基于不同算法预测模型在阻塞性睡眠呼吸暂停低通气综合征中的比较

目的 基于不同算法对阻塞性睡眠呼吸暂停低通气综合征(OSAHS)患者进行建模,比较四种模型的受试者工作曲线下面积(AUC)、准确率、灵敏度与特异性,以建立自动筛选和诊断OSAHS的机器学习预测模型。方法 回顾性分析2019年10月~2022年10月于徐州医科大学附属医院行多导睡眠监测的277例患者,以人口学信息、病史、ESS作为预测变量,采用单因素分析筛选出具有明显差异的变量,然后分别建立轻量级梯度提升机(LightGBM)模型、逻辑回归(LR)模型、极限梯度提升(XGBoost)模型及支持向量机(SVM)模型,采用AUC评价模型性能。结果 LR预测的准确率为0.91,AUC为0.97;XGBoost的预测准确率为0.94,AUC为0.97;LightGBM的预测准确率为0.93,AUC为0.98;SVM的准确率为0.89,AUC为0.95。结论 LR、SVM、XGBoost、LightGBM对OSAHS预测效果均较好,LightGBM的效果最佳。

一种基于Faster R-CNN的甲状腺结节超声图像目标检测改进算法

目的为提高超声图像中甲状腺结节目标检测精度,提出一种基于Faster R-CNN的甲状腺结节目标检测改进算法。方法该算法采用结合了可变形卷积(deformable convolution,DC)的ResNeSt50作为主干网络,提高对形状不规则结节的检测效果。并在主干网络后方引入特征金字塔网络(feature pyramid networks,FPN)和感兴趣区域对齐,前者用于减少甲状腺结节漏检误检现象,后者用于提高小尺寸结节的检测精度。此外,在算法训练的反向传播过程中,使用由锐度感知最小化(sharpness-aware minimization,SAM)改进优化器进行参数更新,提高算法的泛化能力。结果实验采用来自徐州医科大学附属医院及南京市第一医院6261张甲状腺超声图像,对改进算法的有效性进行对比评估。实验表明,该算法具有一定的优化效果,最终在测试集的AP50高达97.4%,AP@50:5:95较原始模型也提升了10.0%。与原始模型和现有模型相比改进算法有着更高的检测精度,能更精准地检测甲状腺结节,特别在较低的检测框精度要求下有着较高的召回率。结论本研究提出的改进方法是有效的甲状腺结节目标检测算法,能精准地检测出甲状腺结节。