基于无监督学习的神经精神疾病辅助诊断研究进展

传统的神经精神疾病诊断主要依赖于专科医生的主观评价、神经心理测试、生化检查等方式,缺乏客观、精准、智能的生物学标记物。近年来,随着神经影像及人工智能技术的快速发展,无监督学习这种具有不依赖外部标签、模型泛化性高、特征自动提取等优点的机器学习方法,已经被广泛应用于神经精神疾病辅助诊断领域。相较于传统的监督学习方法,无监督学习更能实现个体化、精准化、智能化的神经精神疾病诊断。文章综述了近年来无监督学习在神经精神疾病辅助诊断中的研究进展,总结了无监督学习在阿尔兹海默症、精神分裂症、重度抑郁症以及自闭症谱系障碍中的研究成果,并指出当前研究存在图像处理能力差、样本量小、缺少生化指标数据等问题及难点,融合神经网络、多站点大样本、多维度数据深度融合是无监督学习方法应用的发展方向。

基于图神经网络的神经精神疾病研究进展

神经精神疾病严重影响患者脑解剖结构、神经系统功能及心理健康,其早期识别与诊断对患者的治疗及康复具有重要意义。基于神经影像数据构建复杂的脑网络,可用于定量化分析神经精神疾病患者的脑结构及功能异常,为研究神经精神疾病的神经影像生物标记物提供重要参考。近年来,图神经网络具有处理非欧几里得数据、能充分利用节点与连边的拓扑结构和属性等优势,被广泛应用于神经精神疾病的辅助诊断研究。本文对图卷积神经网络的基本原理和神经精神疾病的最新研究进展进行了总结和分析,并展望了动态脑网络、大样本与多中心、可视化与可解释性等研究热点。

我国医学人工智能软件及其测试技术发展概况

医学软件测试是评估医学软件功能及性能的主要技术手段。近年来,随着人工智能(Artificial Intelligence,AI)技术在医学领域的广泛应用,医学AI软件不断更新,其覆盖高算力、数据量大、模型复杂,而传统医学软件测试技术已不能满足相关需求,从而导致医学AI软件测试存在效果不佳、审评审批进展缓慢等问题,严重制约产业及其行业的发展。与传统医学软件测试技术相比,医学AI软件测试技术能够针对医学AI软件关键检测内容及性能指标,有效提高医学AI软件的检测效率。本文概述医学AI软件的发展现状,并与传统医学软件进行对比,总结现有医学软件测试技术,对医学AI软件测试技术的研究进展和不足之处进行综合分析,同时对医学AI软件发展面临的挑战及问题进行展望,旨在为医学AI软件测试技术的发展提供一定的理论基础。

基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价,缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合,在精神疾病辅助诊断领域的应用发展迅速,采用传统机器学习算法和深度学习算法,对脑电信号特征进行学习,从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征,笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展,最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解,难以解释其在医学领域的作用,因此深度学习也是脑电研究发展方向之一。此外,单独对脑电图进行分析难以囊括患者所有的特征,需与其他模态的生理参数结合进行多生理参数融合分析,使得疾病诊断更加智能化。