该模型在利用电子病历进行医疗机构ARI病例监测方面表现出良好的潜力。

目的:探讨ChatGPT相关文献的研究热点，为推动护理教育教学改革提供参考。方法:采用CiteSpace软件对源于Web of Science核心合集数据库和中国知网纳入的ChatGPT相关文献进行计量学分析，包括发文国家、作者、机构、共被引期刊和关键词聚类等。结果:共纳入651篇英文文献和1 572篇中文文献。各国作者和机构存在一定合作；文献共被引期刊最多的为 Nature；研究热点主要围绕教育教学、智能传播和数字经济。 结论:基于ChatGPT的相关研究迅速攀升，各国之间的合作需进一步加强，研究人员已将ChatGPT应用于教育教学和传媒行业，以及推动数字经济发展。建议护理教育工作者未来可探索ChatGPT在虚拟仿真教学、智能教学评价以及智能问答平台等方面的应用，为推动数智教育提供参考。

目的:开发一个基于深度学习的心脏年龄预测模型，并探讨其在各类心电图数据集上的应用效果，特别是在评估心房颤动（房颤）患者病情严重程度方面的潜力。方法:首先利用PTB-XL公开数据库的12导联心电图和相应年龄数据，设计了一种结合多尺度Transformer网络和Inception架构的双流网络模型，提升心脏年龄预测的性能。接着，使用SPH数据集评估该模型的稳定性，根据心律失常发生率将该数据集分为全健康组、半健康组和异常组，并对模型对于不同组别的心脏年龄预测性能进行了比较分析。最后，探索了该模型在真实世界采集的不同轻、重症房颤患者数据集上的应用。模型性能通过（ MAE）、均方根误差（ RMSE）、决定系数（ R2）、解释方差分数（ EV）和相关系数（ COR）来评估模型预测与实际标签的平均偏差及相关性。 结果:在PTB-XL数据集中，模型的 MAE和 RMSE分别为7.48和9.43， R2为0.626， COR为0.748， EV为0.633。在SPH数据集中，健康组的 MAE和 RMSE显著低于异常组，且异常组的 R2和 EV显著低于健康组，验证了模型在健康样本上的高准确性，同时表明受试者心律失常的发生率越高，预测结果与实际年龄的差异越大。对于不同严重程度的房颤患者，轻症组和重症组的 MAE分别为11.61和12.55，显示了心脏年龄预测准确性与患者病情严重程度有显著相关性（ P<0.001），表明预测的心脏年龄与真实年龄差值可作为衡量房颤严重程度的可靠指标。 结论:基于心电图和神经网络预测的心脏年龄可以作为评估不同心律失常心脏健康程度的指标。本心脏年龄预测模型仅需使用患者的心电图数据，可为临床提供一种更为便捷的房颤病情严重程度判别工具。

大数据方法和技术发展日新月异，给临床诊疗提供了越来越多的新的思路和方法。大语言模型的出现使得人机交互式的对话和复杂的医疗场景下的应用成为了可能。重症医学是一个连续动态目标性治疗的过程，这个过程中产生的庞大数据需要通过模型进行整合与优化并在临床应用，在教学模拟中互动，在科学研究中助力。使用以生成式预训练转换模型（ChatGPT）为代表的大语言模型可初步实现在重症疾病的诊断、死亡风险预测和病案管理方面的应用。同时ChatGPT的时空局限性、幻象和伦理道德问题应运而生。ChatGPT在未来的重症医学诊疗中可能会发挥巨大作用，但目前需要结合更多的重症医学临床知识储备并谨慎对待其作出的结论进行判断。