目的:探究一种融合了SAM-YOLOV 5深度学习网络和图像处理技术的人工智能(AI)新模型在乳腺影像报告与数据系统(BI-RADS)4类肿块超声动态视频良恶性分类中的应用。方法:回顾性收集2019年5月至2023年6月汕头大学医学院第一附属医院经病理证实的BI-RADS 4类的乳腺肿块患者458例(530个肿块)，按7∶3的比例进行模型的训练和测试，分析模型的ROC曲线下面积(AUC)、敏感性、特异性、阳性预测值、阴性预测值。先与单张静态图像下的测试效果进行比较，再与3个传统的深度学习网络以及高、低年资医师组的测试效果进行比较。分析新模型在BI-RADS 4a、4b、4c类肿块中的诊断效能。结果:二维超声动态视频在新模型中测试所得到的AUC、敏感性、特异性、阳性预测值、阴性预测值高于使用单张超声静态图像(均 P<0.05)。基于二维超声动态视频下，新模型的AUC、敏感性、特异性、阳性预测值、阴性预测值高于3个深度学习网络模型(YOLOV 5、VGG 16、Resnet 50)和低年资医师组(均 P<0.05)，低于高年资医师组(其中仅特异性、阴性预测值 P<0.05)。新模型对BI-RADS 4b类肿块诊断效能最低。 结论:基于SAM-YOLOV 5深度学习网络和图像处理技术开发的用于BI-RADS 4类乳腺肿块动态超声分类诊断的新模型有较高的诊断价值，有望用于辅助临床诊断。

目的:以人工智能深度学习的方法，构建基于YOLOv5l模型的内镜图像早期食管癌及癌前病变的识别模型，以提高内镜下早期食管癌及癌前病变的诊断水平。方法:收集2019年6月至2021年7月中国医学科学院肿瘤医院1 126例患者的白光成像(WLI)、窄带光成像(NBI)和卢戈液染色(LCE)的内镜食管图像13 009幅，包括低级别上皮内瘤变、高级别上皮内瘤变、限于黏膜层的食管鳞癌、良性食管病变及正常食管。通过计算机随机函数方法，分为训练集(1 025例患者的11 547幅图像)和验证集(101例患者的1 462幅图像)。以训练集训练、构建YOLOv5l模型，以验证集验证该模型，同时由2名高年资和2名低年资内镜医师分别对验证集进行诊断，比较YOLOv5l模型与内镜医师的诊断结果。结果:在验证集中，YOLOv5l模型在WLI、NBI和LCE模式下诊断早期食管癌及癌前病变的准确度、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)分别为96.9%、87.9%、98.3%、88.8%和98.1%, 98.6%、89.3%、99.5%、94.4%和98.2%，93.0%、77.5%、98.0%、92.6%和93.1%。NBI模式下的准确度高于WLI模式( P<0.05)，LCE模式下的准确度低于WLI( P<0.05)。YOLOv5l模型在WLI、NBI和LCE模式下诊断早期食管癌及癌前病变的准确度与2位高年资内镜医师(分别为96.9%、98.8%和94.3%，97.5%、99.6%和91.9%；均 P>0.05)相当，但明显高于2位低年资内镜医师(分别为84.7%、92.9%和81.6%，88.3%、91.9%和81.2%；均 P<0.05)。 结论:所构建的YOLOv5l模型在内镜WLI、NBI和LCE模式下诊断早期食管癌及癌前病变中具有较高的准确度，可以辅助低年资内镜医师提高诊断水平、减少漏诊。

目的:设计一种基于改进YOLOv7模型的肺结节检测算法。方法:首先，在PAFPN结构中，引入轻量化上采样算子CARAFE，以提高肺结节检测精度。然后添加一个增强型小尺度检测层，增强对于小目标肺结节的检测性能，同时可减少训练的参数量，并降低模型复杂程度。在保证各项参数指标不变的情况下，对YOLOv5原模型算法和添加增强型小尺度检测层的YOLOv5模型算法、YOLOv7原模型算法和改进后YOLOv7模型算法进行消融实验；对改进点训练集总损失进行比较；用YOLOv7原模型算法和改进后YOLOv7模型算法对2张测试集图片进行推理，将其与近年来其他经典的肺结节检测算法Mask R-CNN、YOLOv3、YOLOv5s和YOLOv7对2张测试集图片进行比较。结果:添加增强型小尺度检测层的YOLOv5模型算法精度比YOLOv5原模型算法提升了1.3%，召回率提高了3.5%，平均精度（mAP）上升了3.1%，参数量减少了25.3%，网络的复杂程度也有所减少。改进后YOLOv7模型算法mAP提高1.8%，参数量减少28.3%，模型复杂程度下降5 G。添加增强型小尺度检测层与替换特诊融合网络为轻量化上采样算子CARAFE算法在训练过程中的总损失最小。YOLOv7原模型算法精度较高，但是仍然出现了漏检与假阳性的情况，与预测图片1比较，YOLOv7原模型出现了漏检的情况；与预测图片2比较，YOLOv7原模型出现了假阳性的情况。而改进后YOLOv7模型对漏检情况和假阳性均得到了很好的改善；与经典模型算法比较，改进后YOLOv7模型算法的精度、召回率和mAP最高，分别为91.7%、89.1%、93.5%。结论:改进YOLOv7模型具有更强的特征表达能力，参数量更少，能够有效提高肺结节的检测精度。

目的:探讨深度学习技术在经腹膜后入路腹腔镜肾脏手术视频中对肾动脉识别的可行性。方法:回顾性分析2020年1月至2021年7月北京协和医院实施的87例腹腔镜经腹膜后入路肾脏手术视频资料，包括根治性肾切除术、肾部分切除术、半尿路切除术。由2名泌尿外科医生筛选出包含肾动脉的视频片段，经过抽帧、标注、审核、校对后，用随机数字表法按4∶1比例将标注目标分为训练集和测试集。训练集用于训练神经网络模型，测试集用于测试不同难度场景下神经网络识别肾动脉的能力，统一输送至YOLOv3卷积神经网络模型进行训练。测试集根据2名高年资医生意见，按肾动脉与周围组织的区分度分为高、中、低辨认度。高辨认度即肾动脉干净，暴露面积大；中辨认度为肾动脉有一定程度浸血，暴露面积中等；低辨认度为肾动脉暴露面积小，常位于镜头边缘，浸血严重，可能存在镜头模糊。标注人员在手术视频中逐帧标注肾动脉真值框。所有图像经过归一化、预处理后输入神经网络模型进行训练。神经网络输出肾动脉预测框，与真值框重合的交并比(IOU)高于设定的阈值则判定为预测正确。记录测试集神经网络测试结果，根据IOU计算敏感性、精确率。结果:本研究87个视频共提取5 457帧图像，其中49个视频片段共4 490个目标为训练集，38个视频片段共1 135个目标为测试集。训练集中13个视频1 149个目标为高辨认度，17个视频1 891个目标为中辨认度，19个视频1 450个目标为低辨认度。测试集中，9个视频267个目标为高辨认度，11个视频519个目标为中辨认度，18个视频349个目标为低辨认度。测试集IOU阈值为0.1时，敏感性和精确率分别为52.78%和82.50%；IOU阈值为0.5时，敏感性和精确率分别为37.80%和59.10%。IOU阈值为0.1时，高、中、低辨认度组的敏感性和精确率分别为89.14%和87.82%、45.86%和78.03%、32.95%和76.67%。实时手术视频中YOLOv3算法的帧率≥15帧/秒。神经网络对于腹腔镜肾脏手术视频中肾动脉识别的误检率和漏检率分别为47.22%和17.49%(IOU＝0.1)。误检原因主要为相似组织、反光导致的误识别，漏检主要原因为存在图像模糊、浸血、暗光、筋膜干扰、器械遮挡等。结论:基于深度学习的肾动脉识别技术是可行的，或可协助术者在术中快速识别并保护肾动脉，提高手术安全性。

目的 探讨基于注意力机制的深度学习(deep learning,DL)模型在骶髂关节(sacroiliac joint,SIJ)MRI冠状位T1序列图像预测中轴型脊柱关节炎(axial spondylarthritis,axSpA)患者新骨形成进展的临床价值.材料与方法 回顾性分析2010年1月至2022年12月期间在南方医科大学第三附属医院诊断为axSpA的351例患者的初诊和随访1年、2年或3年的MRI图像,以8∶1∶1的比例随机分入训练集,验证集和测试集.开发基于注意力机制的Bifpn-YOLOv8模型,同时构建三个基线模型(YOLOv8、YOLOv7、Faster-RCNN)用于同Bifpn-YOLOv8比较模型效能.使用全类平均准确度(mean average precision,mAP)、F1分数、准确度、召回率、具体情境的常规物体(Common Objects in Context,COCO)指标评估各模型预测新骨形成进展的性能.其中,mAP50 和mAP50:95 分别代表不同交并比阈值下的全类平均准确度,COCO指标的平均准确度(average precision,AP)如AP,AP50,AP75同理.结果 Bifpn-YOLOv8模型在验证和测试集上均取得了良好的预测性能.同基线模型相比,该模型在测试集上取得了最优的mAP50和mAP50:95,为83.8%和50.4%,结果同三个基线模型差异均存在统计学意义(P均<0.05).同样,Bifpn-YOLOv8模型在测试集上获得了较基线模型更优的COCO指标,AP、AP50、AP75 分别为50.5%、82.3%、58.6%.结论 基于注意力机制的Bifpn-YOLOv8模型可以利用MRI图像有效预测axSpA患者SIJ新骨形成进展,该模型有望成为评估新骨形成进展的临床工具,辅助医师对axSpA患者进行临床决策和管理.

目的:提出一种基于YOLOv7用于检测肝囊型包虫病超声图像小病灶的方法.方法:首先用轻量级特征提取主干网络GhostNet替换原特征提取主干,降低模型总参数量;其次为改善YOLOv7网络的评价指标CIoU在作为损失函数时,检测精度较低的问题,用更优的ECIoU替换CIoU,进一步提高模型检测精度.结果:在自建的肝囊型包虫病超声图像小病灶数据集上进行训练,结果显示改进后的模型大小为59.4 G,mAP@0.5检测精度为88.1%,相比原始的模型性能得到提升,并超过其余主流检测方法.结论:本文模型能更高效地检测并分类肝囊型包虫病超声图像中的病灶位置和类别.

肝包虫病是一种呈全球性分布的人畜共患性疾病.超声作为该病的首选诊断方法,虽能及时发现大病灶位置并进行评价,但对早期小病灶的检测能力不佳.本文基于经预处理的高质量肝囊型包虫病超声图像小病灶数据集,提出了一种基于YOLOv7的检测肝囊型包虫病5类分型超声图像中小病灶的方法,以实现肝包虫病的自动检测,提高临床诊断效率.首先,用硬件感知神经网络EfficientRep替换原特征提取主干,实现在保证精度和速度不受影响的前提下,提高对硬件设备的适配度;其次,用更优的WIoU(Wise-IoU)替换CIoU(Complete Intersection over Union),改善了YOLOv7网络的评价指标CIoU在作为损失函数时,梯度计算效果差,导致检测精度下降的问题;最后,在主干的最后第4层加入CBAM注意力,进一步提高了模型检测精度.本文在自建的肝囊型包虫病超声图像小病灶数据集上进行了训练,结果显示,改进后的模型平均精度均值为88.1%,相较原始的模型性能得到了提升,并超过了对比的其余主流检测方法.说明本模型能更高效地检测并分类肝囊型包虫病超声图像中小病灶的位置和类别,应用于临床上能节约医师资源、缩短报告时长、提高诊断效率.

针对当前肺结核型肺结节检测领域中目标检测算法存在的小目标检测精度不高和模型预测框定位不准的问题,提出一种基于YOLOv7的肺结节检测方法,旨在更有效地获取小肺结节并实现目标检测框的持续收敛.在YOLOv7网络模型框架下,在以下3个方面进行改进:首先对头部网络嵌入有效SimAM通道注意力机制获取跨通道信息和目标空域信息,以突出目标特征,使模型能够更加精确地识别感兴趣区域.其次采用SIOU边界损失函数,在原损失函数上增加角度成本,重新定义距离成本和形状成本,以提高收敛速度,降低损失值.最后利用SIOU-NMS替换非极大抑制算法,缓解因目标遮挡而导致错误抑制的现象.实验结果表明,在自制肺结节数据集上,改进网络模型与原YOLOv7模型相比,准确率和召回率分别提升2.9%和3.1%,置信度为0.5时平均精度均值(mAP:0.5)提高3.7%,该模型能有效辅助诊断肺结节.