简介:摘要目的设计一种联合深度学习剂量预测和参数迭代优化算法的容积调强放射治疗(VMAT)全自动计划方法。方法选取2018年6月至2021年1月北京大学肿瘤医院既往165例直肠癌患者的VMAT计划开展研究,其中145例用于训练和验证深度学习模型,该模型用于预测危及器官的剂量,20例用于研究比对自动计划和人工计划的质量。该方法从危及器官的预测剂量分布中提取关键的剂量体积直方图(DVH)值作为初始优化参数(IOPs),利用治疗计划系统可编程接口自动创建VMAT计划,通过设计迭代优化算法自动调节优化参数(OPs)。结果剂量预测模型训练后能有效预测出20例测试计划危及器官的关键DVH值,与参考值相比差异均无统计学意义(P> 0.05)。20例VMAT自动计划均能满足临床处方剂量要求,对于PTV和PGTV的适形性指数(CI),人工计划与自动计划比较差异均无统计学意义(P> 0.05);而PGTV的D1和均匀性指数(HI),自动计划均高于人工计划,分别为0.6 Gy和0.01,两者比较差异均有统计学意义(t=-7.05、-6.92,P<0.05)。自动计划比人工计划的膀胱平均V30下降2.7%(t=3.37,P< 0.05),股骨头和危及器官辅助结构(Avoidance)的平均V20分别下降8.37%和15.95%(t=5.65、11.24,P< 0.05),并且膀胱、股骨头、Avoidance的平均剂量分别降低了1.91、4.01和3.88 Gy(t=9.29、2.80、10.23,P< 0.05)。测试的20例直肠癌患者病例的自动计划平均时间为(71.82±25.48)min。结论本研究利用直肠癌病例验证了一种联合剂量预测和参数迭代优化算法的VMAT自动计划方法的可行性。相比于人工计划,VMAT自动计划无需人工干预,在提高计划设计效率、计划质量和临床资源利用率等方面有很大的应用潜力。
简介:摘要目的设计一种能够基于原有的分析数据、结合游离DNA片段大小及计数的新的分析方法。方法选取180例孕妇血样进行无创产前检测(non-invasive prenatal testing,NIPT)常规的高通量测序,探索游离DNA片段分子量大小与胎儿DNA含量的关系,提出一种新的结合游离DNA片段大小的Z值的算法。以羊水细胞染色体核型分析结果为金标准,比较两种算法的判断结果。结果当以150 bp为分割值时,小分子片段比例与胎儿DNA含量呈正相关。对高通量测序数据用新旧两种算法进行计算,发现基于计数的传统分析的敏感度为75.00%,特异度为98.86%;基于以150 bp为分割点的结合游离DNA片段大小及计数的分析敏感度和特异度在本次实验中都达到了100%。结论在结合游离DNA片段大小及计数的新方法中选取150 bp作为分子大小分割点,可能比传统基于计数的算法更为合理、有效。
简介:目的使用XGBoost算法开发加强监护病房(ICU)中脓毒症患者住院死亡风险的预测模型。方法使用美国大型重症数据库MIMIC-Ⅲ作为数据来源;根据2016年发布的第三版脓毒症诊断和定义标准,选取数据库中的脓毒症患者,提取其生命体征、实验室检查等数据;使用XGBoost开发模型,并比较其与SVM模、SAPS-Ⅱ模型的预测性能。结果共纳入10487例脓毒症患者,住院死亡率20.80%。XGBoost模型的受试者工作特征曲线下面积(AUROC)为0.836(95%置信区间:0.819-0.853),优于SVM模型和SAPS-Ⅱ模型。Hosmer–Lemeshow检验显示,XGBoost模型拥有优秀的校准度。结论基于XGBoost的ICU脓毒症患者住院死亡风险预测模型能准确地辅助临床医生进行风险预测,从而采取合适的临床干预以降低ICU脓毒症患者的死亡率。
简介:摘要目的探讨70Kv结合迭代算法(SAFIRE算法)在头颈部CTA双低剂量的临床应用研究;方法将100例患者随机分成A组和B组,各50例,A组、B组均采用固定管电压,分别是120Kv、70Kv,管电流采用CAREDose4D技术自动管电流调节螺旋扫描,所得图像A组使用滤波反投影(FBP)重建,B组使用迭代算法重建(SAFIRE3),得到两组图像,分别测量上腔静脉、右锁骨下静脉、主动脉弓、左右颈总动脉及左右大脑中动脉血管腔内CT值、容积CT剂量指数CTDlvol(mGy)和剂量长度乘积DLP(mGy*cm)和对比剂量。结果B组对比剂用量仅为A组的50%;两组静脉血管腔内对比剂残留差异均有统计学意义(P<0.001);两组动脉血管腔内CT值比较差异有统计学意义(P<0.05)。两组辐射剂量比较差异有统计学意义(P<0.001);两组图像质量主观、客观评价均无统计学意义(P>0.05)。结论70Kv结合SAFIRE3算法确保图像质量下在头颈部CTA检查中能明显降低患者所接受的辐射剂量和对比剂量,具有较高的应用价值。
简介:摘要目的应用机器学习中的随机森林算法探讨中国女性尿失禁(UI)发病的危险因素,并评价各危险因素对于UI发病的预测效果。方法采用多阶段分层整群抽样,在全国调查55 477例成年女性UI情况;基线调查于2014年2月至2016年1月完成,2018年6月至12月电话随访;最终纳入基线无UI且随访UI诊断指标数据完整的对象。采用欠采样技术,按照1∶1的比例从随访时未发生UI的人群中随机抽取与随访对新发UI相等人数作为对照,将这些调查对象的研究数据按照7∶3的比例随机分成训练集和测试集。将单因素分析中P<0.2的候选变量,带入训练集并采用随机森林算法建模,在训练集筛选UI发病的危险因素,根据重要性对危险因素排序,并在测试集中验证。结果共30 658例(55.26%,30 658/55 477)完成随访,中位随访时间3.7年。纳入本研究的24 985例基线无UI的对象中,随访调查UI发病人数为1 757例(7.03%,1 757/24 985),其中压力性UI 1 117例(4.47%,1 117/24 985),急迫性UI 243例(0.97%,243/24 985),混合性UI 397例(1.59%,397/24 985)。随机森林模型固定特征数量为2个、决策树数量为300棵时,平均袋外估计误差率最低,此时模型分类准确率为64.3%,敏感度为64.2%,特异度为64.4%。根据Gini系数平均下降量,得到预测UI发病的前10位影响因素依次为:年龄、分娩次数、分娩方式、体质指数(BMI)、绝经状态、糖尿病史、教育程度、盆腔手术史、城乡分布、婚姻状况。结论应用机器学习中的随机森林算法,从复杂的多因素中识别出预测中国女性UI发病的前10位影响因素,依次为:年龄、分娩次数、分娩方式、BMI、绝经状态、糖尿病史、教育程度、盆腔手术史、城乡分布、婚姻状况。
简介:摘要目的基于随机森林算法构建儿童重症腺病毒肺炎(severe adenovirus pneumonia,SAP)的临床预测模型,并对其进行验证。方法采用观察性研究设计,回顾性分析2019年1月至2021年1月天津市儿童医院收治的542例腺病毒肺炎患儿的临床、实验室及影像学资料。将研究对象随机分为训练集和验证集(8∶2)。训练集通过随机森林算法筛选SAP的预测因子建立预测模型,并通过列线图将预测模型可视化表达。在验证集中利用受试者工作特征(ROC)曲线和敏感性、特异性、误判率、混淆矩阵对其进行验证。结果训练集患儿439例,其中重症型187例(42.60%),验证集患儿103例,其中重症型44例(42.71%)。训练集中单核细胞百分比(M%)、PLT、AST、IL-6、热峰、肺部大片炎性实变、肺部斑片状阴影是影响SAP的独立预测因子。模型区分度验证发现训练集和验证集的ROC曲线下面积分别为0.95(95%CI:0.92~0.98)和0.92(95%CI:0.82~0.99)。训练集的准确度、灵敏度、特异性、阳性预测值和阴性预测值分别为0.994、1.000、0.987、0.998、1.000;验证集的分别为0.752、0.990、0.514、0.945、0.857。结论该预测模型具有较好的判别能力,早期的临床及血液学指标有助于提高儿童SAP的识别和筛选,具有一定的临床价值。
简介:为了在超声波图像中提取颈动脉斑块边缘,我们提出了一种基于GVF-测地线模型的图像分割算法。由于超声波图像含有大量噪声,首先使用加权均值空间平滑滤波器对图像进行预处理;再人工画出初始轮廓,分别采用GVF-Snake模型、GVF-测地线模型和改进后的GVF-测地线模型对图像进行分割,比较其结果。实验结果表明,改进后的方法分割精度很高,能够在颈动脉斑块边缘提取中取得非常好的效果。
简介:摘要目的提出一种基于霍夫变换(HT)的新算法提高射波刀自动质量保证(AQA)测试胶片影像分析的准确性与稳定性,并探讨胶片图像的扫描分辨率对测试结果的影响。方法获取9对胶片对AQA模体进行分析测试,首先利用中值滤波对灰度化后的胶片影像预处理,去除噪声干扰;再使用全局阈值对图像进行二值化分割,对分割后的图像进行边缘检测并利用HT提取胶片边缘直线,将胶片图像变换至正确位置;最后利用边缘检测和HT提取出影像中射野投影圆和钨球投影圆的圆心,通过分析同心度最终得到AQA测试的误差分析结果。结果所有样本分别使用本算法与原软件算法所得等中心误差结果差异无统计学意义(P>0.05),其标准差差异有统计学意义(P=0.027);表明本算法在保证了胶片分析准确性的同时具有更好的稳定性。两种方法均不能通过采用分辨率更高的胶片影像来提高分析结果的准确性和稳定性。结论本算法排除了胶片扫描摆位误差造成的干扰,为射波刀系统AQA工作提供了一种更稳定的途径。
简介:摘要利用神经网络进行心电图识别时,存在神经网络网络结构、初始权值以及网络的动量因子、学习参数难以确定,易陷入局部极小、过拟合等问题。遗传算法具有很强的全局寻优能力,能以较大的概率找到全局最优解,提出一种改进的GA-BP混合训练算法,优化神经网络的权值和结构,应用于自动识别心电图,收到良好的效果。