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：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：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：摘要目的构建无痛结肠镜检查术患者术后疲劳综合征(POFS)的人工神经网络(ANN)预测模型。方法选择2016年10月至2017年2月行无痛结肠镜检查术的门诊患者，收集围术期共38个影响因素。于麻醉复苏达标时，行Christensen术后疲劳评分。Christensen术后疲劳评分≥3分为发生POFS。根据是否发生POFS将患者分为POFS组和非POFS组。分别构建logistic回归预测模型和ANN预测模型，并进行检验。通过计算受试者工作特征曲线下面积比较2种预测模型的预测效果。结果ANN预测模型训练集和测试集错误率分别为23.1%和28.1%，训练集的灵敏度和特异度分别为88.6%和52.7%，测试集的灵敏度和特异度分别为91.6%和71.1%。logistic回归预测模型和ANN预测模型曲线下面积分别为0.698和0.776。结论本研究成功构建了无痛结肠镜检查术患者POFS的ANN预测模型，该模型预测效果优于logistic回归预测模型。

简介：摘要目的提升心电图心律失常分类算法的性能，为临床心电诊断提供辅助依据。方法将一维心电图数据按照R点进行切分，将切分后的数据生成2D图像。利用数据增强技术将样本进行扩增，再利用二维卷积神经网络（2D-CNN）中的2D卷积层、2D最大池化层、Flatten层和全连接层，对图像特征进行提取，并通过Softmax分类器进行分类。利用带有权重系数的损失函数来增强模型对于S类和V类的学习。采用MIT-BIH数据集进行模型训练并评估算法性能。结果样本扩增和使用带有权重系数的损失函数能够提升模型的召回率和特异性指标，同时保持模型对室性异位搏动（VEB）和室上性异位搏动（SVEB）分类的精确率的指标。结论所提出模型的准确率为99.02%，SVEB的召回率为96.4%，表明该分类方法可以辅助医护人员诊断心脏疾病。

简介：摘要近年来卷积神经网络(convolutional neural network ，CNN)在辅助分析肺癌方面表现出良好的应用前景和研究价值。CNN可以从图像数据中自主学习以提取特定的与临床相关的特征。本文对构建CNN通过输入CT图像进行端到端分析，从而在术前预测肺癌风险和临床治疗效果；以及通过输入肺结节组织切片图像进行术后病理学分析作一综述。

简介：摘要目的构建预测FOLFOX方案(奥沙利铂＋亚叶酸钙＋氟尿嘧啶)一线治疗转移性结直肠癌(mCRC)疗效的人工神经网络模型。方法从美国国家生物信息中心的基因表达汇编(GEO)数据库获取1组FOLFOX方案一线治疗mCRC的数据(GSE104645)作为训练集，其中FOLFOX方案疗效敏感组(完全缓解和部分缓解患者)31例，耐药组(疾病稳定和疾病进展患者)23例。将训练集样本按7∶3分为内部训练样本和内部测试样本。以福建医科大学附属协和医院结直肠外科采用FOLFOX方案一线治疗的30例mCRC患者的芯片数据集(GSE69657)作为外部验证样本，其中敏感组13例，耐药组17例。运用R 3.5.1软件Combat包对两套矩阵的表达值进行批间差校正。运用GEO2R平台对GSE104645中敏感组和耐药组的基因表达进行差异分析，以P<0.05且|log2FC|>0.33(FC为差异倍数)为阈值，筛选FOLFOX方案的耐药基因和敏感基因。采用多层感知器方法对GSE104645数据集进行FOLFOX方案疗效的人工神经网络模型构建。然后，以外部验证样本进行回代验证。采用受试者工作特征(ROC)曲线对所建模型的预测能力进行评价。结果基于GSE104645数据集，共筛选出2 076个差异基因，其中822个基因在耐药组上调，1 254个基因下调，下调基因为敏感基因。基因本体论(GO)分析显示，差异基因主要富集在物质代谢的调控过程中。所构建的人工神经网络模型共纳入39个基因，包含2个隐藏层。其在训练集中预测训练样本和测试样本的准确度分别为75.7%和76.5%，ROC曲线下面积为0.875。回代验证显示，外部验证样本的ROC曲线下面积为0.778。结论基于芯片数据成功建立了人工神经网络预测模型，模型稳定性好，预测FOLFOX方案一线治疗mCRC疗效的效能强。与奥沙利铂耐药相关的基因功能主要富集在物质代谢的调控过程中。

简介：摘要目的探讨社区获得性肺炎（CAP）患者并发急性呼吸窘迫综合征（ARDS）的独立危险因素，以及基于人工神经网络模型预测CAP患者发生ARDS的准确性和预防价值。方法采用病例对照研究方法，收集2020年2月至2021年2月南京医科大学附属常州第二人民医院综合重症监护病房和呼吸内科收治的符合入选标准的414例CAP患者的临床资料，根据是否并发ARDS分为两组。统计两组患者入院24 h内的临床数据，通过单因素分析筛选出发生ARDS的影响因素，并构建人工神经网络模型；通过人工神经网络模型输入层自变量（即单因素分析得出的影响因素）对输出层因变量（即是否发生ARDS）影响的重要程度，绘制出自变量重要性的条形图；将人工神经网络建模数据对按照7∶3的比例随机分为训练组（n＝290）和验证组（n＝124），分别计算两组模型的总体预测准确性，并绘制受试者工作特征曲线（ROC曲线），计算ROC曲线下面积（AUC）。结果414例患者均纳入分析，其中发生ARDS患者82例，未发生ARDS患者332例。单因素分析显示，两组患者性别、年龄、心率（HR）、最高收缩压（MSBP）、最大呼吸频率（MRR）、入院来源、C-反应蛋白（CRP）、降钙素原（PCT）、红细胞沉降率（ESR）、中性粒细胞计数（NEUT）、嗜酸粒细胞计数（EOS）、纤维蛋白原等量单位（FEU）、活化部分凝血活酶时间（APTT）、总胆红素（TBil）、白蛋白（ALB）、乳酸脱氢酶（LDH）、血肌酐（SCr）、血红蛋白（Hb）、血糖（GLU）水平差异均有统计学意义，可能是CAP患者并发ARDS的危险因素；将以上19个危险因素作为输入层、是否发生ARDS作为输出层，构建人工神经网络模型；其中输入层自变量中对神经网络模型预测结果影响权重最大的5个指标依次为LDH（100.0%）、PCT（74.4%）、FEU（61.5%）、MRR（56.9%）、APTT（51.6%），提示这5个指标对CAP患者发生ARDS的影响程度较大。训练组人工神经网络模型总体预测准确性为94.1%（273/290），验证组模型总体预测准确性为89.5%（111/124）；人工神经网络模型预测CAP患者并发ARDS的AUC为0.977（95%可信区间为0.956~1.000）。结论基于人工神经网络模型建立的CAP患者发生ARDS的预测模型具有较好的预测能力，可根据该模型预测CAP患者是否会并发ARDS，以及时给予针对性预防措施。

简介：摘要目的构建预测FOLFOX方案(奥沙利铂＋亚叶酸钙＋氟尿嘧啶)一线治疗转移性结直肠癌(mCRC)疗效的人工神经网络模型。方法从美国国家生物信息中心的基因表达汇编(GEO)数据库获取1组FOLFOX方案一线治疗mCRC的数据(GSE104645)作为训练集，其中FOLFOX方案疗效敏感组(完全缓解和部分缓解患者)31例，耐药组(疾病稳定和疾病进展患者)23例。将训练集样本按7∶3分为内部训练样本和内部测试样本。以福建医科大学附属协和医院结直肠外科采用FOLFOX方案一线治疗的30例mCRC患者的芯片数据集(GSE69657)作为外部验证样本，其中敏感组13例，耐药组17例。运用R 3.5.1软件Combat包对两套矩阵的表达值进行批间差校正。运用GEO2R平台对GSE104645中敏感组和耐药组的基因表达进行差异分析，以P<0.05且|log2FC|>0.33(FC为差异倍数)为阈值，筛选FOLFOX方案的耐药基因和敏感基因。采用多层感知器方法对GSE104645数据集进行FOLFOX方案疗效的人工神经网络模型构建。然后，以外部验证样本进行回代验证。采用受试者工作特征(ROC)曲线对所建模型的预测能力进行评价。结果基于GSE104645数据集，共筛选出2 076个差异基因，其中822个基因在耐药组上调，1 254个基因下调，下调基因为敏感基因。基因本体论(GO)分析显示，差异基因主要富集在物质代谢的调控过程中。所构建的人工神经网络模型共纳入39个基因，包含2个隐藏层。其在训练集中预测训练样本和测试样本的准确度分别为75.7%和76.5%，ROC曲线下面积为0.875。回代验证显示，外部验证样本的ROC曲线下面积为0.778。结论基于芯片数据成功建立了人工神经网络预测模型，模型稳定性好，预测FOLFOX方案一线治疗mCRC疗效的效能强。与奥沙利铂耐药相关的基因功能主要富集在物质代谢的调控过程中。

简介：摘要目的基于深度卷积神经网络（DCNN）方法自动测量彩色眼底像上全局和局部豹纹分布密度。方法应用研究。将2021年5~ 7月于山东第一医科大学附属青岛眼科医院北部院区行近视手术的患者514例1 028只眼的1 005张彩色眼底像建立人工智能（AI）数据库。采用RGB颜色通道重标定方法（CCR算法）、基于Lab颜色空间的CLAHE算法、多重迭代照度估计的Retinex算法、具有色彩保护的多尺度Retinex算法对图像进行预处理。对比观察上述4种图像增强方法以及使用Dice损失、边缘重叠率损失和中心线损失对豹纹分割模型效果的影响。建立眼底豹纹分割模型识别全图范围内豹纹结构区域；构建眼底组织结构检测模型用于视盘及黄斑中心凹定位。计算视野范围内后极部豹纹密度（FTD ）、黄斑区豹纹密度（MTD）、视盘区豹纹密度（PTD ）。结果应用CCR算法图像预处理和训练损失组合后，豹纹分割模型的Dice系数、准确率、灵敏度、特异性、约登指数分别达到0.723 4、94.25%、74.03%、96.00%和70.03%。模型自动测量的FTD、MTD、PTD值与人工标注测量值平均绝对误差分别为0.014 3、0.020 7、0.026 7，均方根误差则分别为0.017 8、0.032 3、0.036 5。结论基于DCNN分割和检测方法能自动测量近视患者眼底全局和局部区域的豹纹分布密度，可以更准确地辅助临床监测和评估眼底豹纹改变对近视发展的影响。

简介：摘要为了提高卫勤模拟训练的效果，基于战伤严重度评分并综合运用深度神经网络（DNN）建模技术，建立一种新的战伤数据增强模型（WTSS-DNN），用于准确统计卫勤模拟训练系统中的伤员数据，并构建满足卫勤组织指挥要求、符合战时伤员救治特征的战场模拟伤员。WTSS-DNN相较于传统的人工数据生成方法，在保持后果预测准确性和伤情合理性的前提下，可以自动化、大规模地生成战伤伤员数据，对战伤数据分析研究、战时伤员伤情快速评估及分级后送具有重要意义。

简介：摘要目的探讨基于卷积神经网络（convolutional neural network，CNN）的人工智能（artificial intelligence，AI）技术通过深度学习辅助喉鳞状细胞癌（以下简称喉鳞癌）临床诊断的可行性。方法本研究采用一套深度CNN用以评估喉鳞癌患者的窄带成像（narrow band imaging，NBI）内镜图像。纳入2015—2017年期间就诊于首都医科大学附属北京同仁医院耳鼻咽喉头颈外科的喉病变患者4 799例，其中男3 168例，女1 631例，年龄21~87岁。采用简单随机化法选取2 427例患者的NBI内镜（其中喉良性病变1 388例，喉鳞癌1 039例）用于对AI系统的训练和校正。对余下的2 372例患者采用NBI内镜（其中喉良性病变1 276例，喉鳞癌1 096例）对AI进行测试，并与耳鼻咽喉头颈外科专家判读结果进行比较。采用SPSS 21.0软件进行卡方检验，计算AI及耳鼻咽喉头颈外科专家判读的准确率、敏感度及特异度，采用受试者工作特征曲线（receiver operating curve，ROC）的曲线下面积（area under the curve，AUC）来评估本算法对NBI内镜图像的判读能力。结果AI验证集的准确率为90.91%（AUC=0.96），敏感度为90.12%，特异度为91.53%，与耳鼻咽喉头颈外科专家判读结果相当［准确率为（91.93±3.20）%，敏感度为（91.33±3.25）%，特异度为（93.02±2.59）%］，差异无统计学意义（t值分别为0.64、0.75、1.17，P值分别为0.32、0.28、0.21）。CNN的判读速度明显高于耳鼻咽喉头颈外科专家，差异有统计学意义（每图0.01 s比每图5.50 s，t=9.15，P<0.001）。结论本研究证实了基于深度CNN的AI在喉NBI内镜判读上的有效性，提示AI在喉鳞癌的临床辅助诊断方面有很好的应用前景。

简介：摘要目的探索基于多参数MRI的放射组学特征和神经网络模型在区分宫颈癌淋巴结转移的效能。材料与方法回顾性分析178例宫颈癌并提取9个临床及病理特征，经过方差分析进而提取3个特征进入模型。两位观察者分别用软件勾勒得到感兴趣容积，提取到428个放射组学特征。放射组学特征结合临床及病理特征建模：分别组成428维、437维、431维模型。通过Python库的torch和sklearn构建并评价神经网络模型和支持向量机模型。组内相关系数(intraclass correlation coefficient，ICC)来评估观察者之间的信度，使用分类准确率、敏感度、特异度和受试者特征曲线下面积(area under the receiver operating characteristics curve，AUC)用来衡量检测模型性能。使用sklearn中的metrics.roc_curve函数绘制ROC曲线，通过最大约登指数(Youden index)确定最佳界值，并进行诊断效能评估。结果两位观察者ICC为0.819、观察者内ICC为0.796。431维神经网络模型AUC为0.882，在测试集中该模型的分类准确率、敏感度和特异度分别为0.810、0.840和0.741，优于其他模型。结论基于多参数MRI的神经网络模型可有效地预测宫颈癌淋巴结转移。

简介：摘要目的探讨卷积神经网络（CNN）在胸部CT肋骨骨折诊断中应用的准确性和可行性。方法收集2017年5月至2019年5月于山西白求恩医院行胸部CT检查的305例肋骨骨折患者的影像资料，经过图像裁剪构建包含5类胸部CT肋骨骨折图像数据集，共7433张图像，作为训练组数据，在深度学习caffe框架下采用Faster R-CNN和Yolov3模型对数据集进行训练和测试。另选取同期肋骨骨折患者20例，裁剪后144幅包含肋骨骨折的CT图像作为验证组，由两位高年资主任医师阅片并确定肋骨骨折类型及部位等作为诊断标准，分别使用Faster R-CNN、Yolov3模型进行验证，同时两位CT医师对验证组图像进行判读。比较3种方法的诊断准确率、诊断一致性及阅片时间。结果验证组144幅CT图像共包含162处骨折，骨折类型包括双侧骨皮质断裂71处、外侧骨皮质断裂38处、内侧骨皮质断裂21处、骨皮质屈曲骨折12处、其他类型骨折20处。Faster R-CNN模型、Yolov3模型、CT医师诊断肋骨骨折的总准确率分别为95.68%（155/162）、83.33%（135/162）、96.30%（156/162），组间比较差异有统计学意义（P<0.001）。Kappa一致性检验显示，Faster R-CNN模型及CT医师的诊断一致性较好（Kappa=0.851，P=0.012）。CT医师、Faster R-CNN模型、Yolov3模型平均每幅图阅片时间分别为（11.57±5.80）s、（0.52±0.15）s、（0.054±0.003）s，组间比较差异有统计学意义（P<0.01）。结论利用深度卷积神经网络识别胸部CT肋骨骨折具有可行性，诊断总准确率与有经验的CT医师相当，而阅片速度更优。