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:目的利用BP神经网络的理论和算法,对COPD患者的历史数据进行分析,构建出COPD再入院患者的风险评估模型,通过对COPD再入院患者各相关因素的敏感度分析和疾病风险评估及分析,为BP神经网络建模在临床诊疗中的应用提供一定的参考,并为医疗资源的合理配置提供较为有效的解决方案。方法编写结构化查询语句,从HIS数据库抽取相关数据,导入Clementine11.1中,利用BP神经网络算法进行建模,预测结果用SPSS22.0进行模型的建模效果评估以及模型建模效果的假设检验。结果经过优化后的BP神经网络的拟合度为71.743%,预测准确度93.55%。在所有相关影响因素中,入院次数和入院状态对COPD患者的再入院风险度影响最大。在预测效果上,BP神经网络要优于传统的多元统计分析方法。
简介:摘要目的提升心电图心律失常分类算法的性能,为临床心电诊断提供辅助依据。方法将一维心电图数据按照R点进行切分,将切分后的数据生成2D图像。利用数据增强技术将样本进行扩增,再利用二维卷积神经网络(2D-CNN)中的2D卷积层、2D最大池化层、Flatten层和全连接层,对图像特征进行提取,并通过Softmax分类器进行分类。利用带有权重系数的损失函数来增强模型对于S类和V类的学习。采用MIT-BIH数据集进行模型训练并评估算法性能。结果样本扩增和使用带有权重系数的损失函数能够提升模型的召回率和特异性指标,同时保持模型对室性异位搏动(VEB)和室上性异位搏动(SVEB)分类的精确率的指标。结论所提出模型的准确率为99.02%,SVEB的召回率为96.4%,表明该分类方法可以辅助医护人员诊断心脏疾病。
简介:摘要近年来卷积神经网络(convolutional neural network ,CNN)在辅助分析肺癌方面表现出良好的应用前景和研究价值。CNN可以从图像数据中自主学习以提取特定的与临床相关的特征。本文对构建CNN通过输入CT图像进行端到端分析,从而在术前预测肺癌风险和临床治疗效果;以及通过输入肺结节组织切片图像进行术后病理学分析作一综述。
简介:摘要目的基于深度卷积神经网络(DCNN)方法自动测量彩色眼底像上全局和局部豹纹分布密度。方法应用研究。将2021年5~ 7月于山东第一医科大学附属青岛眼科医院北部院区行近视手术的患者514例1 028只眼的1 005张彩色眼底像建立人工智能(AI)数据库。采用RGB颜色通道重标定方法(CCR算法)、基于Lab颜色空间的CLAHE算法、多重迭代照度估计的Retinex算法、具有色彩保护的多尺度Retinex算法对图像进行预处理。对比观察上述4种图像增强方法以及使用Dice损失、边缘重叠率损失和中心线损失对豹纹分割模型效果的影响。建立眼底豹纹分割模型识别全图范围内豹纹结构区域;构建眼底组织结构检测模型用于视盘及黄斑中心凹定位。计算视野范围内后极部豹纹密度(FTD )、黄斑区豹纹密度(MTD)、视盘区豹纹密度(PTD )。结果应用CCR算法图像预处理和训练损失组合后,豹纹分割模型的Dice系数、准确率、灵敏度、特异性、约登指数分别达到0.723 4、94.25%、74.03%、96.00%和70.03%。模型自动测量的FTD、MTD、PTD值与人工标注测量值平均绝对误差分别为0.014 3、0.020 7、0.026 7,均方根误差则分别为0.017 8、0.032 3、0.036 5。结论基于DCNN分割和检测方法能自动测量近视患者眼底全局和局部区域的豹纹分布密度,可以更准确地辅助临床监测和评估眼底豹纹改变对近视发展的影响。
简介:摘要人工神经网络(ANN)是一种驱动人工智能(AI)的网络框架,其中采用经典卷积神经网络(CNN)进行胚胎质量评估可进行固定时间节点胚胎细胞计数和图像识别;采用全连接的深度神经网络(DNN),胚胎图像识别准确度提升,适用于较高硬件配置以及需要整合临床信息进行综合预测;残差网络通过增加层数提高准确度并通过跳跃连接解决梯度消失问题,实现动态胚胎评估。贝叶斯网络(BN)机器学习擅长推理,在条件缺失情况下可通过推理弥补数据不足,可结合临床复杂信息进行综合预测评估;支持向量机(MLP)机器学习存在梯度消失与爆炸,容易丢失图像部分空间特征,适用于小样本评估。ANN在预测胚胎植入率、胚胎非整倍体方面具有一定优势,开发新的胚胎质量评估方法减少侵入性检测是人类辅助生殖技术(ART)重要研究方向。