应用数据挖掘技术从大脑胶质瘤病例中获取诊断知识

采用数据挖掘技术中3种主要算法；多层感知器网络、决策树以及规则提取从大脑胶质瘤病例中获取胶质瘤恶性程度的术前诊断知识，对于测试样本，它们的平均准确率都超过了80％，达到了医生的一般要求，如果准确率是诊断中首要考虑的因素，那么隐层节点数较小且直接利用数值属性的多层感知器网络具有最好的性能。如果要对获取的诊断知识进行人工整理，那么规则提取是最好的知识获取算法。     

基于故障树与贝叶斯网络的呼吸机故障智能诊断

为了快速准确地找出呼吸机故障原因,迅速排除故障,恢复设备的正常运行,本文采用基于故障树和贝叶斯网络的 方法对呼吸机常见故障进行分析。首先通过对呼吸机结构原理的综合分析,结合文献案例搭建呼吸机故障树,进行定性 分析;利用贝叶斯网络对呼吸机故障进行定量分析;最后用实际维修案例进行验证。结果表明,该方法得到的推理结果与 实际结果相符性达到84.54%,为建立呼吸机故障静态数据库并进行故障智能诊断提供了理论依据,具有一定的推广 价值。     

基于3D卷积网络和多模态MRI的脑胶质瘤自动分割

目的:基于三维（3D）卷积神经网络和多模态MRI实现脑胶质瘤的自动分割。方法:首先对来自BraTS2020公共数据集的369例脑胶质瘤的4个模态MRI数据进行3D剪裁、重采样、去伪影、归一化的预处理。其次将MRI数据和脑胶质瘤标注信息输入到基于U-net的3D卷积神经网络模型进行训练和测试。利用相似性系数、召回率和精确率评价整体肿瘤区域、核心肿瘤区和增强肿瘤区的分割结果。结果:在74例测试数据集上,整体肿瘤区域、核心肿瘤区域和增强肿瘤区域的相似系数平均值分别为0.88、0.77和0.73,中位值分别为0.90、0.84和0.81,召回率平均值分别为0.88、0.78和0.78,中位值分别为0.90、0.84和0.84,精确率平均值分别为0.89、0.83和0.75,中位值分别为0.91、0.89和0.79。结论:基于U-net的3D卷积神经网络在多模态MRI数据集上获得了较好的分割结果,显示其在脑胶质瘤自动分割方面的潜力,可为临床诊断分级和治疗策略选择提供参考。     

基于3D深度残差网络和多模态MRI的脑胶质瘤自动分级

目的:利用3D深度残差网络和多模态MRI实现对脑胶质瘤的自动分级。方法:利用BraTS2020公共数据集的293例高级别胶质瘤（HGG）和76例低级别胶质瘤（LGG）的多模态MRI数据训练和测试3D深度残差卷积网络模型。多模态MRI图像经过3D剪裁、重采样和归一化的预处理,随机分组为训练（64%）、验证（16%）和测试（20%）样本,将预处理后的多模态MRI图像和分级标注输入到网络模型进行训练、验证和测试。利用准确率（ACC）和受试者工作特征（ROC）曲线下面积（AUC）评价分级结果。结果:在59例（48例HGG和11例LGG）验证数据集上,ACC和AUC分别为0.93和0.97,在75例（62例HGG和13例LGG）测试数据集上,ACC和AUC分别为0.89和0.93。结论:3D深度残差网络在多模态MRI数据集上获得了较好的脑胶质瘤自动分级结果,可以为确定治疗方案和预测预后方面提供重要参考。     

基于模糊贝叶斯网络的星形细胞瘤智能分级模型

本研究提出一种新的融合影像低层视觉特征和语义的模糊贝叶斯网络模型。使用了高斯混合模型（GMM）对连续的视觉特征模糊化处理，解决了传统贝叶斯网络小能操作连续输入的问题，更合理地表达了具有模糊性、不确定性的专业领域的结构性知识。为了验证它的有效性，将它应用于星形细胞瘤恶性程度的分级。建立了一个概率模型。实验结果得出83．33％的正确识别率。该模型为星形细胞瘤恶性程度预测提供了新的定量而客观的辅助手段。     

基于模糊贝叶斯网络的星形细胞瘤分级预测与知识表达

针对医学影像特征具有模糊性和不确定性的特点，提出一种基于模糊贝叶斯网络的影像诊断预测模型。该模型使用高斯混合模型（GMM）对连续的视觉特征进行模糊量化处理，利用专家知识根据病症与影像特征之间的因果关系建立混合贝叶斯网络结构；由数据通过机器学习确定网络参数；采用概率推理定量估计病症的发生概率，从而建立一个可计算的预测模型。将该方法应用于星形细胞瘤分级预测，实验结果得出83．33％的正确识别率，远远超过使用最小近邻分类器（K-NN）实现连续变量硬（crisp）量化的贝叶斯网络模型，更合理地表达了具有模糊性、不确定性的专业领域的结构性知识，为星形细胞瘤恶性程度预测提供了新的辅助手段。     

基于动态贝叶斯网构建基因调控网络

动态贝叶斯网络(dynamic bayesian network,DBN)是一种基于时序表达数据构建基因调控网络的重要方法。然而目前的DBN方法因计算时间太长,结构不稳定,准确度低,对有效性有很大影响。根据动态贝叶斯网络的度量可分解性质,将动态贝叶斯网络分为初始网络与转移网络分别进行结构寻优,在寻优时将基于静态贝叶斯网络的最大权重生成树算法与贪婪搜索算法相结合,移植入动态贝叶斯网络中,建立基因调控网络模型。提出了一种从时序数据中构建基因调控网络的方法,克服了贝叶斯网络不能描述循环调控的缺陷,也从规模上简化了网络构建问题。通过与相关实验文献的对照,验证了提出方法的有效性,网络学习时间明显缩短,网络结构更加稳定。     

基于脑电运动速度想象的单次识别研究

基于运动想象脑电节律活动的脑-机接口是脑-机接口系统研究中的重要范式之一。本研究给出一种基于运动速度想象的新的研究范式,探索在该研究范式下对运动速度想象具有反应性的脑电节律活动,并进行单次识别。采集了4个健康志愿者想象左手食指快速运动(4 Hz)和慢速运动(1 Hz)时的脑电信号,速度由节拍器定节奏和训练。通过能量谱分析,在C3、Cz和C4通道发现了对运动速度想象具有反应性的频带:9 Hz至13 Hz。提取通道C3、Cz和C4上9 Hz至13 Hz频带能量构建特征空间,分别利用Fisher判别分析和多层感知器神经网络进行运动速度想象的单次识别,对于左手食指快速运动和慢速运动想象,Fisher判别分析和多层感知器神经网络取得的平均误分类率分别是27.7±1.2%,28.4±4.6%,正确识别率均在70%以上。结果表明,尽管运动速度想象的单次识别是一个困难的挑战,但通过精心设计研究范式,适当训练被试,能够诱发出对速度起反应的特征频带,基于脑电单次识别运动速度想象是可行的,该研究可望能够为脑-机接口提供额外的新的速度控制参数。     

基于贝叶斯决策的髋关节自动分割方法

背景:基于CT图像的髋关节分割技术已广泛应用于计算机辅助手术规划、假体设计和有限元分析。目的:探讨基于贝叶斯决策的髋关节自动分割方法在计算机辅助髋关节手术中的应用效果。方法:针对髋关节序列CT图像中骨骼近端分割精度低,计算复杂度高,自动化程度低等问题,提出了一种自动分割算法,通过对比度增强、阈值分割和区域增长等算法提取股骨的初步轮廓,再根据贝叶斯决策论对股骨边缘进行再次分割。结果与结论:基于贝叶斯决策的髋关节自动分割方法计算速度快,鲁棒性高,分割准确,在计算机辅助髋关节手术及假体设计等方面具有一定的实用价值。     

一种基于多层感知器的房颤心电图检测方法

目的:提出一种基于多层感知器（MLP）的新型房颤识别算法。方法:首先设计一种新型自适应的R波阈值检测算法,然后以R波位置和幅度为特征,MLP为分类器进行正常/房颤心电图识别。MLP的网络参数采用深层置信网络预训练算法进行初始化,最后用误差反向传播算法对MLP网络权重进行调整。结果:在单通道心电图数据集上对正常、房颤心电信号进行分类,本研究方法的灵敏度达96.00%,特异性为84.18%,平均识别率为90.09%。结论:这种基于MLP的心电识别算法准确率高、计算复杂度较低,可为房颤的智能诊断提供一种新方法。     

Computer-Aided Diagnosis Scheme for Distinguishing Between Benign and Malignant Masses on Breast DCE-MRI Images Using Deep Convolutional Neural Network with Bayesian Optimization

Although magnetic resonance imaging (MRI) has a higher sensitivity of early breast cancer than mammography, the specificity is lower. The purpose of this study was to develop a computer-aided diagnosis (CAD) scheme for distinguishing between benign and malignant breast masses on dynamic contrast material-enhanced MRI (DCE-MRI) by using a deep convolutional neural network (DCNN) with Bayesian optimization. Our database consisted of 56 DCE-MRI examinations for 56 patients, each of which contained five sequential phase images. It included 26 benign and 30 malignant masses. In this study, we first determined a baseline DCNN model from well-known DCNN models in terms of classification performance. The optimum architecture of the DCNN model was determined by changing the hyperparameters of the baseline DCNN model such as the number of layers, the filter size, and the number of filters using Bayesian optimization. As the input of the proposed DCNN model, rectangular regions of interest which include an entire mass were selected from each of DCE-MRI images by an experienced radiologist. Three-fold cross validation method was used for training and testing of the proposed DCNN model. The classification accuracy, the sensitivity, the specificity, the positive predictive value, and the negative predictive value were 92.9% (52/56), 93.3% (28/30), 92.3% (24/26), 93.3% (28/30), and 92.3% (24/26), respectively. These results were substantially greater than those with the conventional method based on handcrafted features and a classifier. The proposed DCNN model achieved high classification performance and would be useful in differential diagnoses of masses in breast DCE-MRI images as a diagnostic aid.     

基于贝叶斯分类器的脉象自动识别方法

传统脉诊依靠医生按压腕部挠动脉脉搏进行脉象识别,具有很强的主观性和模糊性,其准确性与可靠性依赖于医生个人的主观感觉与经验积累,缺乏客观和量化的诊断指标.针对脉象信号复杂性以及脉象特征与脉象类别之间非线性等特点,提出一种基于贝叶斯分类器的脉象自动识别方法,并据此建立脉象定量诊断模型.首先,提取脉象信号的特征参数,创建脉象特征参数-脉象类别数据库,采用少数类合成过采样技术SMOTE结合Tomek links的方法,对数据库进行均衡,使不同的脉象类别具有大致相同的样本;然后基于均衡后的数据库学习贝叶斯网络结构,将得到的马尔可夫毯选择为特征集合并作为贝叶斯分类器的输入,创建脉象信号与类别之间的映射关系模型.通过创建的脉象样本数据库和交叉验证方法,对所提出的方法进行验证.结果表明:所提出的方法可有效识别脉象类型,对于脉位、脉率和脉律的预测准确率都超过90%,是一种有效的脉象定量诊断方法.     

Evolution and challenges in the design of computational systems for triage assistance

Compared with expert systems for specific disease diagnosis, knowledge-based systems to assist decision making in triage usually try to cover a much wider domain but can use a smaller set of variables due to time restrictions, many of them subjective so that accurate models are difficult to build. In this paper, we first study criteria that most affect the performance of systems for triage assistance. Such criteria include whether principled approaches from machine learning can be used to increase accuracy and robustness and to represent uncertainty, whether data and model integration can be performed or whether temporal evolution can be modeled to implement retriage or represent medication responses. Following the most important criteria, we explore current systems and identify some missing features that, if added, may yield to more accurate triage systems.     

基于贝叶斯网络的临床信息模型检索方法研究:以HL7 V3为例

临床信息模型的可复用性是实现健康医疗信息互联互通和共享的重要基础,检索并识别出临床信息模型中可复用的对象是提高复用性的一种有效途径。以HL7.org发布的HL7V32017标准版本为研究对象,应用扩展的4层贝叶斯网络表征该临床信息模型,在简单贝叶斯网络的基础上增加分层消息描述(HMD)之间语义相似性的扩展层,通过网络的逐层概率推演识别出可复用的临床信息模型。实验设计“就诊预约”、“实验室结果”和“病人实体”等3个检索任务,并应用平均精度均值MAP、平均精度AP和截止点准确率等3个指标以评价检索方法的性能。最终构建含有3428个节点和22646条边的4层贝叶斯网络,自上而下依次为数据元素层、HMD层、重复的HMD层和消息类型层,各层节点数量分别为2177、422、422和407。检索结果显示,MAP值达到了0.382,在第3、第5和第10截止点的平均准确率分别达到77.8%、60.0%和46.7%;该方法不仅可以检索出通用型和领域型两类可复用模型,还能够发现临床语义切实相关的对象(例如检索“就诊预约”时返回的“预约更新通知”对象)。所提出的方法将有助于提高HL7V3信息模型的复用性,并促进临床信息标准的国际化建设,同时对其他临床信息模型检索方法的优化和改进存在一定的借鉴意义。     

Diagnosis of breast cancer using Bayesian networks: a case study

We evaluate the effectiveness of seven Bayesian network classifiers as potential tools for the diagnosis of breast cancer using two real-world databases containing fine-needle aspiration of the breast lesion cases collected by a single observer and multiple observers, respectively. The results show a certain ingredient of subjectivity implicitly contained in these data: we get an average accuracy of 93.04% for the former and 83.31% for the latter. These findings suggest that observers see different things when looking at the samples in the microscope; a situation that significantly diminishes the performance of these classifiers in diagnosing such a disease.     

基于DenseMedic网络的脑皮层下结构的语义分割

脑皮层下结构分割问题是神经科及其他相关疾病计算机辅助诊断和治疗的基础。通过分割和分析核磁共振图像中的脑结构,可以对自闭症谱系障碍、脑卒中、脑肿瘤等疾病进行早期诊断和治疗。为解决精准脑结构分割的问题,基于深度学习基本理论,提出一种DenseMedic网络的核磁共振图像脑皮层下结构的分割算法。首先,OreoDown方法通过较早地增大卷积核的步长增大特征感受野的增长速度,并使用不变尺寸的卷积层夹心式地恢复网络深度,使速度的增加带来有效的感受野增加;其次,DenseMedic使用DenseNet的思想实例化OreoDown框架,通过密集连接的特征提取操作来获取多尺度的上下文信息;最后,在各层中使用混合空洞卷积进一步扩大感受野,解决特征感知过于粗糙的问题。采用Dice相似度系数(DSC)、交并比(IoU)、95% Hausdorff表面距离(HSD95)和平均表面距离(ASD) 4个指标,评价神经网络的分割性能。在公开的IBSR数据集的18例图像上进行实验,算法的4个指标分别达到89.2%、80.7%、1.982和0.882;在公开的MBBrainS18数据集的7例图像上的实验显示,算法的4个指标分别达到88.7%、79.8%、1.249和0.570。实验表明,所提出的算法使脑结构的分割结果与真实结构在区域上有更多的重叠, 在轮廓上更加相似,可以更好地完成各个脑皮层下结构的分割。在临床应用中,对脑皮层下结构的精准分割将有助于准确测量相关疾病诊断的关键指标,并实现快速的计算机辅助治疗。