基于多层次集成学习的骨质疏松辅助诊断研究

目的 原发性骨质疏松是一种起病隐匿、病程较长,在中老年人中高发的疾病,其可引起包括骨折在内的一系列严重症状,是我国中老年人致残致死的主要原因之一。与骨质疏松相关的生理检验指标有很多,如何筛选利用这些指标为诊断服务、建立诊断模型,尚未有成熟、统一的方法。方法 利用人工智能相关技术,对临床骨质疏松患者指标使用多种特征相关性算法进行特征选择,并在此基础上提出了一种多层次的集成学习框架：SAB-SVMKNN算法,其通过将内部同质学习器集成和外部异质学习器集成结合,将集成学习中的Boosting算法和Bagging算法使用Stacking进行集成,构建性能更强,适应性更好地诊断预测模型。结果 使用特征选择从原始数据中的31项临床指标中筛选了对于骨质疏松最重要的8种相关特征,通过这种方式使各模型准确率平均提高了9.2%,且该研究对应的模型准确率提升18.6%,最终达到了94.8%的准确率。结论 特征选择对于临床诊断和骨质疏松疾病的研究具有重要意义,该研究构建的预测模型可以有助于提高医生的诊断准确率。     

基于3D-ResNet深度影像特征的胆囊癌生存预测模型

建立一个精准的个体化胆囊癌患者生存预测模型,分析、寻找新的胆囊癌预后因素,对于患者预后评估、治疗模式选择、手术患者筛选、术后辅助治疗方案确定及医疗资源合理使用均具有重要意义。本文提出一种基于3D-ResNet提取深度影像特征建立胆囊癌患者生存预后模型的方法,通过迁移学习以及训练3D-ResNet自动提取患者CT的深度特征,并利用提取的深度影像特征,通过Cox比例风险回归模型建立胆囊癌患者的生存预测模型。实验结果表明,基于深度影像特征建立的胆囊癌患者预后因子在预测患者生存时的C指数达到0.734,利用深度影像特征预后因子预测患者的1、3、5年存活率AUC分别达到0.833、0.791、0.813。本方法对胆囊癌预后预测有着良好的指示作用。     

骨质疏松筛查系统设计与实现

目的骨质疏松症是一种起病隐匿、发病率高、治疗费用高的致残类疾病。早发现、早治疗可以显著改善骨质疏松患者的生存状态。早发现的最佳途径是通过社区医院的定期筛查,但目前市场上缺乏用于此类筛查的工具,因此亟需构建骨质疏松筛查系统。方法移动医疗的发展为解决此类问题提供了技术支持。通过提出内容可定制技术、骨质疏松临床指南数字化技术和医学化验单OCR识别技术,分别解决了筛查内容复杂多变、骨质疏松筛查知识建模和化验单图像数据结构化问题。结果基于微信小程序的MINA框架,制定了一套面向骨质疏松症筛查的便捷、轻量级解决方案,开发出"骨质疏松AI筛查防治"微信小程序,并已开展临床试用。结论此程序可方便地应用于社区筛查,提高医务人员的工作效率。     

基于随机森林与人工神经网络慢性鼻窦炎伴鼻息肉诊断模型的构建与分析

目的 慢性鼻窦炎伴鼻息肉(CRSwNP)是一个全球性的健康问题,现有的诊断技术存在一定局限性,因此有必要开发新的诊断模型来补充现有的诊断方法。方法 利用CRSwNP患者(GSE23552、GSE36830)的公开基因表达数据来识别潜在的差异基因,应用随机森林算法和人工神经网络进一步筛选特异性基因,建立CRSwNP的早期诊断模型。结果 共发现78个上调基因和25个下调基因,随机森林算法筛选了4个特异性基因(HPGDS、IL1RL1、FMO3、DOK3),人工神经网络构建出基于上述基因的预测模型,该模型具有良好的预测效果(AUC=0.986),独立数据集GSE194282进一步验证了其准确性(AUC=0.888)。结论 采用机器学习方法建立了一个基于基因表达水平的预测模型,该模型可以预测早期CRSwNP,有助于早期诊断和改善临床决策。     

基层医疗机构阿尔茨海默病辅助识别系统的初步建立

目的探索性建立基层医疗机构阿尔茨海默病(Alzheimer’s disease,AD)辅助识别系统。方法对50例AD患者、44例轻度认知功能障碍(mild cognitive impairment,MCI)患者及46名正常老年人进行一系列神经心理量表测试,以神经心理量表的认知分项作为条件属性,以最终诊断作为决策属性,按照不降低识别精确度为原则,应用粗糙集理论遗传算法将各条件属性进行约简,以约简后结果为基础,利用贝叶斯概率推理模型,建立AD辅助识别系统,并应用10折交叉验证方法对该系统进行反复验证。结果约简结果为10项,包括简易智能精神状态检查量表中的三步命令;蒙特利尔认知评估量表中的视空间与执行功能、命名、注意,图形记忆中的图形复制、即刻回忆及延迟回忆;听觉词语学习测验的即刻记忆及延迟回忆;工具性日常生活活动能力测试。将此10项的原始数据为基础,建立AD网络辅助识别系统。结论 AD网络辅助识别系统简单、有效、易于推广,有利于提高基层医疗机构AD的识别率。     

基于改进Attention U-Net的胆囊自动分割模型研究

目的 基于多尺度融合注意力机制,提出改进Attention U-Net的胆囊自动分割模型,提高胆囊自动分割模型的性能,以辅助医生进行临床诊断.方法 首先选取2017年1月—2019年12月上海交通大学医学院附属新华医院普外科、吉林大学白求恩第一医院肝胆胰外一科和吉林大学中日联谊医院普外科收治的88例病理诊断明确的胆囊癌患者、28例慢性胆囊炎胆囊结石患者和29例健康对照,构建胆囊分割数据集,然后通过对医学常用深度学习图像分割方法U-Net和Attention U-Net进行分析,提出基于多尺度融合注意力机制改进的Attention U-Net方法,并设计实验对3种方法进行对比评估.结果 提出的改进Attention U-Net方法在验证集上的交并比阈值(IoU)分数、Dice系数、检测精度(Precision)和召回率(Recall)分别为0.72、0.84、0.92、0.79,全部优于传统U-Net和Attention U-Net方法.结论 本文提出了基于多尺度融合注意力机制改进的Attention U-Net模型,其性能优于U-Net和Attention U-Net,证明了本方法中改进的注意力机制可以很好地改善U-Net模型在胆囊影像上的分割结果.     

基于深度神经网络Mask R-CNN胆囊癌辅助识别系统临床应用价值研究

目的探讨基于深度神经网络的目标检测技术在腹部双源CT胆囊癌辅助识别系统的临床应用价值。方法选取2017年1月至2019年12月上海交通大学医学院附属新华医院普外科、吉林大学第一医院肝胆胰外一科和吉林大学中日联谊医院普外科收治的88例病理学检查诊断明确的胆囊癌,28例慢性胆囊炎胆囊结石病人和29例正常胆囊(影像学检查胆囊正常)病人,均行腹部双源CT检查。随机选取101例作为训练组,29例作为验证组,15例作为测试组。首先,利用已标注的10409张腹部双源CT图像对Mask R-CNN模型进行学习,从而建立自动胆囊癌辅助识别系统。然后对验证组的2974张CT图像通过专业的医师对其进行判断识别,与Mask R-CNN得出的结果进行对比分析。通过不同交并比阈值(IoU)下的平均检测精度(AP)和平均召回率(AR)来对性能进行评估。结果计算机通过学习组不断迭代训练,Mask R-CNN的损失函数值收敛,诊断误差不断降低。在IoU为0.5时,Mask R-CNN的边界框和掩膜的AP分别为0.929和0.929,IoU为0.75时的边界框和掩膜AP分别为0.901和0.890,IoU为0.5:0.95时的边界框和掩膜AP分别为0.723和0.707,平均召回率分别为0.794和0.774,模型的性能良好。结论基于深度神经网络的Mask R-CNN胆囊癌辅助识别系统具有较高的准确率和性能,可辅助进行临床诊断。     

基于高效时空图卷积的异常步态识别算法研究

为实现人体异常步态的自动识别,本研究提出一种基于高效时空图卷积神经网络的异常步态识别算法,使用两个Kinect深度相机传感器提取人体三维骨架数据,基于时空图卷积采用早期多分支融合策略,生成关节、运动和骨骼三类特征。经特征融合后,使用两个时空图卷积块作为主流网络进行训练,结合时空关节注意力机制增强模型鉴别能力。在两个公开数据集上测试分别取得了99.37%和96.10%的平均准确率,实验结果高于其他基于骨架的图卷积神经网络方法。本研究提出的高效时空图卷积网络能有效鉴别异常步态,有助于异常步态的早发现、早诊断和早治疗。     

基于临床指南的决策支持系统

基于临床指南的决策支持系统已经有二十多年的历史,然而在历经最初十几年的蓬勃发展后,最近几年发展缓慢。本文通过分析几个典型的临床指南模型及其相应的决策支持系统的发展现状,总结出此类系统所面临的几个关键问题,并指出了今后的发展趋势。     

基于Tesseract的医学化验单内容识别技术

目的由于化验单内容可以真实地记录患者健康状态,因此将纸质的化验单转为医疗电子档案进行存储在进行保险理赔、转院、远程会诊、建立健康档案时都具有重要作用。但目前在临床上尚缺乏能识别化验单内容,把化验单直接转成医疗电子档案的工具,为此本文设计了一套完整的自动化医学化验单内容的光学字符识别(optical character recognition,OCR)方法。方法首先对化验单图像进行预处理,利用大津法对化验单图像进行二值化、用霍夫变换对图像进行抗扭斜和特征提取,然后使用Tesseract的集束搜索算法和 K 邻近算法对化验单内容进行识别,对字库进行训练,利用医学词典文件与模糊字文件来对识别内容进行纠错,并以此建立医学化验单OCR引擎。最后利用从上海某社区医院收集的302条化验单数据对OCR引擎的准确率进行了评估。结果经评估验证,本文方法的识别准确率为92.72%,可基本满足临床需求。结论基于Tesseract建立的医学化验单OCR引擎可以免去手动输入化验单数据的麻烦,医生仅需拍照上传化验单照片,即可将化验单中的内容转成结构化医疗电子档案,极大提高了医生的工作效率,有助于数据的进一步利用。