目的:构建多标签学习MRI膝关节运动损伤检测诊断模型，并验证该模型的实际效能。方法:回顾性连续纳入2013年8月至2019年3月解放军东部战区总医院1 343例膝关节运动损伤青年患者的1 391个膝关节MRI图像。采用随机采样法将数据按7∶1∶2分为训练集（ n=973）、验证集（ n=139）及测试集（ n=279）。将膝关节损伤分为半月板损伤、肌腱损伤、韧带损伤、骨与骨端软骨损伤、滑膜关节囊损伤及周围软组织损伤6大类，由放射科医师依各层面图像对所有损伤进行标注作为金标准。根据PyTorch V1.1.0算法包搭建通用YOLO深度学习工具包，开发膝关节运动损伤MRI多标签定位检测模型，并在测试集上验证模型效能，评价其对病灶检测的灵敏度、特异度及平均精度均值。 结果:测试集279个膝关节MRI数据中，MRI多标签学习模型对半月板损伤、肌腱损伤、韧带损伤、骨与骨端软骨损伤、滑膜关节囊损伤及软组织损伤定位检测的平均精度均值分别为83.1%、89.0%、88.0%、85.8%、85.5%和83.2%，整体的平均精度均值为85.8%。模型对肌腱损伤检出效能最高，灵敏度为91.2%，特异度为87.1%。结论:多标签学习MRI膝关节运动损伤检测诊断模型可以有效辅助膝关节运动损伤的定位检测，提高影像诊断工作效率。

目的:比较基于彩色眼底像阅片的人工智能（AI）系统分别在社区和医院筛查和（或）诊断糖尿病视网膜病变（DR）的效率和差异，初步评价其应用价值。方法:回顾性和前瞻性相结合研究。回顾性收集2018年7月至2021年3月于河南省眼科研究所连续就诊的老年糖尿病患者1 608例的临床资料。其中，男性659例，女性949例；年龄中位数64岁。前瞻性收集2018年12月至2019年4月以社区为来源主动招募的老年糖尿病患者496例的临床资料。其中，男性202例，女性294例；年龄中位数62岁。由眼科或经培训的内分泌科医生对患者行双眼免散瞳眼底彩色照相检查，拍摄以黄斑中心凹为中心后极部45°正位片。AI系统基于深度学习YOLO源码开发，采用"AI+人工复核"方式最终确定DR诊断并分为0~ 4期，其中1期为无需转诊DR，2~ 4期为需转诊DR。结果:AI总读片1 989例（94.5%，1 989/2 104 ），其中社区、医院来源患者分别为437 （88.1%，437/496）、1 552 （96.5%，1 552/1 608）例。社区来源AI读片率低于医院来源，差异有统计学意义（ χ2=51.612， P<0.001 ）。社区图像质量差的主要原因为小瞳孔（47.1%，24/51）、白内障（19.6%，10/51）、白内障合并小瞳孔（21.6%，11/51）。AI诊断DR阴性62.4% （1 241/1 989 ）；其中，社区、医院来源分别为84.2%、56.3%，社区来源AI诊断DR阴性率高于医院，差异有统计学意义（ χ2=113.108， P<0.001）。AI诊断需转诊DR 20.2% （401/1 989 ）。其中，社区、医院来源分别为6.4%、24.0%，社区来源AI诊断需转诊DR率低于医院，差异均有统计学意义（ χ2=65.655， P<0.001）。不同来源AI诊断DR不同分期患者构成比比较，差异有统计学意义（ χ2=13.435， P=0.001）。其中，社区来源患者以无需转诊DR为主（52.2%，36/69）；医院来源患者以需转诊DR为主（54.9%，373/679 ），且已治疗DR检出率更高（14.3%）。AI自动识别眼底病灶数顺位中，社区、医院来源排首位的分别为玻璃膜疣（68.4%）和视网膜内出血（48.5%）。 结论:AI诊断DR，社区以无需转诊DR为主，更适合筛查早期DR；医院以需转诊DR为主。

目的:构建面部白癜风人工智能诊断模型，实现面部白癜风的人工智能辅助诊断。方法:利用白癜风皮损单反相机图像和YOLO（You Only Look Once）v3算法建立皮损目标检测模型Vit3，比较Vit3模型的检测结果与皮肤科医生的标注结果，评价Vit3模型的性能。在Vit3模型的基础上，利用面部皮肤人工智能图像采集器拍摄的白癜风及非白癜风皮损的普通光学和紫外光图像，采用图像处理技术测量紫外光图像上皮损区域的灰度值，通过白癜风/非白癜风皮损灰度值阈值鉴别白癜风和非白癜风，建立面部白癜风诊断模型Vit4，通过Cochran′s Q检验比较Vit4模型与皮肤科医生的诊断结果，评价Vit4模型的诊断性能。 结果:对于100张白癜风皮损（167处）和100张正常皮肤的单反相机图像，Vit3模型的诊断敏感性为92.81%（155/167）。对于97组（包括50组白癜风、30组白色糠疹、7组无色素痣、10组正常皮肤）面部皮肤图像，Vit4模型的诊断准确率为88.66%（86/97），敏感性为88.00%（44/50），特异性为89.36%（42/47），与皮肤科医生的诊断准确率92.78%（90/97）差异无统计学意义（ χ2=2.323， P > 0.05）。 结论:建立了面部白癜风人工智能诊断模型Vit4，该模型显示出较好的诊断性能，提供了一种较为客观、便捷的面部白癜风辅助诊断方法。

目的:构建一个基于YOLO v3算法的实时人工智能诊断辅助系统，并评估其在胃镜检查中对胃局灶性病变检出的能力。方法:回顾性收集武汉大学人民医院消化内镜中心2019年6—11月胃镜检查的白光内镜图像5 488张（有、无胃局灶性病变的图像分别为2 733张、2 755张）及2020年5—6月期间92例行胃镜检查的受试者视频资料中288 168个清晰胃帧用于人工智能辅助系统测试；前瞻性收集2020年7月6日—11月27日及2021年5月6日—8月2日于武汉大学人民医院消化内镜中心接受胃镜检查的3 997例受检者的视频资料用于评估人工智能辅助系统在实际临床应用中的性能。当人工智能辅助系统识别到异常病灶时，以蓝色方框圈出病灶进行提示。对人工智能辅助系统识别胃局灶性病变的能力及其出现假阳性和假阴性的频率和原因进行统计分析。结果:图像测试集中，人工智能辅助系统“提示病灶”的准确率、灵敏度、特异度、阳性预测值及阴性预测值分别为92.3%（5 064/5 488）、95.0%（2 597/2 733）、89.5%（2 467/2 755）、90.0%（2 597/2 885）和94.8%（2 467/2 603）。视频测试集中，人工智能辅助系统“提示病灶”的准确率、灵敏度、特异度、阳性预测值及阴性预测值分别为95.4%（274 792/288 168）、95.2%（109 727/115 287）、95.5%（165 065/172 881）、93.4%（109 727/117 543）和96.7%（165 065/170 625）。临床应用中，人工智能辅助系统对胃局灶性病变的检出率为93.0%（6 830/7 344）。共漏检胃局灶性病变514处，主要原因为微小糜烂灶（48.8%，251/514）、微小黄斑瘤（22.8%，117/514）和小息肉（21.4%，110/514）。平均每例上消化道内镜检查中，人工智能辅助系统的假阳性个数为2（1，4）个，主要原因为正常黏膜皱襞（50.2%，5 635/11 225）、气泡和黏液（35.0%，3 928/11 225）、胃底液体（9.1%，1 021/11 225）。结论:在胃镜检查过程中应用人工智能辅助系统有助于胃局灶性病变的检出。

目的:构建妊娠早期胎儿心脏人工智能(AI)质控模型并验证其效能。方法:选取2022年1－12月深圳市妇幼保健院妊娠早期胎儿心脏四腔心切面(4CV)及三血管气管切面(3VT)彩色多普勒图像共18 694张；其中14 432张图像进行人工标注，使用单阶段目标检测算法YOLO V5构建妊娠早期胎儿心脏AI质控模型，4 262张图像(由专家组设定金标准)用于评价AI质控模型的临床应用效能。AI模型、医生1(D1)、医生2(D2)分别对4 262张图像切面分类及标准程度进行判断，并比较三者对切面分类、标准程度判定的一致性及耗时的差异。结果:①AI质控模型精确率0.895、召回率0.852、平均精度0.873，AI质控模型对切面分类的平均准确率分别为0.907(4CV)、0.989(3VT)。②与金标准比较，AI质控模型、D1、D2对4 262张图像切面分类的符合率和一致性检验结果分别为99.91%(Kappa＝0.998)、100%(Kappa＝1.000)、100%(Kappa＝1.000)，三者对切面标准程度判定的符合率和一致性检验结果分别为97.46%(Weighted Kappa＝0.932)、93.73%(Weighted Kappa＝0.847)、93.12%(Weighted Kappa＝0.832)，均提示一致性强。AI质控模型对标准程度判断的符合率最高、一致性最强，优于人工质控。AI模型质控的耗时(0.012 s/张)明显少于人工质控(4.76~6.11 s/张)( Z＝－8.079， P<0.001)。 结论:使用妊娠早期胎儿心脏智能质控模型可以准确高效地进行质量控制。

目的:构建基于卷积神经网络的甲状腺液基细胞学病理辅助诊断模型。方法:收集700例甲状腺液基细胞学涂片，扫描成数字图像，经良、恶性标注后按比例分成训练集和测试集，噪声滤除后提取有效区域分别在10×和40×分割成512×512的小图像块，构建分类模型对训练集深度学习并对测试集自动判读，经数据增强和参数迭代优化，统计辅助诊断模型的准确率、灵敏度、特异度、阳性预测值和阴性预测值等评价指标。结果:训练集560例含4 926个细胞团的11 164个图像块，测试集140例含977个细胞团的1 402个图像块，选取YOLO网络构建细胞团检测模型，用ResNet50作为分类模型，经过40轮迭代训练，10×倍率下准确率为90.01%，灵敏度89.31%，特异度92.51%，阳性预测值97.70%，阴性预测值70.82%，曲线下面积高达0.97，平均判读时间不足1 s。40×时虽极为灵敏（98.72%）但特异性较差，提示10×放大倍率下辅助诊断模型更为可靠。结论:该辅助诊断模型与病理医师水平基本相当，且诊断效率远远超出。可大大提高阅片一致性和效率，降低漏诊率。未来可继续扩大样本量获取更多病变形态，提高准确率，达到临床应用水平。

目的:深入剖析大数据与AI技术在江西省药品智慧监管中的应用情况,分析存在的问题,并提出改进措施,以提升药品监管效率和公众用药的安全性.方法:通过详细分析国家和江西省内的相关政策,总结江西省药品智慧监管现状,全面探讨了大数据与AI技术在药品监管领域的实际应用.结果及结论:大数据和AI技术已在江西省药品监管中有所应用,但仍存在信息孤岛、监管资源短缺和技术更新缓慢等问题.为此,本研究认为应构建药店智慧监管大数据平台,利用大数据、云计算、电子政务网络等先进技术,并引入YOLO算法模型和Level大模型等AI手段,以增强药品监管的科学性、精确性和整体效率.本研究为江西省药品监管的现代化提供了理论支撑,同时也为全国范围内的药品智慧监管贡献了实践经验和未来发展方向的参考.通过整合大数据和AI技术,可有效解决当前药品监管面临的挑战,从而提升监管水平,确保公众用药安全.

目的 基于YOLOv8神经网络开发针对结直肠息肉内镜图像的语义分割模型.方法 收集2018年6月至2024年2月期间的结直肠息肉内镜数据,包括静态图像和视频.所有样本均经过病理学验证,分为锯齿状病变和腺瘤性息肉两类.使用LabelMe工具进行了图像的多边形标注,并转换为YOLO模型兼容的格式.利用这些数据,进行了不同规模的YOLO神经网络模型的迁移学习和微调训练.模型的性能在验证集和测试集上进行了评估,包括精确率(Precision)、检测速度、准确率(ACC)、平均交并比(mIoU)等指标.结果 本研究开发了 5种不同版本大小的YOLOv8语义分割模型,包括v8n、v8s、v8m、v8l、v8x.其中YOLOv8l在速度(107.5帧/s)和精确率(94.50％)达到了最佳平衡,在内部验证集中YOLOv8l的准确率达0.924,mIoU达83.06％,Dice系数达0.941.在外部测试集中,准确率为0.902,mIoU为80.08％,Dice系数为0.923.结论 基于YOLOv8l构建的结直肠息肉语义分割模型具有良好地预测性能,能够自动对息肉进行定位和分类,并精确描述息肉的像素级轮廓.

背景 传统细胞病理诊断肺癌虽具有优势,但受医师主观经验和工作负荷影响较大.以深度学习算法模型为代表的新一代人工智能,能够自动提取和归纳医学图像中的特征,在智能诊断中展现出显著优势.目的 结合人工智能和数字病理学新技术,研发适用于肺癌的人工智能细胞病理诊断系统并对其诊断价值进行评价.方法 选取解放军总医院第一医学中心2021年5月-2023年7月临床拟诊肺癌患者533例,其中最终病理确诊肺癌354例(包括腺癌98例、鳞癌140例、小细胞癌116例),非肺癌179例.将选取病例的气管镜活检标本及胸腔积液标本进行涂片、染色、扫描.使用随机选取的340例样本(肺癌病例229例和非肺癌病例111例)的数字病理切片分别对备选的检测模型和分类模型进行训练、验证及测试,根据测试结果,择优选取YOLO v7检测模型及Vision Transformer分类模型为基本架构初步建立肺癌人工智能细胞病理诊断系统.利用训练过的人工智能细胞病理诊断系统对剩下的193例未经训练的样本进行诊断测试,以病理学诊断结果为标准比较判读结果.结果 本研究研发的人工智能细胞病理诊断系统在肺癌诊断中的准确率为91.2％(176/193),敏感度为98.4％(123/125),特异度为 77.9％(53/68),阳性预测值为 89.1％(123/138),阴性预测值为 96.4％(53/55),Youden 指数为 0.763,Kappa值为0.798.结论 人工智能细胞病理诊断系统对肺癌的诊断敏感度和准确率均较高,可有效提高肺癌诊断效率,但该系统仍需进一步优化,从而提高诊断特异度.

北京地区珍稀鸟类的保护对维护当地生物多样性具有重要意义.随着人工智能技术的发展,利用深度学习技术自动识别鸟类成为鸟类调查保护的重要手段.实际鸟类图像存在背景复杂以及相近科属鸟类具有外观相似等特点,导致模型识别精度不佳.针对以上问题,本文提出一种基于TC-YOLO模型的鸟类识别方法.首先,为解决鸟类识别中复杂背景导致的漏检问题,本文方法结合CARAFE(content-aware reassembly of features)机制,自适应生成不同特征点所对应的上采样核,在更大的感受野内聚合上下文语义信息,有效聚焦鸟类前景区域.其次,为解决鸟类识别中相似外观导致的误检问题,本文方法引入TSCODE(task-specific context decoupling)解耦定位和分类任务,通过获取多层级特征图的信息以回归目标边界,并利用包含底层纹理和高层语义的特征进行物种分类,进而提高模型的鸟类识别精度.最后,本文开展对比实验以验证模型的性能.实验结果表明,TC-YOLO模型的平均精度均值在包含北京地区28种国家一级保护鸟类的自建数据集Beijing-28和鸟类公开数据集CUB200-2011上分别达到78.7％和75.3％,均优于已有方法,而且在公开数据集MS COCO上验证了TC-YOLO模型拥有较强的泛化性.本文提出的TC-YOLO模型对背景复杂或外观相似的鸟类图像都能有效识别,漏检率和误检率较低,能够为鸟类保护提供重要技术支撑.