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。

基于SMOTE算法和机器学习模型建立原发性肝癌术后的预后预测模型

目的基于合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)算法和机器学习模型构建原发性肝癌术后的预后预测模型。方法选取美国国立癌症研究所的监测、流行病学及最终结果(Surveillance,Epidemiology,and End Results,SEER)数据库中4297例患者进行回顾性队列研究,通过独热编码和平均值插补法进行数据预处理,利用SMOTE算法解决数据类别不平衡问题,将临床变量纳入机器学习模型,基于决策树(decision tree,DT)、随机森林(random forest,RF)、梯度提升决策树(gradient boosting decision tree,GBDT)、极限梯度提升算法(eXtreme Gradient Boosting,XGBoost)方法构建预后预测模型(SMOTE+DT/RF/GBDT/XGBoost),通过比较多种模型的性能,筛选出最佳的预测模型。结果组合模型SMOTE+RF展示出最优的预测性能,受试者工作特征曲线(receiver operating characteristic curve,ROC)下的面积(area under the curve,AUC)、准确率和精确率均高于其他模型,分别为0.895、0.811、0.806。结论基于SMOTE+RF算法的原发性肝癌的预后预测模型可有效预测原发性肝癌患者的生存结局。

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。

普通病房护士安宁疗护基本能力评估量表的研制及信效度检验

目的研制普通病房护士安宁疗护基本能力量表,并检测其信效度。方法通过文献回顾、小组讨论、专家咨询、小样本预调查等方法募集、筛选条目初步形成测试量表;于2021年1-3月用该量表对1000名来自各内科、各外科、急诊科、妇产科及重症监护室等科室的护士进行调查;使用SPSS和AMOS软件对数据进行项目分析、探索性因子分析和验证性因子分析,以验证量表的信效度,最终形成正式量表。结果经因子分析提取5个公因子,37个条目,累计方差贡献率71.031%,量表整体Cronbach’sα系数为0.953,折半信度为0.772,重测信度为0.963,验证性因子分析模型拟合良好,χ^(2)/df=2.57,近似误差均方根(root mean square error of approximation,RMSEA)=0.059,比较拟合指数(comparative fit index,CFI)=0.909,增量拟合指数(incremental fit index,IFI)=0.910,非规范拟合指数(Tucker-Lewis index,TLI)=0.901。结论本研究构建的普通病房护士安宁疗护基本能力评估量表信效度良好,可以用于评价普通病房护士安宁疗护基本能力。

基于SMOTEENN算法的音乐APP听歌习惯与大学生抑郁倾向的相关性研究

目的 探究基于音乐APP听歌习惯的大学生抑郁倾向影响因素,构建预测模型并进一步优化。方法 2023年4~5月采用方便抽样对1 157份在校大学生进行问卷调查,利用单因素分析和Logistic回归分析筛选影响因素,在此基础上构建预测模型;采用SMOTEENN过抽样算法改进数据集,构建预测模型。结果 Logistic回归分析发现性别:女性(OR=1.730,95%CI:1.257~2.396),年级:大四和研究生(OR=2.649,95%CI:1.198~7.506)、(OR=2.041,95%CI:1.231~3.885),专业:理科(OR=1.573,95%CI:1.052~2.350),每天听歌时长:0.5~2 h(OR=1.661,95%CI:1.011~2.695),听歌曲风:“伤情”和“怀旧”(OR=2.668,95%CI:1.701~4.226)、(OR=1.751,95%CI:1.086~2.837),留言频率:“0~5%”的歌曲留言(OR=2.938,95%CI:1.018~8.417)是抑郁倾向的独立危险因素。开始听歌的年限:1~3年内(OR=0.547,95%CI:0.347~0.872),听歌时间段:14:00~18:00和18:00~21:00(OR=0.375,95%CI:0.167~0.845)、(OR=0.313,95%CI:0.148~0.671),“国风”类歌曲:喜欢(OR=0.711,95%CI:0.541~0.941)是抑郁倾向的独立保护因素。预测效果最优的模型为基于SMOTEENN算法的Logistic预警模型,AUC为0.923。结论 构建Logistic回归模型得到大学生抑郁倾向的9个独立影响因素。基于SMOTEENN算法所构建的预警模型能更准确地预测大学生的抑郁倾向。

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。

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。

356例非透析慢性肾衰竭患者抑郁情况及生命质量的分析研究

目的评估非透析慢性肾衰竭患者的抑郁情况和生命质量,分析二者的相关关系及其影响因素。方法选取2017年5月至2018年3月在重庆市三峡中心医院、重庆市云阳县人民医院、重庆市梁平区人民医院、重庆市江津区中医院就诊的并明确诊断为慢性肾衰竭且没有进行过透析的356例患者;采用Beck抑郁量表评估患者的抑郁情况,慢性肾衰竭生命质量量表(QLICD-CRF2.0)评估患者的生命质量情况。结果 356例非透析慢性肾衰竭患者抑郁发生率为45.22%;生命质量方面,抑郁组患者生理功能、心理功能、社会功能的评分均低于非抑郁组;反映症状的特异性模块的评分高于非抑郁组(P均<0.05);抑郁情况与生命质量的二分类Logistic回归分析结果显示:职业(OR=1.753,95%CI:1.352～2.273)、住院次数(OR=1.221,95%CI:1.007～1.480)、体现症状体征的特异性模块(OR=1.034,95%CI:1.011～1.058)、心理功能(OR=0.922,95%CI:0.902～0.942)、教育状况(OR=0.597,95%CI:0.394～0.906)、家庭人均年收入(OR=0.514,95%CI:0.346～0.765)是抑郁发生的独立危险因素。结论非透析慢性肾衰竭患者的抑郁发生率较高,抑郁组患者的生命质量低于非抑郁组,职业、住院次数、特异性模块、心理功能、教育状况和家庭人均年收入影响着非透析慢性肾衰竭患者的生命质量。

急性前循环颅内大血管闭塞血运重建临床试验设计比较研究

目的通过6个比较是否用药溶栓的急性前循环颅内大血管闭塞血运重建临床试验,对临床试验设计方案和试验结果进行比较分析,以期提高临床研究者对临床试验设计重要性的全面认识。方法围绕临床试验设计的要点,针对研究人群、对照选择、主要指标、比较类型、样本含量估计等方面,分析其合理性和科学性。结果6个临床试验设计均存在一定的问题,从而导致4个试验的主要指标未达到显著性检验标准。主要问题是:研究人群与研究目标不符,采用了不合理的优效性比较类型,样本含量估计参数选取不合理,非劣效界值设定不符合最小临床重要差异等。结论临床试验设计还存在许多误区,需要进一步提高认识和重视程度。