简介：目的建立乳腺癌针吸细胞形态定量参数的人工神经网络诊断模型，并验证其在辅助FNA诊断乳腺癌的价值。方法利用MPIAS-2000系统对60例乳腺癌及30例乳腺良性病变的针吸细胞学涂片进行形态定量测定，对获得的29项形态参数进行人工神经网络建模分析，并用盲法对其鉴别诊断能力进行评价。结果所建立的网络模型经过14次训练后即可达到误差要求，诊断模型对乳腺癌及乳腺良性病变的诊断正确率为100％，其特异性和敏感性均为100％。结论乳腺良恶性病变的针吸细胞学涂片进行ANN分析所建立的诊断模型，对乳腺癌及良性病病变的鉴别诊断具有较高的应用价值，为辅助针吸细胞学诊断乳腺良恶性病变提供了新的思路。

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：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：

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。

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：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：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。