简介：摘要现在计算机的发展越来越快，现在计算机在视觉领域的主流算法就变成了深度学习的目标检测和图像分割算法，虽然场景文字检测任务有时候会受到目标检测和图像的影响，在现在这几年也有了很大的突破。

简介：摘要不同抑郁症患者的最优治疗方案一般需通过长期、低效率的试错过程来逐步确定。为实现抑郁症的精准治疗，有必要通过特异性生物标志物来选择有效的治疗方法。深度学习是机器学习的一个分支，该技术能处理大量高维、复杂的数据，适用于自动提取和学习临床、基因组学和神经影像数据的特征。近年来，研究人员正在使用深度学习技术开发抑郁症治疗反应的预测模型，有利于指导临床医生为患者选择最佳治疗方案以及在全球范围内推进更为高效的个体化精准医疗方案。本文从人口学、临床症状数据、基因组学数据和功能磁共振成像数据三个方面，对深度学习预测抑郁症疗效方面的相关研究进行综述，并对未来的深度学习研究方向尤其是多组学数据结合深度学习的应用进行展望。

简介：摘要目的探索建立基于深度迁移学习的人工智能肺癌辅助诊断系统并评估其应用价值。方法收集2016至2019年之间首都医科大学附属北京胸科医院保存的519例肺部组织切片（包括正常肺、腺癌、鳞状细胞癌和小细胞癌），扫描成数字切片，分为316张训练集和203张内部测试集。训练集由病理医师进行标注，使用基于ResNet-50的DeepLab v3图像分割模型建立肺部癌区像素级识别模型。在模型训练过程中，将胃部癌区识别模型的参数作为初始值，通过迁移学习策略对肺部癌区识别模型参数进行二次训练优化。再分别利用首都医科大学附属北京胸科医院的203张内部测试集以及从美国癌症影像档案（TCIA）数据库获得的1 081张外部测试集对已建立的辅助诊断模型进行验证。结果在较少样本量的情况下，迁移学习模型比普通模型显示出更好的识别准确度［曲线下面积（AUC）值0.988∶0.971，Kappa值0.852∶0.832］。此外，对外部测试集，该研究建立的迁移学习模型诊断AUC值为0.968，Kappa=0.828，表示该模型具有很好的推广性。结论该研究建立的人工智能肺癌病理辅助诊断方法具有较好的准确性和外部推广性。随着病理人工智能研究的不断深入，迁移学习方法有助于缩短诊断模型训练周期，提高诊断模型的准确性。

简介：摘要大数据环境下肿瘤病例为肿瘤的临床诊断提供了庞大的数据资源，同时人工智能技术的发展促进深度学习应用水平不断提升，推动肿瘤MRI图像的快速、精准分类进入深度学习时代。本文主要分为以下四个部分，第一部分针对目前主流的深度学习MRI图像分类模型：卷积神经网络、深度信念网络、深度残差网络、Vision Transformer展开综述。首先，阐述了各模型的历史沿袭、最初针对的问题及主要思想；其次，概括了模型的网络架构并探讨其在MRI图像分类上的最新应用；然后，分析了模型的特点、目前存在的局限及各自发展趋势。第二部分论述了一些影响分类性能的关键因素；第三部分提出了一些广泛使用的性能增强技术；文章最后讨论了深度学习分类MRI图像在临床实践中面临的主要限制，并对未来研究方向进行展望。本文的结果可为研究人员提供一个全面的比较，以及各种深度学习模型的有效性，有望促进脑肿瘤研究的进展。

简介：摘要近年口腔正畸领域人工智能技术的应用研究逐渐增加，深度学习作为其中的热门方向，也迅速被应用于正畸诊疗的检测、评估、诊断、预测以及疗效评价等多个环节。目前，深度学习研究在表现出高效、准确优势的同时，也存在可解释性不强、数据量不足等限制。本文从深度学习的提出与发展、正畸诊疗中的应用以及推广的限制与对策三方面进行综述，并进行展望。

简介：摘要医学的发展为与人们生命健康有着密切关系。我国是中药材资源丰富的国家，同时中药饮片在临床防病治病过程中得到广泛应用，据相关报道，2017年中药饮片市场规模达到2330亿元，2018年达到2734亿元，可见中药饮片庞大的市场价值。中药饮片是由中药材经过洗净、炮炙、加工等环节制成；然而，在其加工过程中往往由于各方面原因造成药材形状变更、颜色失真、外表混淆等情况，不易区分；且由于药材的真伪、优劣与临床用药的安全有效有直接关联；因此对中药饮片进行鉴定识别，有利于规范中药材市场，加强中药饮片的质量监控；对中药饮片鉴别进行定量化研究，促进中药饮片的客观化发展。

简介：

简介：摘要：随着深度学习技术的发展，医学影像技术也发生了重大变革，从基于图像分割的医学影像处理到基于目标检测与分割的医学影像处理，再到基于深度学习的医学影像分析，其应用范围越来越广泛。深度学习在医学影像领域的应用主要有：①医学影像数据自动标注，可用于临床科研和培训；②高质量、多模态、多层次医学影像数据自动生成；③医疗影像深度学习临床应用，包括临床疾病诊断、病理分型及鉴别诊断、预测治疗效果等。随着深度学习技术的发展，近年来，医疗影像深度学习在医学影像处理与分析方面取得了长足进步。本文将介绍深度学习技术在医学影像数据标注与分析方面的最新进展，以及该技术在医疗领域的应用。

简介：【摘要】目的：在护士在线学习活动开展过程中，分析揭示自我效能水平与深度学习行为基本现状，同时揭示相关性的影响作用因素。方法：2020年8月-2021年3月期间，将来源于某城市三级甲等医院的480名参与在线学习活动的护士选作为调查对象，借由对成人在线学习自我效能感评价量表，以及网络深度学习评价量表的运用，针对所有入选护士的在线学习自我效能感评分指标和网络深度学习评分指标展开定量测定。结果：本组入选护士的在线学习自我效能感评分指标为（88.56±12.24）分，网络深度学习评分指标为（48.46±6.18）分，学历水平因素、上网技能水平因素，以及自主学习能力因素，是影响制约护士在线学习活动参与过程自我效能感状态，以及网络深度学习行为状态的主要因素。结论：临床护士在参与在线学习活动过程中的自我效能感状态，以及深度学习行为表现状态都留待提升，值得引起广泛关切。

简介：摘要目的针对前列腺癌放疗，研究锥形束CT（CBCT）生成伪CT的深度学习方法，以满足自适应放疗的需要。方法纳入瓦里安On-Board Imager采集的74例前列腺癌患者的CBCT图像及其模拟定位CT图像，并使用MIM软件进行形变配准。将数据按简单随机法分为训练集（59例）和测试集（15例）。使用U-net、Pix2PixGAN和CycleGAN学习CBCT到模拟定位CT的映射。以形变配准后CT作为参考图像，评价平均绝对误差（MAE）、结构相似指数（SSIM）和峰值信噪比（PSNR）。另外单独分析了图像质量，包括软组织分辨率、图像噪声和伪影等。结果使用U-net、Pix2PixGAN和CycleGAN生成图像的MAE分别为（29.4±16.1）、（37.1±14.4）、（34.3±17.3）HU。在图像质量方面，U-net和Pix2PixGAN生成的图像存在过度模糊的问题，导致了图像失真；而CycleGAN生成的图像保留了CBCT图像结构且改善了图像质量。结论CycleGAN能有效地提高CBCT图像质量，有更大的潜力应用于自适应放疗中。

简介：摘要目的基于深度学习方法开发创伤出血量分级预测模型，以辅助预测创伤动物出血量。方法基于中国人民解放军总医院构建的战创伤动物实验时效评估数据库中猪枪弹伤实验数据进行回顾性观察性研究。提取研究总体的出血量数据，并按照出血量将其分为0~300 mL组、301~600 mL组、>600 mL组。采用生命体征指标作为预测变量、出血量分级作为结局变量，基于4种传统机器学习和10种深度学习方法开发创伤出血量分级预测模型；采用实验室检验指标作为预测变量、出血量分级作为结局变量，基于上述14种算法开发创伤出血量分级预测模型。通过准确率和受试者工作特征曲线下面积（AUC）对上述两组模型进行效果评价，并将两组中的最优模型混合得到混合模型1；通过遗传算法进行特征选择，并根据最佳特征组合构建混合模型2；最后，将混合模型2部署于动物实验数据库系统中。结果纳入数据库中创伤动物96只，其中0~300 mL组27只，301~600 mL组40只，>600 mL组29只。在基于生命体征指标构建的14种模型中，全卷积网络（FCN）模型为最优模型〔准确率为60.0%，AUC及95%可信区间（95%CI）为0.699（0.671~0.727）〕；在基于实验室检验指标构建的14种模型中，循环神经网络（RNN）模型为最优模型〔准确率为68.9%，AUC（95%CI）为0.845（0.829~0.860）〕。FCN与RNN模型混合后得到混合模型1，即RNN-FCN模型，模型效果得到提升〔准确率为74.2%，AUC（95%CI）为0.847（0.833~0.862）〕；通过遗传算法进行特征选择，根据筛选后的特征组合构建混合模型2，即RNN-FCN*模型，进一步提升了模型效果〔准确率为80.5%，AUC（95%CI）为0.880（0.868~0.893）〕，该模型包含10项指标，分别为平均动脉压（MAP）、血细胞比容（HCT）、血小板计数（PLT）、血乳酸（Lac）、动脉血二氧化碳分压（PaCO2）、二氧化碳总量、血Na+、阴离子隙（AG）、纤维蛋白原（FIB）、国际标准化比值（INR）。最后，将RNN-FCN*模型部署在数据库系统中，实现了对创伤动物出血量的自动、连续、高效、智能、分级预测。结论基于深度学习开发了一种创伤出血量分级预测模型，并部署在信息系统中，实现了对创伤动物出血量的智能分级预测。

简介：摘要超声心动图是临床评估心脏结构和功能的主要影像技术，具有无创、无辐射、实时等优点。随着深度学习的出现，利用深度神经网络分析超声心动图已成为目前研究的主流。笔者将从不同超声模态展开，根据超声心动图检查全流程，从标准切面的获取、分类，至量化心脏结构和功能，以及疾病诊断等方面，充分阐述深度学习在每一个环节中的最新研究进展。

简介：摘要近年来，大数据、人工智能和云计算等技术的快速发展给医疗健康领域带来巨大机遇和挑战。以深度学习（deep learning，DL）为代表的人工智能研究方法在耳鼻咽喉头颈外科疾病诊疗、预后分析及病因研究等方面发挥日益重要的作用。DL不仅与专家诊断水平相当，而且节约时间和经济成本，但也存在获取高质量大数据和临床推广运用等多方面难题。本文对其相关研究进行回顾分析，探讨其临床运用价值及面临的挑战。

简介：摘要传统的机器学习受限于无法直接处理原始数据，而是依赖于专家设计特征提取器，但深度学习的出现打破了这一禁锢，可以自动地从未经处理的原始数据中发现用于检测或分类的代表性信息，成为人工智能医学影像分类的关键技术。在恶性黑素瘤与色素痣的二分类及黑素细胞来源肿瘤以外的其他皮肤疾病如鳞状细胞肿瘤、基底细胞癌、甲病等的分类方面，深度学习取得与皮肤科医师相当甚至超过皮肤科医师的分类水平。本文介绍深度学习在皮肤影像分类应用中的一些基本概念及常用的深度学习模型的评价方法，综述深度学习在皮肤影像分类中的研究进展。

简介：摘要随着生活环境的改变，人们的身体状况日益下降，引起人们的高度重视。心脑血管疾病的致死率以及致残率都比较高，如果可以提前预测患病情况，就可以提前相应的干预措施，控制心脑血管疾病发病风险。计算机技术持续进步，已经应用疾病预测过程当中，同时有着重要的应用价值。深度学习作为近年来机器学习的最新成果之一，本文简要介绍深度学习技术在心脑血管疾病预测当中的应用。

简介：摘要：为提高数据分析的准确度以及速度，引入卷积神经网络DL算法，开展对数据识别方法设计研究。分析对比实验结果得出，设计方法的识别结果相似度更高，识别误差更小，可以实现对数据识别准确度的提升。基于卷积结构的信号调制识别神经网络的识别性能受信号调制类型种类限制。

简介：

简介：摘要：为提高数据分析的准确度以及速度，引入卷积神经网络DL算法，开展对数据识别方法设计研究。分析对比实验结果得出，设计方法的识别结果相似度更高，识别误差更小，可以实现对数据识别准确度的提升。基于卷积结构的信号调制识别神经网络的识别性能受信号调制类型种类限制。

简介：摘要近年来，随着人工智能技术快速发展，以深度学习为核心的计算机科学大量应用于医学领域。脑卒中作为人类死亡的常见病因，深度学习在脑卒中诊断与防治中具有较大的应用价值。为了评价深度学习技术在脑卒中疾病中的重要性，本文对深度学习在脑卒中诊断、治疗及预测方面进行了多层次，多角度的系统性回顾，着重探讨多种深度学习方式在脑卒中诊断方面的应用，另外还讨论了目前所遇的瓶颈和深度学习技术在未来的发展前景，以期对临床与医护科研人员进一步研究提供新方向，进一步挖掘深度学习在脑卒中领域的发展潜能。

简介：摘要人工智能是当前最热门的研究主题之一，其发展不仅给人们的生活带来便利，同时也能与其他前沿领域相整合，协助数据处理和结果预测，其中深度学习技术表现尤为突出。阐述了深度学习技术在生物医学多个领域中的广泛应用，简要介绍其常用方法和模型，包括人工神经网络、深度神经网络、卷积神经网络和循环神经网络；总结其在生物医学影像分析、组学数据处理和蛋白质空间结构预测方面的应用；简要讨论其在上述应用中存在的局限性和发展前景。