目的 探讨采用基于机器学习及音频技术分析自体动静脉内瘘(arteriovenous fistula,AVF)的听诊数据从而实现监测AVF功能的可行性.方法 选择河北医科大学第一医院肾内科收治的AVF狭窄且需要行经皮腔内血管成形术(percutaneous transluminal angioplasty,PTA)治疗的患者共50名,分别在PTA前和PTA后使用无线电子听诊器记录AVF的听诊数据,利用音频技术将音频文件转换为频谱图并提取出声学特征,然后利用MATLAB软件中的30余种分类学习器对提取出的声学特征进行分析构建出评估AVF功能的模型,比较这些模型的性能.结果 将从50名患者中获得的100个音频文件纳入研究.在PTA前后AVF的频谱图对比中,PTA前的频谱图显示出更大的高频振幅(Z=-4.721,P＜0.001).PTA前最高频与最低频的差值更大(Z=-6.169,P＜0.001).在利用30余种分类学习器建立的模型中高效线性支持向量机(support vector machine,SVM)、粗略高斯SVM建立的模型性能最好(AUC=0.892、0.882),5折交叉验证后准确度达81.11%;而二次判别、三次k近邻法(k-nearest neighbor,kNN)、中神经网络、双层神经网络构建的模型测试准确度最高可达90%.结论 基于频谱的机器学习模型可以预测AVF的显著性狭窄,因此将其用于AVF功能的监测是可行的.且高效线性SVM、粗略高斯SVM构建的模型,在本次可行性研究中性能最好.

目的:探讨基于CT影像组学的机器学习模型预测胰腺癌门静脉-肠系膜上静脉(PV-SMV)侵犯的价值。方法:回顾性分析2010年1月至2021年7月南京医科大学附属无锡第二医院收治的156例经手术病理确诊的胰腺癌患者的临床、病理及术前CT影像资料，其中男性95例，女性61例，年龄(65.7±8.2)岁。所有入组患者按3∶2的比例划分训练集和验证集。通过患者术前增强CT提取肿瘤影像组学特征，采用最大相关最小冗余算法进行特征选择后，构建5种机器学习算法预测模型，并与常规影像特征诊断的受试者工作特征(ROC)曲线进行比较。结果:94例患者纳入训练集，62例纳入验证集。训练集和验证集中手术探查证实的PV-SMV侵犯病例分别为30例(31.9%)和25例(40.3%)。基于10个影像组学特征构建的5个机器学习模型中，LASSO回归模型的AUC优于随机森林、支持向量机、K近邻和朴素贝叶斯4个模型，差异有统计学意义(均 P<0.05)。与常规影像特征的诊断效能比较，LASSO回归模型在验证集中诊断PV-SMV侵犯具有更高的AUC(0.920比0.752)和更好的灵敏度(92.0%比86.5%)，差异具有统计学意义(均 P<0.05)。 结论:基于CT影像组学的机器学习模型可实现胰腺癌PV-SMV侵犯的术前预测，LASSO回归模型较常规影像特征的诊断效能更高。

目的:分析增强MRI影像组学技术筛选影像组学特征，联合临床相关因素构建的肝细胞癌根治术后早期复发预测模型的价值。方法:回顾性分析2015年1月至2020年12月在温州医科大学附属第五医院行根治性切除术的109例肝细胞癌患者资料，其中男性96例，女性13例，年龄(58.3±10.7)岁。依据术后12个月内是否复发分为早期复发组( n＝31)和对照组( n＝78)。109例患者按1∶4随机分为验证集( n＝23)和训练集( n＝86)。基于术前MRI多期增强扫描，在Radcloud平台上勾画肿瘤病灶并提取1 409个定量影像组学特征。利用方差阈值、SelectKBest和LASSO对特征进行降维、筛选，联合临床相关因素(甲胎蛋白、肿瘤长径等)，通过机器学习，建立预测模型，受试者工作特征(ROC)曲线下面积、准确率、召回率、平衡F分数评估模型的预测效能。 结果:早期复发组肿瘤形态不规则、肿瘤边界不清比例以及肿瘤长径高于对照组，假包膜比例低于对照组，差异均有统计学意义(均 P<0.05)。利用方差阈值方法从1 409个特征中筛选465个特征，再使用SelectKBest最佳方法筛选38个特征，最后使用LASSO方法筛选了7个最佳影像组学特征，联合临床相关因素，通过机器学习构建了5种预测模型，分别是：支持向量机、高斯朴素贝叶斯、逻辑回归、多项式朴素贝叶斯、K最近邻。5种模型中K最近邻模型的预测效能较高，在训练集中ROC曲线下面积、准确率、召回率、平衡F分数分别为0.90、0.98、0.74、0.84，在验证集中分别为0.76、0.92、0.75、0.83。最终选择了K最近邻模型作为预测模型。 结论:基于术前增强MRI的影像组学及临床特征构建的肝细胞癌根治术后早期复发预测模型K最近邻，准确率较高，具有较高的价值。

目的:利用机器学习方法建立老年心房颤动(房颤)合并冠心病患者的远期死亡预测模型，并确定相应的危险因素。方法:回顾性队列研究，连续入组2013年1月至2015年3月北京医院收治的60岁及以上房颤合并冠心病患者329例，男性183例(55.6%)例，女性146例(44.4%)，年龄(77.8±7.3)岁，80岁及以上142例(43.2%)。失访11例(3.3%)，死亡151例(45.9%)，最后纳入分析的患者共318例。根据患者生存结局，将318例患者分为死亡组(151例)和存活组(167例)。此外，另选取2015年4—7月入院的60岁及以上房颤合并冠心病患者60例为外部数据验证集。采集人口统计学参数、合并疾病、辅助检查和临床治疗情况。随访至少6年，记录包括死亡在内的主要不良心脑血管事件(MACCE)。最后将入组患者按9∶1的比例随机分为训练集和测试集，通过机器学习算法建立不同模型预测房颤合并冠心病患者远期死亡率，并通过外部数据(60例)验证比较确立最优模型，利用Shapley加法解释算法对变量的重要性进行排序，得出排名前20位的特征变量，以确定危险因素。结果:329例患者中，总体中位随访时间77.0月(95% CI：54.0~84.0)，失访11例(3.3%)，死亡151例(45.9%)。通过分析得出支持向量机模型、k-近邻算法(KNN)模型、决策树模型、随机森林模型、ADABoost模型、XGBoost模型、Logistic回归模型预测远期死亡率的受试者工作特征曲线(ROC)下面积(AUC)分别为0.76、0.75、0.75、0.91、0.86、0.85和0.81。其中随机森林模型预测效能最高，其准确率达0.789，F1值高达0.806，且优于传统的Logistic回归模型(AUC：0.91比0.81， P<0.05)。D-二聚体、年龄、MACCE次数、左心室射血分数、人血白蛋白水平、贫血、纽约心脏病协会心功能分级、陈旧性心肌梗死病史、估测肾小球滤过率(eGFR)及静息心率是预测远期死亡率的重要危险因素。 结论:基于机器学习方法建立的随机森林模型可预测老年房颤合并冠心病患者的远期死亡率，具有较好的识别能力，其准确性高于传统的Logistic回归模型。可通过干预患者的D-二聚体水平、纠正低蛋白血症和贫血、改善心功能和控制静息心室率降低远期死亡率，改善患者远期预后。

目的:运用机器学习算法及列线图，构建和验证免疫检查点抑制剂相关性肺炎（CIP）风险预测模型，旨在为更好的辅助临床护理人员筛查CIP的高危人群，提供准确直观的方法。方法:采用回顾性病例对照研究。选取2019年1月至2022年2月南方医科大学珠江医院就诊的230例使用免疫检查点抑制剂治疗的肿瘤患者，使用医院电子病历系统收集患者的资料。应用5种机器学习算法和列线图构建预测模型，在独立测试集进行模型的验证，最后依据评价指标AUC、准确率等评估预测模型的区分度及稳定性。结果:6种模型均提示，肺部基础疾病、吸烟史、血清白蛋白值≤35 g/L、胸部放疗史是促进CIP发生的重要影响因素。K最近邻、支持向量机（SVM）、朴素贝叶斯、决策树和随机森林构建的CIP预测模型的AUC分别为0.647、0.696、0.930、0.870、0.934。列线图构建的模型AUC为0.813，预测性能较好，但低于机器学习算法中表现最佳的随机森林模型（AUC=0.934）。结论:与列线图相比，基于机器学习算法建立的CIP的风险预测模型具有更高的诊断价值，但列线图构建的模型可更直观评估患者风险，建议在列线图基础上，结合机器学习算法，可增加预测模型的准确性及实用性。

目的:设计一款电子鼻，用于检测与识别膀胱癌尿液中的挥发性有机化合物（VOCs）标志物气体。方法:选取异丙醇、乙苯、乙酸和氨气作为目标气体，由8款金属氧化物气体传感器构建传感器阵列进行测试收集实验数据，并对不同特征归一化处理。通过递归特征消除（RFE）筛选出最佳特征子集，进一步引入主成分分析（PCA）和线性判别分析（LDA）降低数据维度便于可视化分析。此外，结合支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）3种机器学习算法进行模型训练和验证。结果:特征数为12时，模型分类的准确率最高，特征子集由5个差值、5个灵敏度和2个积分组成，同时将数据降至12维；仅PCA无法区分4种气体，LDA分类效果明显好于PCA，除异丙醇与乙酸有小部分重叠区域，能够将乙苯、氨气很好地与前二者区分开，且样本点聚集在一起，聚类效果也更佳。SVM、RF和KNN的预测准确率分别为0.85、0.56、0.79，经过模型验证，PCA＋SVM、LDA＋RF和LDA＋KNN的分类准确率分别为0.97、0.94、0.97。结论:设计了一款电子鼻，能够用于检测与识别膀胱癌尿液VOCs标志物气体。

目的:探讨基于MRI扩散加权成像（DWI）和表观扩散系数（ADC）图像的影像组学模型鉴别诊断甲状腺结节良恶性的价值。方法:横断面研究。回顾性分析2019年1月至2022年12月中国医学科学院肿瘤医院深圳医院行甲状腺MRI检查的140例患者的148个甲状腺结节（良性50个，恶性98个）的临床资料。以结节为研究单位，使用留出法将甲状腺结节按照7∶3的比例随机分成训练集和测试集。对DWI和ADC图像进行感兴趣区勾画及组学特征提取，在训练集中采用观察者间一致性分析、 U检验、最小绝对收缩和选择算子算法、相关性分析进行特征筛选，使用支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）和逻辑回归（LR）4个分类器对选取的特征构建模型，包括DWI模型、ADC模型和联合模型，并在测试集中对模型进行测试。以甲状腺结节病理结果为金标准，应用受试者工作特征（ROC）曲线评价影像组学模型鉴别诊断甲状腺结节良恶性的效能。 结果:本研究140例患者中，男40例，女100例，年龄（38.4±12.2）岁。经过特征筛选，11个DWI特征和11个ADC特征被用于构建模型。训练集中，基于同一分类器构建的不同模型间比较，联合模型的ROC曲线下面积（AUC）均高于相应的DWI模型和ADC模型。测试集中，SVM联合模型表现出最佳的模型预测效能［AUC为0.873（95% CI：0.740~0.954），准确度为75.6%，灵敏度为46.7%，特异度为90.0%，阳性预测值（PPV）为70.0%，阴性预测值（NPV）为77.1%］，其AUC高于RF联合模型［AUC为0.836（95% CI：0.695~0.929），准确度为77.8%，灵敏度为40.0%，特异度为96.7%，PPV为85.7%，NPV为76.3%］、KNN联合模型［AUC为0.832（95% CI：0.691~0.927），准确度为77.8%，灵敏度为33.3%，特异度为100%，PPV为100%，NPV为75.0%］以及LR联合模型［AUC为0.813（95% CI：0.669~0.914），准确度为77.8%，灵敏度为60.0%，特异度为86.7%，PPV为69.2%，NPV为81.3%］。 结论:基于DWI和ADC图像特征的影像组学模型有助于鉴别诊断甲状腺结节良恶性，SVM联合模型的预测效能最佳。

目的:探讨基于深度学习及Delta影像组学的唾液腺显像在评估甲状腺癌术后、 131I治疗后患者唾液腺损伤中的价值。 方法:回顾性收集2019年12月至2022年1月于桂林医学院附属医院接受甲状腺癌全切根治手术和 131I治疗的223例甲状腺乳头状癌患者[男46例，女177例，年龄(47.7±14.0)岁]的资料。患者在 131I治疗前、后均行唾液腺 99Tc mO 4－ SPECT显像，根据显像结果将患者按唾液腺功能情况(正常与损伤)分类标注后按7∶3分为训练集和测试集；基于唾液腺最大放射性计数时的图像和本底放射性计数时的图像训练ResNet－34神经网络模型作为特征提取器，用于提取结构化图像特征数据；采用Delta影像组学的方法将2个时期的图像特征值相减，通过配对 t检验、Spearman秩相关性分析结合最小绝对收缩和选择算子(LASSO)算法进行特征筛选，建立逻辑回归(LR)、支持向量机(SVM)和K－最近邻(KNN)预测模型。将3种模型对测试集的唾液腺功能诊断情况与人工判读情况进行对比，并比较3种模型对测试集的AUC(Delong检验)。 结果:在测试集67例显像中，3位阅片医师的唾液腺功能诊断准确性分别为89.6%(60/67)、83.6%(56/67)和82.1%(55/67)，所需时间分别为56、74和55 min；LR、SVM、KNN的判断准确性分别为91.0%(61/67)、86.6%(58/67)和82.1%(55/67)，所需时间分别为12.5、15.3和17.9 s。3种影像组学模型均具有较好的分类预测能力，LR、SVM、KNN模型训练集AUC分别为0.972、0.965、0.943；测试集AUC分别为0.954、0.913、0.791，差异无统计学意义( z值：0.72、1.18、1.82，均 P>0.05)。 结论:基于深度学习及Delta影像组学的模型对甲状腺癌术后、 131I治疗后患者唾液腺损伤有较高的评估价值。

目的:数据缺失是队列研究中几乎无法避免的问题。本文旨在通过模拟研究，比较当前常见的8种缺失数据处理方法在纵向缺失数据中的填补效果，为纵向缺失数据的处理提供有价值的参考。方法:模拟研究基于R语言编程实现，通过Monte Carlo方法产生纵向缺失数据，通过比较不同填补方法的平均绝对偏差、平均相对偏差和回归分析的Ⅰ类错误，评价不同填补方法对于纵向缺失数据的填补效果及对后续多因素分析的影响。结果:均值填补、k近邻填补（KNN）、回归填补和随机森林的填补效果接近，且表现稳定；多重插补和热卡填充次于以上填补方法；K均值聚类和EM算法填补效果最差，表现也最不稳定。均值填补、EM算法、随机森林、KNN和回归填补可较好地控制Ⅰ类错误，多重插补、热卡填充和K均值聚类不能有效控制Ⅰ类错误。结论:对于纵向缺失数据，在随机缺失机制下，均值填补、KNN、回归填补和随机森林均可作为较好的填补方法，当缺失比例不太大时，多重插补和热卡填充也表现较好，不推荐K均值聚类和EM算法。

目的:探讨提取腭裂语音中过高鼻音特征性共振峰参数建立的级联声道模型和小波包变换结合线性预测系数(LPC)2种算法模型，在识别腭裂患者高鼻音中的应用效果。方法:选取2015年10月至2018年12月，在四川大学华西口腔医院语音矫治专科就诊的859例腭裂患者，其中男421例，女438例，平均年龄12.1岁。正常语音216例，轻度高鼻音220例，中度高鼻音213例，重度高鼻音210例。按照汉语普通话测试工具收集包括词组、短句的语音样本共62 707份。运用级联声道模型、小波包变换结合LPC的语音信号识别方法提取共振峰参数，采用K近邻分类器，对数据进行分类，判别有无过高鼻音及具体等级。将2种算法模型的分类结果与人工语音评估金标准结果进行对比，运用卡方检验分析其准确性。结果:级联声道模型和小波包变换结合LPC提取共振峰参数这2种方法判断高鼻音有无的正确率分别为80.56%(692/859)和89.99%(773/859)，对高鼻音等级判断的总正确率为72.29%(621/859)和88.13%(757/859)，差异均具有统计学意义( P<0.05)。2种算法对每个高鼻音等级自动判别的正确率均为小波包变换结合LPC优于级联声道模型，且差异具有统计学意义( P<0.05)。2种方法对高鼻音等级类别的识别错误类型中，最严重的错误均为将正常语音判断为轻度高鼻音，小波包变换结合LPC法与级联声道模型分别达到了18.98%(41/216)与14.81%(32/216)，但前者的其余错误率均在5%以下，优于后者。 结论:小波包变换结合LPC的算法与级联声道模型相比，在判断腭裂患者高鼻音有无及等级方面正确率更高，可辅助人工语音师对腭裂患者的语音评估。