简介:摘要目的构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络(deep convolutional neural network,DCNN)模型,并测试其功能。方法选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集(数据集1、3、4),另以公共数据集CVC-ClinicDB(由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成)作为数据集2。数据集1(2018年1—11月的肠息肉图像3 700张,无息肉图像1 000张)用于DCNN模型构建、训练与验证;数据集2和数据集3(2019年1—3月的肠息肉图像320张,无息肉图像400张)用于DCNN模型在图像中的测试;数据集4(2018年12月肠镜视频15个,包含33个息肉),用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。结果DCNN模型在数据集2中检测肠息肉的敏感度为93.19%(602/646);在数据集3中检测肠息肉的准确率为95.00%(684/720),敏感度为98.13%(314/320),特异度为92.50%(370/400),假阳性率为7.50%(30/400);在数据集4中检测息肉逐息肉个数的敏感度为100.00%(33/33),逐帧准确率为96.29%(133 840/138 998),逐帧敏感度为90.24%(4 066/4 506),逐帧特异度为96.49%(129 774/134 492),逐帧假阳性率为3.51%(4 718/134 492)。结论构建的DCNN模型可用于自动检测结直肠息肉,在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度,且在视频中测试的假阳性率低,可用于帮助内镜医师检测结直肠息肉。
简介:摘要目的验证基于深度卷积神经网络(DCNN)的小肠胶囊内镜智能辅助系统识别、诊断小肠出血的能力。方法通过ESView平台收集1 970例患者的158 235张小肠胶囊内镜检查图像(其中包括165例小肠出血患者的3 765张图像),用于基于DCNN的小肠胶囊内镜智能辅助系统的训练阶段。在验证阶段,用100例小肠出血患者(活动性出血10例、血痂病例31例、黏膜下出血59例)的图像验证该系统识别、诊断小肠出血的能力。结果基于DCNN的小肠胶囊内镜智能辅助系统的阅片系统可识别小肠出血病灶,并在原胶囊内镜图像上标注;该系统可以显示并标注同一出血病灶的多张图像和同1张图像内多个不同出血病灶;阅片医师利用该系统对100例小肠出血图像的平均阅片时间为(5.23±1.31) min/例,对小肠出血诊断的灵敏度达99.00% (95%CI 93.76%~99.95%)。结论基于DCNN的小肠胶囊内镜智能辅助系统对小肠出血的识别灵敏度高,可用于辅助阅片医师识别、诊断小肠出血。
简介:摘要随着大数据时代的到来,基于机器学习的人工智能技术,尤其是人工神经网络技术发展迅速,相关研究已涉及口腔医疗多个领域,特别在口腔三维解剖特征的自动化分割与识别方面具有巨大的应用前景,可辅助口腔医师及技师完成繁琐重复的手工操作,并更高效精确地完成诊断与诊疗计划制订。本文简要总结人工神经网络在口腔三维解剖特征的分割与识别领域的应用现状与现存问题,为相关研究与临床应用提供参考。
简介:摘要目的探讨不同病理类型以血尿为主要表现的患儿各临床指标的差异,并建立基于临床资料的BP神经网络预测模型。方法收集2003年6月至2018年12月重庆医科大学附属儿童医院以血尿为主要表现并行肾活检患儿的临床资料及肾脏病理结果,进行各临床指标的差异性比较,并建立以血尿为主要表现患儿肾脏病理的BP神经网络预测模型。结果共纳入438例患儿。其中男232例,女206例;起病年龄(7.00±3.15)岁。按照不同临床表现分为:镜下血尿组(179例)、肉眼血尿组(81例)、镜下血尿并蛋白尿组(44例)、肉眼血尿并蛋白尿组(134例)。差异性检验结果显示,各组性别、起病年龄、病程、诱因、尿爱迪(Addis)计数中红细胞数、24 h尿蛋白定量、血清素氮、血肌酐、血清蛋白、血IgA水平差异均有统计学意义(均P<0.05);不同病理类型性别、起病年龄、病程、家族史、尿Addis计数中红细胞数、24 h尿蛋白定量、血尿素氮、血肌酐、血清蛋白、血IgA、C3水平差异均有统计学意义(均P<0.05)。基于以上指标,构建BP神经网络预测模型,并通过留一法验证了该预测模型的准确率为61.19%。结论通过进行不同临床表现和病理分型下各指标的差异性比较,建立以血尿为主要表现患儿的肾脏病理的BP神经网络预测模型。通过相关指标能较为准确预测肾脏病理,为肾活检时机提供依据。
简介:目的运用人工神经网络数据挖掘技术分析与浸润性膀胱癌患者预后有关的各种因素建立预测浸润性膀胱癌患者5年生存状态的预后模型,并与传统的Logistic回归分析比较评价其效果。方法收集从2006年1月至2009年12月在我院接受诊治的134例浸润性膀胱癌患者的资料。所采用数据挖掘技术为人工神经网络(ANN)。将所有病例分为两组:一组作为训练样本,不参与数据挖掘过程,共计27例;一组用于筛选变量及建立预测模型,参与数据挖掘过程共计107例。应用Logistic回归模型的相关评价指标来比较两种方法对于评价预后模型的准确度。结果T分期、肿瘤直径、是否有淋巴结转移、肿瘤单发及多发、手术方式、病理分级,6项指标均与浸润性膀胱癌患者的5生存状态相关(P<0.05)。ANN模型预测患者5年生存状态的准确率为85.18%、敏感度为57.14%和特异度为95.00%,Logistic回归模型的相关评价指标,准确率77.78%、敏感度44.44%、特异度94.44%。神经网络各项指标均优于Logistic回归模型。结论数据挖掘技术可从与浸润性膀胱癌患者预后相关的大量信息中挖掘出有意义的指标,并利用这些指标建立预测模型来判断患者5年后的生存状态。
简介:摘要目的建立基于卷积神经网络的人工智能烧伤深度识别模型并测试其效果。方法在本诊断试验评价研究中,收集中南大学湘雅医院(下称笔者单位)2010年1月—2019年12月收治的符合入选标准的221例烧伤患者伤后48 h内创面照片484张,采用随机数字编号。采用图像查看软件圈出目标创面,由笔者单位烧伤整形科3名具有5年以上专科工作经验的主治医师判断烧伤深度,用不同颜色标记浅Ⅱ度、深Ⅱ度或Ⅲ度烧伤后,按224×224像素的尺寸切割得到完整大小的图像块5 637张。采用图片生成器将3种深度烧伤图像块均扩充至10 000张后,将每种烧伤深度图像块按7.0∶1.5∶1.5比例分为训练集、验证集和测试集。在Keras 2.2.4 Python 2.8.0版本下,采用卷积神经网络中的残差网络ResNet-50构建人工智能烧伤深度识别模型,输入训练集进行训练,利用验证集对模型进行调整、优化。利用测试集测试构建的模型识别各类烧伤深度的准确率,计算精确率、召回率及F1指数;通过降维工具tSNE将测试结果降维可视化生成二维tSNE云图,观察各类烧伤深度分布情况;根据模型对3种烧伤深度识别的敏感度及特异度,绘制出相应受试者工作特征(ROC)曲线,计算ROC曲线下面积。结果(1)经测试集测试,人工智能烧伤深度识别模型识别浅Ⅱ度、深Ⅱ度、Ⅲ度烧伤的精确率分别为84%(1 095/1 301)、81%(1 215/1 499)、82%(1 395/1 700),召回率分别为73%(1 095/1 500)、81%(1 215/1 500)、93%(1 395/1 500),F1指数分别为0.78、0.81、0.87。(2)tSNE云图显示,人工智能烧伤深度识别模型测试集测试结果中不同烧伤深度之间总体重叠较少,其中浅Ⅱ度与深Ⅱ度、深Ⅱ度与Ⅲ度烧伤之间重叠相对较多,而浅Ⅱ度与Ⅲ度烧伤之间重叠相对较少。(3)人工智能烧伤深度识别模型识别3种烧伤深度的ROC曲线下面积均≥0.94。结论采用ResNet-50网络建立的人工智能烧伤深度识别模型可较准确地识别烧伤患者早期创面照片中烧伤深度,特别是浅Ⅱ度与Ⅲ度烧伤,有望用于临床烧伤深度辅助诊断,提高诊断准确率。
简介:摘要目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型,探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例,其中病毒性脑炎患儿577例,非病毒性脑炎儿童500例。运用卷积神经网络中的Squeeze-and-Excitation Residual Networks(SE-ResNet)模型构建儿童病毒性脑炎MRI分类与早期诊断模型并与Convolutional Block Attention Module Residual Networks(CBAM-ResNet)、Mobile Networks(MobileNet)、Residual Networks(ResNet)、Shuffle Networks(ShuffleNet)模型进行了对比。结果所有模型在训练集上都达到了收敛。SE-ResNet、CBAM-ResNet、MobileNet和ShuffleNet模型在训练集训练100轮后准确率都达到90%以上,而只有CBAM-ResNet模型和本研究选用的SE-ResNet模型在验证集上同样取得了90%以上的准确率。在测试集上,CBAM-ResNet具有最高的准确率73.91%,ResNet具有最高的召回率75.45%,但只有本文所用SE-ResNet模型在准确率和召回率都达到较高水平,并且取得最好的F1得分和曲线下面积(area under the curve, AUC)值:准确率为70.83%,召回率为72.73%,AUC为0.77,F1得分为0.7183。结论运用人工智能技术结合MRI实现儿童病毒性脑炎早期诊断是可行的,本研究为进一步实现全面的儿童脑炎早期诊断、精准治疗和改善脑炎患儿预后提供了理论和应用基础。
简介:摘要目的研发基于人工智能深度学习技术的髋关节翻修术前CT影像分割算法,并进行验证及初步应用。方法回顾性分析2019年4月至2022年10月于中国人民解放军总医院收治的有清晰CT数据资料的翻修病例706例,其中男520例,年龄(58.45±18.13)岁;女186例,年龄(52.23±16.23)岁。均为单侧,左侧402髋、右侧304髋。搭建transformer_unet卷积神经网络并使用Tensorflow 1.15进行网络模型训练,实现对翻修髋关节CT影像的智能分割。基于已研发的全髋关节置换术三维规划系统,初步构建髋关节翻修手术智能规划系统。分别采用dice overlap coefficient(DOC)、average surface distance(ASD)、Hausdorff distance(HD)参数对transformer_unet、全卷积网络(fully convolutional networks,FCN)、2D U-Net、和Deeplab v3+的分割精度进行评估,统计分割耗时对上述网络的分割效率进行评估。结果与FCN、2D U-Net和Deeplab v3+学习曲线相比,transformer_unet网络可通过较少的训练量实现更优的训练效果。Transformer_unet的DOC为95%±4%,HD为(3.35±1.03) mm,ASD为(1.38±0.02) mm;FCN分别为94%±4%、(4.83±1.90) mm、(1.42±0.03) mm;2D U-Net分别为93%±5%、(5.27±2.20) mm、(1.46±0.02) mm;Deeplab v3+分别为92%±4%、(6.12±1.84) mm、(1.52±0.03) mm。Transformer_unet各系数均优于其他三种卷积神经网络,差异有统计学意义(P<0.05)。在分割时间方面,transformer_unet分割耗时为(0.031±0.001) s,FCN为(0.038±0.002) s,2D U-Net为(0.042±0.001) s,Deeplab v3+为(0.048±0.002) s。Transformer_unet分割耗时少于其他三种卷积神经网络,差异有统计学意义(P<0.05)。将transformer_unet与全髋关节置换术三维规划系统相结合,可初步完成髋关节翻修手术智能规划系统的构建。结论与FCN、2D U-Net和Deeplab v3+相比,transformer_unet卷积神经网络可更精准、高效地完成对翻修髋关节CT影像的分割,有望为人工智能髋关节翻修手术术前规划及手术机器人相关领域的研究提供技术支撑。
简介:摘要:新型冠状病毒在2020年为我国人民的生活质量带来了极大的影响,同时也造成了很多家庭的破碎。但是感染新冠病毒尽可能早的发现并采取治疗能够在很大程度上延续患者生存的时间,新型冠状病毒(新冠,SARS-Cov-2)的首次报道与2019年的12月末,此后其快速发展成为全球性质的新型传染疾病。患有新型冠状肺炎的患者虽然总体的死亡率不高,但是其会在很短的时间内发展成为重症患者,造成死亡风险的大大提高。眼前对于早期阶段筛查患者发展情况的方式处于较为起步的阶段,这样的问题会导致生产生活受到进一步的影响,为此本文对基于深度卷积神经网络判断(新冠)肺部感染类疾病的视觉监测方法进行研究,由深度卷积神经网络的相关概念入手,进而展开检验方式内容及检验训练模型的具体论证,同时使用具体效果的验证确保其有效性。
简介:摘要目的构建基于卷积神经网络的甲状腺液基细胞学病理辅助诊断模型。方法收集700例甲状腺液基细胞学涂片,扫描成数字图像,经良、恶性标注后按比例分成训练集和测试集,噪声滤除后提取有效区域分别在10×和40×分割成512×512的小图像块,构建分类模型对训练集深度学习并对测试集自动判读,经数据增强和参数迭代优化,统计辅助诊断模型的准确率、灵敏度、特异度、阳性预测值和阴性预测值等评价指标。结果训练集560例含4 926个细胞团的11 164个图像块,测试集140例含977个细胞团的1 402个图像块,选取YOLO网络构建细胞团检测模型,用ResNet50作为分类模型,经过40轮迭代训练,10×倍率下准确率为90.01%,灵敏度89.31%,特异度92.51%,阳性预测值97.70%,阴性预测值70.82%,曲线下面积高达0.97,平均判读时间不足1 s。40×时虽极为灵敏(98.72%)但特异性较差,提示10×放大倍率下辅助诊断模型更为可靠。结论该辅助诊断模型与病理医师水平基本相当,且诊断效率远远超出。可大大提高阅片一致性和效率,降低漏诊率。未来可继续扩大样本量获取更多病变形态,提高准确率,达到临床应用水平。
简介:摘要:作为一个复杂的神经网络系统,大脑区域和基因协同有效地存储和传递信息。本文提出将协作相关性抽象为脑区基因网络(BG-CN),并提出了基于图卷积神经网络的阿尔兹海默症的早期治疗系统,图卷积神经网络(GCN),用于研究脑区内部和脑区之间的信息传递。该结果可用于阿尔茨海默病(Alzheimer ' s disease, AD)的诊断和病因提取。首先,建立了BG-CN的亲和聚合模型来描述脑区间和脑区内的信息传递。其次,基于亲和聚合模型,设计了具有脑区间卷积和脑区内卷积操作的GCN体系结构。通过在AD神经成像倡议(ADNI)数据集上的充分实验验证,GCN的设计更符合生理机制,提高了可解释性和分类性能。此外,GCN可以识别受损的大脑区域和致病基因,这可能有助于AD的精准医疗和药物设计,并为其他神经系统疾病提供有价值的参考。