简介：为早期诊断川崎痛,应用BP神经网络原理建立川崎病的诊断模型.以156例川崎病与非川崎病患者的体温、皮疹、口腔黏膜改变、实验室检查结果等9项指标等作为BP神经网络的输入参数,在MATLAB7程序中对其中随机抽取的90例学习样本进行训练并建模.以剩余的66例作为测试样本进行预测,结果表明该模型对川崎病和非川崎病的预测准确率分别为97.4％、92.9％,提示此模型可有效地判别出川崎病与非川崎病,可用于川崎病的早期辅助诊断.

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：目的:研究神经网络的智能分析和Statistica数学统计软件,在计算机辅助药物设计的定量构效关系中应用的特点.方法:应用神经网络中的智能求解器结合Statistica数学统计软件,对α-溴代苯乙胺衍生物进行Hansch分析.结果:比较常规方法对回归方程的Hansch分析结果,得到该方法对分析结果在相关系数、偏差以及实验值与预测值之间的差别都有较明显改善.结论:该方法能提高计算机辅助药物设计中Hansch分析的效果.

简介：摘要目的用精准自动勾画女性肠道器官的Dense V-Network模型对宫颈癌患者进行训练并评估。方法将Dense Net与V-Net2个网络模型进行融合，形成一种用于三维CT图像自动分割的Dense V-Network算法。160例宫颈癌患者CT数据被随机分为训练集130例用于调整模型参数，测试集30例用于评估自动分割效果。采用戴斯相似性系数(DSC)等8个参数定量评估分割效果。结果小肠DSC、杰卡德距离、体积差异性系数、敏感性指数、包容性指数、豪斯多夫距离、轮廓平均差异、质心偏差分别为0.86±0.03、0.25±0.04、0.10±0.07、0.88±0.05、0.85±0.05、(2.98±0.61) cm、(2.40±0.45) mm、(4.13±1.74) mm，结果优于单一算法(均P<0.05)。结论Dense V-Network算法可较为准确地分割肠道器官，医生修改审查简单易行，可用于临床。

简介：摘要计算机辅助技术在内镜中的各项应用是近年来的研究热点，其中使用深度学习的人工智能技术(AI)具有跨时代意义。卷积神经网络(CNN)在图像分析中表现最佳，在消化学科领域，CNN被用于处理大量的临床数据和各种内镜图像资料。现主要介绍机器学习技术和AI在无线胶囊内镜小肠疾病自动诊断中的应用。

简介：摘要目的探讨基于卷积神经网络（CNN）的人体行为识别在新一代院前急救中的应用。方法从蒙特利尔跌倒视频数据集获取60份视频，按5∶1比例分为模型训练数据和评价测试数据。①数据模型训练：利用奇异值分解对图片进行清晰化处理，通过目标检测与傅里叶变换识别图片中人体的目标边界，将人体曲线描绘出来；利用OpenCv计算机视觉和机器学习软件库人体姿态估计将人体的重要部位（如臀部、膝盖）标出，计算重要部位连线与水平方向的夹角及检测框架的长宽比例，识别人体是否具有异常行为。②评价测试：从模型训练数据集中随机提取6个视频，每个视频抽取10个1帧，将每帧看成一张图片，对每帧进行CNN行为识别，计算正常行为和异常行为的识别率。结果数据模型训练过程中，对每帧进行人为的标签化，训练CNN人体行为识别模型。评测结果显示，正常行为识别率为（90.33±3.03）%，异常行为识别率为（87.74±2.88）%。结论在路人发生危险行为时，通过CNN识别人体行为可判断其是否处于危急状态，并及时发出预警，对院前急救起到至关重要的作用。

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：摘要目的研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法收集安徽省第二人民医院6 068张眼底图像构建训练集，并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统，该系统由两级网络结构组成，第一级网络结构用于识别MMD是否存在，第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果Densenet网络模型在MMD筛查任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示，本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征，准确识别弥漫性和局灶性脉络膜萎缩区域。结论基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征，并准确进行MMD筛查及其严重等级判断，可有效辅助临床。

简介：摘要目的通过深度卷积神经网络(convolutional neural network，CNN)技术实现胃病变内镜图像的快速、准确人工智能辅助诊断。方法收集2012—2018年北京大学人民医院1 121例胃病变的普通白光内镜图像和病理结果。胃病变图像包括消化性溃疡、早期胃癌及高级别上皮内瘤变、进展期胃癌、胃黏膜下肿瘤共4类，另外还包括无病变正常胃黏膜图像。共17 217张图像作为训练集，使用CNN ResNet-34模型训练分类任务，使用全CNN DeepLabv3模型训练像素分割任务。经过训练后的CNN通过一个测试集评估诊断效能，测试集包括237例胃病变，共1 091张普通内镜图像。计算CNN诊断的准确率、敏感度、特异度、阳性预测值、阴性预测值。结果CNN对于早期胃癌及高级别上皮内瘤变的诊断准确率为78.6%(33/42)，敏感度为84.4%(27/32)，特异度为60.0%(6/10)，阳性预测值87.1%(27/31)，阴性预测值54.5%(6/11)；对于消化性溃疡的诊断准确率为90.4%(47/52)，敏感度为92.7%(38/41)，特异度为81.8%(9/11)；对于进展期胃癌的诊断准确率为88.1%(52/59)，敏感度为91.8%(45/49)，特异度为70.0%(7/10)；对于胃黏膜下肿瘤的诊断准确率为86.0%(43/50)，敏感度为89.7%(35/39)，特异度为72.7%(8/11)。所有测试集图像识别时间为42 s。结论CNN可以作为早期胃癌及其他胃病变内镜图像的快速辅助识别方法，识别速度快，准确率高。

简介：目的：针对脑肿瘤形状、位置及大小等多变性,提出一种适合磁共振成像（MRI）脑肿瘤分割的卷积神经网络模型的改进方法。方法：将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出多尺度卷积神经网络模型（MSCNN）,通过多尺度的输入与多尺度下的采样,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异,弱化肿瘤边缘与正常组织灰度相近的影响。结果：通过对30例患者的多模态磁共振图像进行分割,得到平均Dice系数为83.11%;平均灵敏度系数为89.48%;平均阳性预测值（PPV）系数为78.91%。结论：MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,多尺度卷积神经网络能自适应脑肿瘤的差异性,并准确有效地分割脑肿瘤。

简介：摘要：以乳制品食品安全监测数据为样本，研究基于径向基函数神经网络的食品安全预警方法，对食品安全日常监测数据进行筛选简化，选择与食品安全最为密切的检测项目，以此建立数据样本建立神经网络输入层，隐含层并建立输出层的食品安全预警神经网络模型，用数据样本进行训练和验证，结果表明径向基函数神经网络的食品安全预警方法能有效识别、记忆食品危险特征，对输入数据进行预测，有助于丰富食品安全数据处理方法及完善相关预警技术手段。

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：摘要前列腺癌已成为国内男性最高发的泌尿系恶性肿瘤。卷积神经网络是人工智能中最具代表性和发展前景的深度学习算法的代表模型。卷积神经网络在前列腺癌诊断中展示出了优越的性能和应用价值，针对多参数磁共振和病理图像可以达到与影像科和病理科医生相当的诊断效能，并能获得更多的疾病信息；在致病基因的鉴别和基于拉曼光谱的实验室诊断中也有重要作用。本文就卷积神经网络用于前列腺癌影像、病理、基因、实验室等多方面诊断的研究进展进行综述。

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：摘要人类连接组计划是脑成像领域最高级别的研究项目，人工智能(artificial intelligence，AI)是脑科学研究过程中必不可少的工具。卷积神经网络(convolutional neural networks，CNN)作为AI领域的最新技术之一，在计算机视觉、影像处理等方面表现卓著，于轻度认知障碍(mild cognitive impairment，MCI)的诊断和分析等方面展示出巨大的临床应用前景。作者以卷积神经网络为线索，探讨其在MCI领域的研究现状与未来发展方向。

简介：

简介：摘要目的评价基于深度学习卷积神经网络（convolutional neural networks，CNN）的肺结核CT辅助诊断模型在临床中的应用价值。方法收集2017年3月至2018年3月河北省胸科医院影像科菌阳并接受胸部高分辨率CT平扫检查的1 764例患者的病例资料，其中男937例，女827例，年龄17～73岁，平均年龄38.4岁。由4名影像科医师对含病变的20 139幅CT图像进行分类标注（17种影像特征），以此作为训练数据集，构建肺结核CT图像CNN诊断模型。训练数据集数量最多的前5种影像特征依次为：浸润型肺结核、空洞型肺结核、胸膜增厚、干酪性肺炎和胸腔积液。从已标注图像中随机抽取302幅图像作为测试数据集，以2名高级职称医师的诊断为“金标准”，比较CNN诊断模型和医师在肺结核CT诊断中敏感度和准确率的差异，统计CNN诊断模型分类错误的类型、数量，并绘制自由响应受试者工作特征（FROC）曲线，以测量该模型的最大诊断效能。结果CNN诊断模型对测试数据集中浸润型肺结核、空洞型肺结核、胸膜增厚、干酪性肺炎和胸腔积液的诊断准确率分别为：95.33%（10 982/11 520）、73.68%（2 151/2 920）、73.07%（1 128/1 544）、83.33%（1 020/1 225）和94.11%（814/865）；CNN诊断模型的总体诊断敏感度和准确率分别为95.49%（339/355）和90.40%（339/375），医师的对应数值分别为：93.80%（348/371）和92.80%（348/375），CNN模型和医师诊断比较差异无统计学意义（敏感度χ2=1.022，P=0.312；准确率χ2=1.404，P=0.236）；FROC曲线显示，当敏感度为78%，假阳性区域个数为2.48时，该模型诊断效能最大。CNN诊断模型诊断结核病变的分类错误主要集中于纤维条索灶、空洞型肺结核、干酪性肺炎与浸润型肺结核的混淆上。结论基于深度学习CNN的肺结核CT辅助诊断模型有较高的诊断敏感度和准确率，该模型可辅助影像科医师的肺结核诊断工作，值得在临床工作中推广应用。

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：摘要目的实现直肠癌靶区和正常组织的自动勾画，提高临床工作效率。方法采用基于卷积神经网络的深度学习方法，架构神经网络，学习并实现自动勾画，比较自动勾画与人工勾画的差异。结果210例直肠癌患者随机分组为190例训练集，20例验证集。测量单个患者完整勾画耗时约10s，CTV的平均Dice为0.87±0.04，其余正常组织的平均Dice均>0.8，CTV的HD指数为25.33±16.05，MDA指数为3.07±1.49，JSC指数为0.77±0.07。结论使用基于全卷积神经网络的深度学习方法可以实现直肠癌靶区的自动勾画，提高工作效率。

简介：为了提高P波检测准确率,利用小波变换模极大值对在多尺度上的变化规律能表征信号突变点的性质,结合人体生理特性的检测策略进行心电信号P波的跨尺度检测.同时,引入反向传播神经网络对已检出的准P波再次进行确认与识别.经MIT数据库实验表明,P波检测准确率达到97%.