多源数据预测重庆市肝炎发病趋势的时滞输入神经网络研究

目的利用多源互联网数据构建时序分析融合工具,继而精准预测重庆市肝炎的发病趋势。方法利用卫生疾控中心数据库获取肝炎发病率数据,大气污染物数据来源于中国环境监测总站官网,气候数据来源于国家气象星系中心,网络指数数据来源于百度搜索引擎,时间范围均为2013年11月至2023年5月。基于现有的时序分析方法,利用多源数据对分解模型的残差部分进行校正。基于非自回归(non-autoregressive,NAR)和长短期记忆递归神经网络(long short term memory,LSTM)的各自优势,构建了时滞输入神经网络(delayed input neural network,DINN)。之后,还在其基础上加入了星雀优化算法(nutcracker optimizer algorithm,NOA)和联合四分位-Huber损失函数(joint quantile Huber loss,JQHL)等优化模块,继而构建了DINN+。结果相较于常见的单输入模型及同步多输入模型,DINN可取得最为优异的预测效果。在加入超参数和损失函数优化后,DINN+的预测性能进一步提升,其测试集MSE为0.1709、MAE为0.4612、RMSE为0.5821、MAPE为0.0626、R 2为0.8840。结论基于多样方法和多元数据融合的思想,在既往的时序分析方法基础上,本文提出了一个准确性和泛化能力良好的DINN+优化模型。该模型丰富和补充了利用多源数据校准传染病时序预测分析的方法学研究内容,可作为未来传染病公共卫生层面影响因素分析及趋势预测的全新基准。

人工智能在临床领域的研究进展及前景展望

人工智能(artificial intelligence,AI)的提出引发了医学领域的诸多技术创新,并彻底改变了传统医学模式。医学人工智能主要包括机器学习(machine learning,ML)、深度学习(deep learning,DL)、专家系统(expert systems,ES)、智能机器人(intelligent robots,IR)及医疗物联网(internet of medical things,IoMT)等常用和新兴AI技术方法。AI在医学领域的应用主要体现于智能筛查、智能诊断、风险预测和辅助治疗等方面。当前医学AI已经取得了重大突破,大数据质量治理、新技术赋能革新、多领域知识整合和个性化医疗决策等在临床领域中将展示出更为广阔的发展前景。

识别脑卒中微小病灶的多维度图像分割模型和系统开发

目的开发一种基于深度学习的多维度分割系统,在磁共振成像(magnetic resonance imaging,MRI)影像中识别微小病灶,为急性缺血性脑卒中(acute ischemic stroke,AIS)的诊治提供决策依据。方法提取并融合2D、3D网络的特征,引入了联合损失函数,进而提出了一种新的2.5D方法——多维度多尺度注意力增强网络(multi-dimensional multi-scale attention enhanced network,MMAE-Net)。在AIS分割数据集(训练集171例、测试集43例)上训练和测试了所提方法的性能,并与其他方法进行比较。结果相较于2D、3D网络,2.5D网络(MMAE-Net)在各项评价指标上均可取得最优异的分割性能,获得了81.25%的Dice相似系数(dice similarity coefficient,DSC)和84.82%的灵敏度(sensitivity,SEN)。相较于U-Net、ResU-Net、DenseU-Net、AttentionU-Net和SEgmentation TRansformer(SETR)等经典方法和既往研究,MMAE-Net取得了更优异的分割性能。我们还开发了可视化自动分割系统以提升方法的实践和推广能力。结论本文基于2D、3D特征融合的理念设计了2.5D多维度分割模型MMAE-Net,其在MRI微小病灶的识别中取得了优异性能,为AIS疾病诊治提供了有效的解决方案。

公共卫生硕士专业学位研究生培养质量的调查研究

目的了解我国公共卫生硕士专业学位研究生的培养现状,探究培养质量影响因素,发现问题提出对策,为我国公共卫生硕士专业学位研究生培养提供依据。方法采用自编问卷对28所开设公共卫生硕士专业学位研究生教育院校的研究生进行问卷调查,采用描述性统计、探索性因子分析和多元线性回归分析对问卷结果进行分析。结果 53.68%的研究生认为课程教学中"重理论,与实践联系太少",9.81%的研究生表示没有专业实践机会,71.78%的研究生是单一导师制,44.79%的研究生在课题研究阶段进行基础类的实验研究。探索性因子分析降维提取"平台条件"、"专业实践"、"课程设置"、"导师队伍"、"奖惩机制"5个因子;多元线性回归分析发现"专业实践"、"导师队伍"和"平台条件"对研究生的自身培养质量评价呈正向影响。结论高校应该优化公共卫生硕士专业学位研究生的导师指导制度和导师队伍,规范专业实践培养过程,健全科研基础设备和完善专业实践基地建设,提高专业学位研究生的培养质量。

三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警

自2019年12月底中国武汉爆发新型冠状病毒性肺炎(Corona Virus Disease 2019,COVID-19)以来,我国经济社会遭受巨大危害,利用网络数据预警疫情发展趋势可以有效降低其社会危害。而采用机器学习算法构建预警模型时,参数选取是其中重要内容,与最终构建模型的精度密切相关,探讨多种新型智能优化算法在百度搜索指数COVID-19预警模型中的应用效果,可为新型智能优化算法的推广应用提供一定的理论依据和分析策略。对比多元宇宙算法(Multi-Verse Optimizer,MVO)、黏菌算法(Slime Mould Algorithm,SMA)及平衡算法(Equilibrium Optimizer,EO)三种新型智能优化算法,在最小二乘支持向量机(Least Squares Support Veotor Machine,LSSVM)百度搜索指数疫情预警模型中的应用效果。优化算法寻优过程,SMA算法收敛性较差,全局搜索能力弱于MVO和EO算法,而EO算法运算效率相对较低,MVO算法的运算效率高,收敛性也较强,最终构建预警模型优势明显(测试集的MSE为17.77,MAE为38.38,RMSE为129.35,R2为0.87)。三种智能优化算法皆可提升LSSVM预警模型的预测性能,而MVO优化算法的综合运算效能最好,最终构建的MVO-LSSVM预警模型可为后续疫情常态化防控阶段的防疫行为预判提供一定参考。

脑卒中多分类预后预测的深度集成优化方法

诊疗前预测急性缺血性脑卒中(AIS)的预后分级,有利于揭示预后转归水平并指导治疗策略,提升方法的预测性能是实现精准医疗的重要指导。利用临床和影像组学的融合特征实施脑卒中的多分类预测,并提出了一种基于融合特征的深度集成优化方法(IABC-DEL)模型,其特征选择方法为Embedded嵌入法和卡方检验,数据不平衡处理方式为Borderline-SMOTE算法,利用Stacking构建深度集成优化模型,基学习器包括深度神经网络(DNN)、长短期记忆网络(LSTM)和门控循环单元(GRU),优化方法为改良人工蜂群算法(IABC)。研究结果表明,深度集成优化方法的预后预测性能优于经典方法和既往研究,Macro-F1 score为87.88%,Macro-AUC为96.27%,ACC为88.02%。因此,基于深度集成优化学习的急性缺血性脑卒中预后模型可对临床诊治和预后康复提供指导意义,并为研究预测提供新的建模思路。

基于转录组学数据和堆叠监督自编码器的肺腺癌预后预测研究

目的基于转录组学数据构建堆叠监督自编码器(stacked supervised autoencode,SSAE)模型,旨在提高肺腺癌(lung adenocarcinoma,LUAD)预后预测的能力。方法收集癌症基因组图谱(the Cancer Genome Atlas,TCGA)数据库的转录组学数据(包含475例样本和25481个基因),对LUAD患者进行生存预后分析和基因差异表达分析,方法包括SSAE、随机生存森林(random survival forest,RSF)和DeepSurv,使用一致性指数(concordance index,CI)和Log-rank检验以P值评估各方法性能。结果相较于RSF(CI=0.54,P=0.15)和DeepSurv(CI=0.55,P=0.10),SSAE获得了更高的一致性指数(CI=0.58)和更低的Log-rank检验P值(P=0.05)。在生存分析上,高危组和低危组的生存结局有显著差异(HR:2.841,95%CI:1.907~4.232,Log-rank检验P<0.001)。生信分析选出了IGFBP1、ANXA13、MUC2、CIDEC、NTSR1、DSG3等21个上调的代表性差异基因。结论相较于既往研究,利用组学数据构建的SSAE可有效提高LUAD预后预测的能力。深度学习和组学研究的交叉融合可为癌症相关的诊断、治疗、预后研究提供新的方案。

KIRC组学数据分类的自注意亚型识别神经网络

为分析肾透明细胞癌(KIRC)的转录组学数据,利用自注意力机制构建改良分类模型。构建了一种新的自注意力亚型识别神经网络(SSRNN),其包含了编码器和分类器部分,以自注意力机制为主要改良方式。在筛出358个与生存相关的蛋白编码基因后,利用聚类分析确定了三种亚型最为适宜。对于C1、C2和C3三组癌症亚型进行了临床信息比较和生存分析比较,揭示了各组在生存结局上的差异。SSRNN取得了最优异的分类性能,取得了93.44%的曲线下面积。基因表达热图提示三种亚型的基因表达存在差异,推测基因的低表达指示较好的生存预后。对三种亚型两两间进行差异分析并绘制火山图,共可获取266个差异基因。GO和KEGG富集分析及节点图的绘制则有利于揭示癌症相关的功能和通路。因此,SSRNN具有较高的预测精度和稳健性,可有效地利用组学数据进行KIRC的生存预测,并筛选合理的生物学标志物,具有较高的方法学意义和应用价值。

公共卫生硕士专业学位研究生培养质量评价体系构建

目的本研究旨在构建针对公共卫生硕士专业学位研究生培养全过程且实践性强的培养质量评价体系,为完善公共卫生教育体系提供依据。方法基于公共卫生硕士专业学位研究生培养现状调查,结合文献调查法、焦点小组讨论法和专家座谈法构建评价指标体系,通过层次分析法确定各级指标的权重系数。所有资料采用Excel双人录入数据,使用matlabR2018a计算权重、判断矩阵最大特征根、一致性指标、一致性比例。结果形成了由7个一级指标和24个二级指标构成的公共卫生硕士专业学位研究生培养质量评价体系;纳入研究的32名专家权威程度平均为0.791;一级指标中权重最高的前三项分别为导师指导(0.213)、专业实践(0.157)和科研课题(0.149);权重系数一致性比例CR=0.040,一致性检验通过(CR<0.1)。结论本研究所构建的公共卫生硕士专业学位研究生培养质量评价体系具有科学性,各指标权重系数大小反映了公共卫生硕士专业学位研究生培养过程中的重点所在,能够为提高公共卫生人才培养质量提供参考。