简介：目的建立口岸鼠密度变化的动态模拟径向基函数神经网络模型,分析预测效果。方法监测鼠密度,分析鼠密度与气象因子相关性,运用多元回归方程分析气象因子对鼠密度的影响,建立鼠密度变化的动态模拟径向基函数神经网络模型,分析模型的准确性。结果建立的模型的训练准确率为91.34%,检验准确率为91.17%,测试准确率为89.03%,平均准确率为90.51%。模型认为自变量的重要性排序依次为月均最低气温、月均相对湿度、日照、降水量。结论径向基函数神经网络技术能够较好地应用到鼠密度动态预测工作中,为口岸鼠类防控提供了科学依据。

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：摘要由于烘丝生产前操作工需要根据生产经验预测入口含水率，然而车间内环境温湿度、烘丝前工序设备状态等条件的变化，导致烘前含水率变化较大，仅靠经验预测烘前含水率，预测结果误差较大，导致操作工设置参数不合理，出口含水率波动较大，影响产品的感观质量。因此，本文通过对历史数据进行分析处理后，采用RBF神经网络，建立烘前含水率预测模型，并在烘丝工序操作终端增加人机交互界面，操作工选择工单信息、输入相应的参数即可完成烘丝入口含水率的预测，预测结果误差为，可以满足生产要求。

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：摘要目的探讨不同病理类型以血尿为主要表现的患儿各临床指标的差异，并建立基于临床资料的BP神经网络预测模型。方法收集2003年6月至2018年12月重庆医科大学附属儿童医院以血尿为主要表现并行肾活检患儿的临床资料及肾脏病理结果，进行各临床指标的差异性比较，并建立以血尿为主要表现患儿肾脏病理的BP神经网络预测模型。结果共纳入438例患儿。其中男232例，女206例；起病年龄(7.00±3.15)岁。按照不同临床表现分为：镜下血尿组(179例)、肉眼血尿组(81例)、镜下血尿并蛋白尿组(44例)、肉眼血尿并蛋白尿组(134例)。差异性检验结果显示，各组性别、起病年龄、病程、诱因、尿爱迪(Addis)计数中红细胞数、24 h尿蛋白定量、血清素氮、血肌酐、血清蛋白、血IgA水平差异均有统计学意义(均P<0.05)；不同病理类型性别、起病年龄、病程、家族史、尿Addis计数中红细胞数、24 h尿蛋白定量、血尿素氮、血肌酐、血清蛋白、血IgA、C3水平差异均有统计学意义(均P<0.05)。基于以上指标，构建BP神经网络预测模型，并通过留一法验证了该预测模型的准确率为61.19%。结论通过进行不同临床表现和病理分型下各指标的差异性比较，建立以血尿为主要表现患儿的肾脏病理的BP神经网络预测模型。通过相关指标能较为准确预测肾脏病理，为肾活检时机提供依据。

简介：

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：

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。

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：本文对皮肤肿瘤目标识别技术进行研究。首先利用阈值分割方法对皮损区域进行分割;然后,依据皮肤肿瘤早期诊断ABCD准则,对皮损区域提取了颜色、纹理和形状等特征,并基于相关性分析对所提取的特征进行优选;最后采用组合BP神经网络模型实现了皮肤肿瘤目标的分类识别。本文方法在黄色人种皮肤镜图像上进行实验,结果表明,该方法具有更高的分类精度,敏感度和特异度分别达到了93.3%和96.7%,识别结果令人满意。

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。