药物性肝损伤自动监测与评估系统的研发与应用

目的建立药物性肝损伤(DILI)自动监测与评估系统(DILI-SAS),提升临床DILI的诊断效率。方法利用自然语言处理技术对全部住院病历数据进行挖掘和利用,并结合Roussel Uclaf因果关系评价法(RUCAM)构建DILI-SAS。对2022年8月-2023年1月期间在清华大学附属北京清华长庚医院住院的19445例患者病历进行检测,验证系统性能并人工分析DILI患者基本资料及第一怀疑药物分布情况。结果DILI-SAS整体准确率为91.95%,召回率为93.20%;共监测出75例DILI病例,DILI发生率为385.70/10万人;通过人机耦合的方式开展DILI监测效率比人工独立监测约提高了60倍;75例DILI中主要以男性(61.33%)、60岁以上(56.00%)患者为主,肝损伤临床分型主要是肝细胞损伤型(69.33%),潜伏期主要集中在用药后5~90d(62.67%),RUCAM评分在3~5分之间最多(66.67%);第一怀疑药物的药理分布主要为二氢吡啶类、羟甲基戊二酸单酰辅酶A还原酶抑制剂、质子泵抑制剂等,具体药物有阿托伐他汀、奥美拉唑、头孢曲松、甲硝唑等。结论建立的DILI-SAS在保障系统准确度的基础上,能提升DILI评价时效性,可为临床DILI的早期识别、诊断、评价提供解决方案。

基于多尺度近端特征拼接网络的高光谱图像分类方法

针对基于传统卷积神经网络模型的高光谱图像分类算法细节表现力不强及网络结构过于复杂的问题,设计了一种基于多尺度近端特征拼接网络的高光谱图像分类方法。通过引入多尺度滤波器和空洞卷积,在保持模型轻量化的同时可以获取更丰富的空间−光谱判别特征,并提出利用卷积神经网络近端特征间的相互联系进一步增强细节表现力。在3个基准高光谱图像数据集上的实验结果表明,所提方法优于其他分类模型。