简介：摘要在人工智能领域内，人工神经网络是一种运算模型，由大量的节点之间相互联接构成，目的是模拟人类的神经系统，目前已经广泛地应用在智能分析、回归、拟合等多个技术领域。本文从人工神经网络的概念讲起，介绍了有关人工神经网络的相关知识，分析了BP、RBF、SOM、DNN等不同人工神经网络的工作原理，介绍了各类神经网络在部分领域的应用，最后对人工神经网络的应用做出了展望。

简介：随着医学和电子信息技术的迅速发展，人工神经网络（ANN）越来越多地被应用在重症监护室（ICU）中。ANN可以把大量的临床资料转化为信息，辅助医护人员进行诊断和治疗。在ICU中，ANN的作用有很多，主要是用来进行结果预测。应用ANN对于合理利用我国有限的医疗卫生资源以及改善患者预后具有重要的意义。

简介：摘要本文通过研究人工神经网络算法的理论，结合药品安全指数的实际情况提出了药品安全指数权值的调整策略和药品安全指数权值的确定方法，根据这种方法确定了一级指标与二级指标指数级，并对一级指标中的药品机构检验合格率进行了细致的划分与分析。最后说明了这种权值策略提供的药品安全指数能科学、实时、动态地处理各种指标与相应的权值。

简介：摘要在双燃料发动机调速控制系统应用中，工况复杂多变，常常会出现非线性的、时变的和常用系统无法有效控制的情况，如何实现控制发动机的供油（气）量的比例来实现发动机的调速控制和功率控制是有一定难度的。本文引入一种人工神经网络分析方法，对有效实时控制发动机转速是很必要的。

简介：摘要人工神经网络（ANN）是一种驱动人工智能（AI）的网络框架，其中采用经典卷积神经网络（CNN）进行胚胎质量评估可进行固定时间节点胚胎细胞计数和图像识别；采用全连接的深度神经网络（DNN），胚胎图像识别准确度提升，适用于较高硬件配置以及需要整合临床信息进行综合预测；残差网络通过增加层数提高准确度并通过跳跃连接解决梯度消失问题，实现动态胚胎评估。贝叶斯网络（BN）机器学习擅长推理，在条件缺失情况下可通过推理弥补数据不足，可结合临床复杂信息进行综合预测评估；支持向量机（MLP）机器学习存在梯度消失与爆炸，容易丢失图像部分空间特征，适用于小样本评估。ANN在预测胚胎植入率、胚胎非整倍体方面具有一定优势，开发新的胚胎质量评估方法减少侵入性检测是人类辅助生殖技术（ART）重要研究方向。

简介：摘要在医疗卫生领域,人工智能具有广阔的应用前景和较高的实用价值。介绍了人工智能在神经网络中的应用，及应用前景。

简介：摘要开关柜是电力系统的一种重要设备，本文针对开关柜运行状态，开发了一种基于模糊神经网络算法的开关柜状态评估系统，首先建立因素集合和评语集，然后确定评判因素的权重向量，再根据隶属函数，建立模糊关系矩阵，得到出综合评判向量，最后利用神经网络实现诊断。

简介：摘要目的优选活血散瘀泡腾片的提取工艺。方法以芍药苷与羟基红花黄色素A含量、干膏收率为评价指标，采用层次分析法、多指标综合评分法结合正交试验、Back Propagation(BP)人工神经网络优选加水量、提取时间、提取次数等工艺参数。结果芍药苷和羟基红花黄色素A分别在0.079 5～1.590 4 μg、0.038 5～1.539 2 μg范围内线性关系良好，平均回收率分别为98.18%、96.22%，RSD分别为0.77%、1.31%。确定活血散瘀泡腾片最佳提取工艺为9倍量水，加热回流提取3次，每次1 h。结论正交试验联合BP人工神经网络优化方法实用高效，优选的提取工艺科学合理，稳定可行。

简介：摘要目的探讨人工神经网络在腹腔镜操作培训中的应用价值。方法采用前瞻性队列研究方法。选取2019年9—11月陆军军医大学第一附属医院158名腹腔镜零基础学员(2019级、2018级、2017级外科硕士研究生52名，外科规培生58名，实习生12名，进修生36名)进行腹腔镜操作培训。采用随机数字表法将学员分为两组。进行人工神经网络腹腔镜模拟器培训的学员设为人工神经网络组；进行箱式腹腔镜模拟器培训的学员设为普通腹腔镜模拟器组。两组学员利用各组的模拟器，接受10 h(为期5 d的连续训练，每天训练时长为2 h)培训，培训内容为腹腔镜手术基本技能。观察指标：(1)两组学员培训前后腹腔镜模拟器操作成绩比较。(2)两组学员培训后腹腔镜模拟器操作成绩提高程度比较。正态分布的计量资料以±s表示，组内比较采用配对t检验，组间比较采用独立样本t检验。偏态分布的计量资料以M(范围)表示。结果筛选出符合条件的学员158名，男140例、女18例；中位年龄为27岁，年龄范围为20~34岁。158名学员中，人工神经网络组79名；普通腹腔镜模拟器组79名。(1)两组学员培训前后腹腔镜模拟器操作成绩比较：人工神经网络组学员培训前钉子转移、图案切割、结扎、体内缝合打结、体外缝合打结分别为(51.2±4.9)分、(45.6±3.7)分、(43.0±3.6)分、(42.1±3.1)分、(39.6±3.1)分，学员培训后上述指标分别为(78.6±3.0)分、(76.4±3.9)分、(79.9±2.5)分、(78.3±3.5)分、(84.1±3.8)分，学员培训前后上述指标比较，差异均有统计学意义(t=-42.490，-56.256，-80.373，-70.802，-79.742，P<0.05)。普通腹腔镜模拟器组学员培训前上述指标分别为(50.1±2.9)分、(45.4±3.9)分、(42.7±3.0)分、(42.3±3.4)分、(39.2±4.7)分，学员培训后上述指标分别为(70.4±5.0)分、(69.8±4.0)分、(72.3±3.3)分、(72.3±3.5)分、(72.8±3.2)分，学员培训前后上述指标比较，差异均有统计学意义(t=-28.942，-42.436，-58.357，-52.322，-53.098，P<0.05)。(2)两组学员培训后腹腔镜模拟器成绩提高程度比较：人工神经网络组学员培训后钉子转移、图案切割、结扎、体内缝合打结、体外缝合打结操作成绩提高程度分别为(27.4±5.7)分、(30.8±5.0)分、(36.9±4.1)分、(36.2±4.5)分、(39.5±5.4)分，普通腹腔镜模拟器组学员培训后上述指标分别为(20.3±6.2)分、(24.4±5.1)分、(29.6±4.5)分、(29.9±5.1)分、(33.5±5.6)分，两组学员上述指标比较，差异均有统计学意义(t=7.597，7.946，10.638，8.200，6.969，P<0.05)。结论腹腔镜操作培训中引入人工神经网络可以提高培训效果。

简介：摘要目的构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络(deep convolutional neural network，DCNN)模型，并测试其功能。方法选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集(数据集1、3、4)，另以公共数据集CVC-ClinicDB(由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成)作为数据集2。数据集1(2018年1—11月的肠息肉图像3 700张，无息肉图像1 000张)用于DCNN模型构建、训练与验证；数据集2和数据集3(2019年1—3月的肠息肉图像320张，无息肉图像400张)用于DCNN模型在图像中的测试；数据集4(2018年12月肠镜视频15个，包含33个息肉)，用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。结果DCNN模型在数据集2中检测肠息肉的敏感度为93.19%(602/646)；在数据集3中检测肠息肉的准确率为95.00%(684/720)，敏感度为98.13%(314/320)，特异度为92.50%(370/400)，假阳性率为7.50%(30/400)；在数据集4中检测息肉逐息肉个数的敏感度为100.00%(33/33)，逐帧准确率为96.29%(133 840/138 998)，逐帧敏感度为90.24%(4 066/4 506)，逐帧特异度为96.49%(129 774/134 492)，逐帧假阳性率为3.51%(4 718/134 492)。结论构建的DCNN模型可用于自动检测结直肠息肉，在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度，且在视频中测试的假阳性率低，可用于帮助内镜医师检测结直肠息肉。

简介：为了提高肿瘤病理诊断的准确性和效率,本研究提出基于信息熵和粗糙集理论的信息筛选及其人工神经网络的灵敏度分析方法,并用于选取肿瘤特征基因。通过粗糙集和信息熵对基因的筛选模型,建立必要的基因集;通过基因对BP神经网络模型输出函数的灵敏度分析,递归去除灵敏度较低的若干基因,生成一组候选特征基因子集;将特征基因子集传输到肿瘤病理诊断系统,生成诊断报告。该方法具有很高的可行性和有效性。

简介：摘要目的建立可预测Ⅱ~Ⅲ期胃癌患者淋巴结转移的神经网络模型，并探讨其预测价值。方法病例纳入标准：（1）经病理确诊为Ⅱ~Ⅲ期（第8版AJCC分期）胃腺癌；（2）术前胸片、腹部超声及上腹部CT等检查无肝、肺、腹腔等远处转移；（3）行R0切除。病例排除标准：（1）术前接受过新辅助化疗或放疗；（2）一般临床资料不完整；（3）残胃癌。回顾性收集2010年1月至2014年8月期间在福建医科大学附属协和医院胃外科接受根治性切除术的1 231例Ⅱ~Ⅲ期胃癌患者的临床病理资料。全组共1 035例患者经术后证实淋巴结转移，196例患者未出现淋巴结转移。416例（33.8%）术后病理分期为Ⅱ期，815例（66.2%）为Ⅲ期。全组患者被随机分为建模组861例（69.9%）和验证组370例（30.1%）。先运用Logistic单因素分析方法，对建模组的病例样本进行回顾性分析，筛查影响淋巴结转移的变量，确定人工神经网络输入节点的变量项目，再使用多层感知器（MLP）训练N+-ANN。N+-ANN由Logistic单因素分析筛选出的变量构成输入层。人工智能依据输入数据分析患者淋巴结转移状态，并与真实值进行比较。通过绘制受试者操作特性（ROC）曲线、获取曲线下面积（AUC）来评估模型的准确性。结果建模组与验证组临床资料的比较，差异均无统计学意义（均P>0.05）。建模组单因素分析结果显示，术前血小板淋巴细胞比值（PLR）、术前系统性免疫性炎性指数（SII）、肿瘤大小、临床N（cN）分期与患者出现淋巴结转移有关。将以上因素连同术前中性粒细胞淋巴细胞比值（NLR）、术前糖类抗原19-9、术前癌胚抗原、肿瘤位置、临床T（cT）分期作为输入层变量构建N+-ANN。建模组N+-ANN对术后淋巴转移预测准确率为88.4%（761/861），灵敏度为98.9%（717/725），特异度为32.4%（44/136），阳性预测值为88.6%（717/809），阴性预测值为84.6%（44/52），AUC值为0.748（95%CI：0.717~0.776）；而验证组，N+-ANN的预测准确率为88.4%（327/370），模型灵敏度为99.7%（309/310），特异度为30.0%（18/60），阳性预测值为88.0%（309/351），阴性预测值为94.7%（18/19），AUC值为0.717（95%CI：0.668~0.763）。根据N+-ANN所输出的个体化淋巴结转移概率，取截点0~50%、>50%~75%、>75%~90%、>90%~100%，将患者分为N0组、N1组、N2组、N3组。建模组和验证组的N+-ANN对pN分期总体预测准确率分别为53.7%和54.1%，而cN分期对pN分期的总体预测准确率仅为30.1%和33.2%。结论本研究构建的N+-ANN能准确预测Ⅱ~Ⅲ期胃癌患者的淋巴结转移情况。基于N+-ANN的个体化淋巴结转移概率相较于cN分期，对pN分期预测的准确性更高。

简介：

简介：摘要目的训练放疗计划个体化三维剂量预测模型，并使用该模型建立计划质量控制方法。方法回顾性分析99例已临床实施的早期鼻咽癌同步加量容积旋转调强放疗(VMAT)计划，提取7个几何特征，包括各危及器官(OARs)到PTV、加量靶区和外轮廓的最小距离，及4个坐标位置关系特征。训练(89例)并验证(10例)基于人工神经网络(ANN)的三维剂量分布预测模型；然后基于该预测模型建立放疗计划质量控制方法。以各危及器官剂量学参数D2%、D25%、D50%、D75%和平均剂量(MD)为质量控制指标，通过标准为人工计划和预测剂量差别≤10%。采用由低年资物理师设计的10例计划，对该质量控制方法进行测试。结果18个头颈部OARs的主要剂量学指标，预测剂量与专家计划结果差异无统计学意义。剂量预测结果与专家计划相比，D2%、D25%、D50%、D75%和平均剂量(MD)的差别均控制在1.2 Gy以内。由低年资物理师设计的10例计划均达到常规临床剂量限值的要求，而利用建立的质量控制方法检出1例计划的脊髓、脊髓危及器官的计划体积(PRV)、脑干和脑干PRV剂量限制有待改善。根据模型预测值重新优化计划后，脊髓和脑干D2%分别降低了8.4和5.8 Gy。结论提出了一种简单易行的放疗计划质量控制方法，能克服统一性剂量限值未考虑患者特异性的缺陷，可提高个体化计划质量和稳定性。

简介：摘要随着大数据时代的到来，基于机器学习的人工智能技术，尤其是人工神经网络技术发展迅速，相关研究已涉及口腔医疗多个领域，特别在口腔三维解剖特征的自动化分割与识别方面具有巨大的应用前景，可辅助口腔医师及技师完成繁琐重复的手工操作，并更高效精确地完成诊断与诊疗计划制订。本文简要总结人工神经网络在口腔三维解剖特征的分割与识别领域的应用现状与现存问题，为相关研究与临床应用提供参考。

简介：目的运用人工神经网络数据挖掘技术分析与浸润性膀胱癌患者预后有关的各种因素建立预测浸润性膀胱癌患者5年生存状态的预后模型,并与传统的Logistic回归分析比较评价其效果。方法收集从2006年1月至2009年12月在我院接受诊治的134例浸润性膀胱癌患者的资料。所采用数据挖掘技术为人工神经网络(ANN)。将所有病例分为两组:一组作为训练样本,不参与数据挖掘过程,共计27例;一组用于筛选变量及建立预测模型,参与数据挖掘过程共计107例。应用Logistic回归模型的相关评价指标来比较两种方法对于评价预后模型的准确度。结果T分期、肿瘤直径、是否有淋巴结转移、肿瘤单发及多发、手术方式、病理分级,6项指标均与浸润性膀胱癌患者的5生存状态相关(P<0.05)。ANN模型预测患者5年生存状态的准确率为85.18%、敏感度为57.14%和特异度为95.00%,Logistic回归模型的相关评价指标,准确率77.78%、敏感度44.44%、特异度94.44%。神经网络各项指标均优于Logistic回归模型。结论数据挖掘技术可从与浸润性膀胱癌患者预后相关的大量信息中挖掘出有意义的指标,并利用这些指标建立预测模型来判断患者5年后的生存状态。

简介：摘要目的建立基于卷积神经网络的人工智能烧伤深度识别模型并测试其效果。方法在本诊断试验评价研究中，收集中南大学湘雅医院(下称笔者单位)2010年1月—2019年12月收治的符合入选标准的221例烧伤患者伤后48 h内创面照片484张，采用随机数字编号。采用图像查看软件圈出目标创面，由笔者单位烧伤整形科3名具有5年以上专科工作经验的主治医师判断烧伤深度，用不同颜色标记浅Ⅱ度、深Ⅱ度或Ⅲ度烧伤后，按224×224像素的尺寸切割得到完整大小的图像块5 637张。采用图片生成器将3种深度烧伤图像块均扩充至10 000张后，将每种烧伤深度图像块按7.0∶1.5∶1.5比例分为训练集、验证集和测试集。在Keras 2.2.4 Python 2.8.0版本下，采用卷积神经网络中的残差网络ResNet-50构建人工智能烧伤深度识别模型，输入训练集进行训练，利用验证集对模型进行调整、优化。利用测试集测试构建的模型识别各类烧伤深度的准确率，计算精确率、召回率及F1指数；通过降维工具tSNE将测试结果降维可视化生成二维tSNE云图，观察各类烧伤深度分布情况；根据模型对3种烧伤深度识别的敏感度及特异度，绘制出相应受试者工作特征(ROC)曲线，计算ROC曲线下面积。结果(1)经测试集测试，人工智能烧伤深度识别模型识别浅Ⅱ度、深Ⅱ度、Ⅲ度烧伤的精确率分别为84%(1 095/1 301)、81%(1 215/1 499)、82%(1 395/1 700)，召回率分别为73%(1 095/1 500)、81%(1 215/1 500)、93%(1 395/1 500)，F1指数分别为0.78、0.81、0.87。(2)tSNE云图显示，人工智能烧伤深度识别模型测试集测试结果中不同烧伤深度之间总体重叠较少，其中浅Ⅱ度与深Ⅱ度、深Ⅱ度与Ⅲ度烧伤之间重叠相对较多，而浅Ⅱ度与Ⅲ度烧伤之间重叠相对较少。(3)人工智能烧伤深度识别模型识别3种烧伤深度的ROC曲线下面积均≥0.94。结论采用ResNet-50网络建立的人工智能烧伤深度识别模型可较准确地识别烧伤患者早期创面照片中烧伤深度，特别是浅Ⅱ度与Ⅲ度烧伤，有望用于临床烧伤深度辅助诊断，提高诊断准确率。

简介：摘要目的利用反向传播神经网络（BPNN）算法，建立一种可以识别血糖项目随机误差的实时质控新方法并评价模型效能。方法通过北京朝阳医院实验室信息系统导出2019年1月至2020年7月在西门子advia2400分析系统上报告的全部患者血糖信息，共计219 000条，作为本研究的无偏数据。人为引入6个偏差生成相应的有偏数据，每种偏差下用2种算法测试。进行计量学及临床评价。结果BPNN步长设置为10，全部偏差下假阳性率均在0.1%以内；MovSD的最佳步长为150，拦截限为10%，全部偏差下假阳性率为0.38%，比BPNN高0.28%。MovSD在0.5与1误差因子下全部未检出，误差因子>1之后，可检出，但MNPed偏高；而BPNN在全部偏差下MNPed均低于MovSD，两者相差最高达91.67倍。计量学溯源过程生成460 000条参考数据，采用参考数据评定BPNN模型的不确定度仅为0.078%。结论成功建立了基于BPNN算法识别检测过程随机误差的实时质控方法，模型准确度高，临床效能显著优于MovSD方法。

简介：

简介：目的利用BP神经网络的理论和算法,对COPD患者的历史数据进行分析,构建出COPD再入院患者的风险评估模型,通过对COPD再入院患者各相关因素的敏感度分析和疾病风险评估及分析,为BP神经网络建模在临床诊疗中的应用提供一定的参考,并为医疗资源的合理配置提供较为有效的解决方案。方法编写结构化查询语句,从HIS数据库抽取相关数据,导入Clementine11.1中,利用BP神经网络算法进行建模,预测结果用SPSS22.0进行模型的建模效果评估以及模型建模效果的假设检验。结果经过优化后的BP神经网络的拟合度为71.743%,预测准确度93.55%。在所有相关影响因素中,入院次数和入院状态对COPD患者的再入院风险度影响最大。在预测效果上,BP神经网络要优于传统的多元统计分析方法。