简介:摘要目的以药品说明书为数据基础,构建药品知识库。方法对随机抽取的600份药品说明书进行人工标注,并划分为训练集和测试集,基于双向长短期记忆网络+条件随机场(Bi-LSTM+CRF)模型进行训练,完成医学实体的识别;以"相似度计算+规则映射表"的混合模型对提取出的实体进行标准化,完成后将药品信息导入Access数据库。结果基于Bi-LSTM+CRF模型的命名实体识别任务中,除人群类实体外,其余实体中均取得了F值高于85%的良好效果;基于"相似度计算+规则映射表"的混合模型,实体标准化的准确率为88.23%。结论本研究的机器学习模型效果与其他命名实体识别、实体标准化研究的模型效果相近,能够较好地完成药品知识库构建任务。
简介:摘要目的探索课题组前期研究构建的医学慕课(massive open online course,MOOC)教学设计规范体系的学习体验情况。方法从学情分析、课程内容设计、教学过程设计、教学评价设计四个维度改编了调查问卷。选取某医学院校519名临床医学专业、学习过依据该体系制作的"急性脑梗死的超早期诊疗"等MOOC案例的学生为调查对象。运用SPSS 25.0软件进行统计分析。结果该体系各维度具有较高的认可度,学情分析64.5%、内容设计57.6%、教学设计过程54.5%、教学评价设计59.3%。结论研究发现医学MOOC教学设计体系具有良好的学习体验效果,并依据数据反馈探索出了教学设计实操中应重视学情分析的核心因素、教学内容的适切性等教学设计重点,为医学MOOC教学设计提供了实践依据和方法参考。
简介:摘要目的探讨基于MRI的深度学习(DL)影像组学机器学习模型在术前区分病理低级别和高级别软组织肉瘤(STS)的价值。方法回顾性纳入2007年11月至2019年5月青岛大学附属医院经病理证实的151例STS患者为训练集、山东第一医科大学附属山东省立医院和河北医科大学附属第三医院的131例STS患者为外部验证集。根据法国国家癌症研究中心(FNCLCC)肿瘤分级标准,STS病理分级低级别(FNCLCCⅠ和Ⅱ级)161例,高级别(FNCLCCⅢ级)121例。分别提取病灶的手工影像组学(HCR)特征和DL影像组学特征,分别基于HCR特征、DL特征和两者组合特征,建立决策树、逻辑回归、支持向量机(SVM)3种分类器的机器学习模型,采用受试者操作特征曲线下面积(AUC)评价各机器学习模型预测高级别和低级别STS的效能,确定最优机器学习模型。采用单因素和多因素logistic回归筛选临床和影像学特征,建立临床影像学模型。结合最优机器学习模型和临床影像学模型,建立列线图,采用AUC来评估各模型和列线图的预测性能,AUC间比较采用DeLong检验。采用Kaplan-Meier生存曲线和log-rank检验评价最优机器学习模型在STS患者无进展生存期(PFS)风险分层中的表现。结果基于HCR和DL组合影像组学特征的SVM机器学习模型的AUC最大,在训练集和外部验证集中预测STS分级分别为0.931(95%CI 0.889~0.973)和0.951(95%CI 0.904~0.997),为最优机器学习模型。临床影像学模型在训练集和外部验证集中的AUC分别为0.795(95%CI 0.724~0.867)和0.615(95%CI 0.510~0.720),列线图分别为0.875(95%CI 0.818~0.932)和0.786(95%CI 0.701~0.872)。外部验证集中,最优影像组学机器学习模型预测STS分级的性能优于列线图和临床影像学模型(Z=3.16、6.07,P=0.002、<0.001)。最优影像组学机器学习模型预测的高级别和低级别STS患者的PFS差异有统计学意义(训练集χ²=43.50,P<0.001;外部验证集χ²=70.50,P<0.001)。结论基于MRI的DL影像组学模型可有效预测STS的FNCLCC肿瘤分级,其中HCR和DL组合影像组学特征的SVM分类器模型效能最佳,并有望对患者预后进行风险分层。
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:摘要目的分析"基于问题学习(problem-based learning,PBL)"在线教学方案的实施效果,为提高PBL在线教学质量提供参考。方法2020年1月至5月,制定"视频会议系统+微信群+图书馆VPN在线资源+PBL网站"PBL在线教学方案(简称PBL在线教学方案),选取北京大学2017级八年制基础医学专业、2017级八年制和五年制临床医学专业共363名学生为研究对象,通过问卷调查和PBL网站反馈,以描述性分析和χ2检验分析PBL在线教学方案的实施效果。结果90.9%(260/286)的学生反馈网络情况"很好"或"还行"。学生对PBL在线教学方案中学生主席、记录员、组员和指导教师的认可度分别为83.6%(239/286)、92.0%(263/286)、64.0%(183/286)和87.1%(249/286)。76.9%(220/286)的学生对讨论效果满意。关于学生对PBL在线教学和线下教学的学习效果反馈,在"案例学习提高对PBL的兴趣"[81.4%(763/937)比83.0%(1 698/2 047)]和"资讯收集、分析、整理和批判性阅读的提高"[87.8%(823/937)比89.8%(1 839/2 047)]2个方面,其差异均无统计学意义(均P>0.05);在"明确案例学习目标和重点,并掌握用于解释临床现象的机制"方面[85.4%(800/937)比90.4%(1 852/2 047)],其差异具有统计学意义(P<0.01)。结论网络情况能够保证PBL在线教学方案的实施;学生对PBL在线讨论时记录员和指导教师的认同度高;PBL在线教学效果基本达到线下教学效果。PBL在线教学方案对PBL混合式教学可以提供一定借鉴。
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。