基于人工智能和医疗大数据的肿瘤荧光手术导航与量化评估策略

分子成像历经20余年发展,大量新型技术被提出,但仅有小部分成功实现临床转化,进入临床实践应用并取得显著效果.基于荧光分子成像的术中导航和基于医学影像大数据的定量分析技术,正在开展越来越多的临床试验并逐步赢得广泛认可.这两项技术通过与人工智能的深入融合,在消化系统肿瘤的术前诊断、术中导航和术后预测中取得系列研究成果,为消化系统疾病患者的个体化诊断与治疗提供了医学影像领域的新技术支持.

半监督内镜图像长尾分类

目的 探索半监督学习算法在内镜图像长尾分类中的应用。方法 我们在HyperKvasir数据集上探索了半监督的内镜图像长尾分类,该数据集是最大的胃肠道公共数据集,有23个不同的类别。使用基于一致性正则化和伪标签的半监督学习算法FixMatch,在将训练数据集和测试数据集按4:1的比例进行划分后,按照20%、50%和100%的比例抽取有标签的训练样本,以测试在有标签数据有限下的分类性能。结果 通过微观平均、宏观平均评价指标和马修斯相关系数(Mathews correlation coefficient,MCC)作为总体评价指标来评估分类性能。半监督学习算法在有标签训练数据比例为20%、50%和100%的情况下,MCC分别从0.8761提高到0.8850、0.8983提高到0.8994、0.9075提高到0.9095。在有标签训练数据比例为20%的情况下,半监督学习算法可以提高微观平均和宏观平均的分类性能。对于50%和100%的情况,半监督学习算法可以提高微观平均下的分类性能,但会损害宏观平均的分类性能。通过分析每个类的混淆矩阵和标注偏差,我们发现基于伪标签的半监督学习算法加剧了分类器对头类的偏好,导致头类的性能提高而尾类的性能下降。结论 半监督学习算法可以提高内镜图像长尾分类的性能,特别是在标签极其有限的情况下,这可能有利于为小医院建立辅助诊断系统。然而,伪标签策略可能会放大类不平衡的影响,从而损害尾部类的分类性能。

影像组学在胃癌诊疗中的应用

胃癌是我国的高发癌种之一,严重危害我国人民的健康。如何基于影像实现定量化、个体化、精准化的辅助诊疗是提高胃癌患者五年生存率的关键之一。近年来人工智能与医学影像的结合催生了影像组学技术,本文从影像组学流程、影像组学在胃癌诊疗中的应用、挑战与机遇三个方面综述胃癌影像组学的研究进展。首先,本文回顾了影像组学的基本流程,包括数据收集和预处理、感兴趣区域分割、特征提取、特征筛选、模型构建、模型评估等步骤。其次,本文概述了影像组学在早期胃癌筛查、胃癌分型分期诊断、胃癌疗效分析与预后预测等方面的应用。最后,本文讨论了胃癌影像组学研究面临的挑战性问题和发展机遇。

CRISPR/Cas基因编辑技术在增强子功能分析及鉴定中的研究进展

增强子是生物体内重要的顺式基因表达调控元件,参与众多生物学过程,与癌症的发生发展及多种疾病的产生紧密相关。虽然基于生物信息学的方法可以对增强子进行鉴定和筛选,然而由于增强子与靶基因的位置和方向不确定,大大增加了深入研究增强子调控机制的难度。近年来,CRISPR/Cas技术的不断发展创新,为揭示和验证增强子的分子机制提供了可操作性。因此,在系统回顾CRISPR/Cas技术的发展过程及在生物学中的应用基础上,重点总结近年来CRISPR/Cas技术在增强子研究中的创新应用,包括不同CRISPR/Cas技术的作用原理及CRISPR/Cas技术如何编辑增强子等,以期为利用CRISPR/Cas技术研究增强子功能机制提供可行性参考。