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。

简介：摘要目的构建无痛结肠镜检查术患者术后疲劳综合征(POFS)的人工神经网络(ANN)预测模型。方法选择2016年10月至2017年2月行无痛结肠镜检查术的门诊患者，收集围术期共38个影响因素。于麻醉复苏达标时，行Christensen术后疲劳评分。Christensen术后疲劳评分≥3分为发生POFS。根据是否发生POFS将患者分为POFS组和非POFS组。分别构建logistic回归预测模型和ANN预测模型，并进行检验。通过计算受试者工作特征曲线下面积比较2种预测模型的预测效果。结果ANN预测模型训练集和测试集错误率分别为23.1%和28.1%，训练集的灵敏度和特异度分别为88.6%和52.7%，测试集的灵敏度和特异度分别为91.6%和71.1%。logistic回归预测模型和ANN预测模型曲线下面积分别为0.698和0.776。结论本研究成功构建了无痛结肠镜检查术患者POFS的ANN预测模型，该模型预测效果优于logistic回归预测模型。

简介：摘要目的探讨卷积神经网络单激发（convolutional neural network single-shot, CNN-SS）技术在配合不佳患者颅脑MRI中应用的可行性。材料与方法选取32例因不能有效配合头颅MRI检查，导致常规并行采集（parallel imaging, PI）技术T2-FLAIR序列成像效果不佳的患者，应用CNN-SS技术进行T2-FLAIR补充扫描。并对两种技术方法的图像质量、病灶显示情况进行对比分析。结果CNN-SS组T2-FLAIR序列全颅脑扫描时间为33 s，PI对照组扫描时间为126 s。在图像质量方面，CNN-SS组的图像质量和病变清晰度评分分别为（3.75±0.51）分和（3.68±0.55）分，较PI组（2.41±0.71）分和（2.52±0.96）分显著改善（P均＜0.001）。结论CNN-SS技术可以有效应用于无法有效配合患者的头颅MRI，可显著缩短检查时间，并减少图像伪影提升图像质量，有助于对这类无法配合患者的潜在病变进行及时诊断，有助于患者治疗方案制订，避免漏诊、延误治疗。

简介：目的探讨抑郁症患者的注意功能障碍及其相应的大脑神经网络信息传输特征变化规律。方法对34例抑郁症患者和51例健康志愿者行定量脑电信息传输特征分析，并通过视觉注意反应时测验和视觉注意保持测验评估视觉注意反应能力。结果抑郁症患者视觉注意反应时间长于对照组．视觉保持测验失误总数、误判数均高于对照组（￡分别=4．71、4．56、3．96，P均〈0．05）。伴焦虑的抑郁症患者视觉注意反应时测验的反应时间短于不伴焦虑的患者（t=3．20．P〈O．05）。抑郁症组的大脑信息平均传输强度指数、平均强度调整周期、平均传输响应指数、平均响应调整周期均低于对照组（f分别=5．77、4．24、6．39、4．89，P均〈0．05），且中重度抑郁症患者的上述脑电信息传输特征参数均低于轻度组（f分别=2．41、2．78、2．91、3．25，P均〈0．05）。此外，正确数与年龄呈负相关，与受教育年限呈正相关（r分别=-0．41、0．36，P均〈0．05）；正确数、大脑信息平均强度调整周期、平均响应调整周期与抑郁、焦虑程度呈负相关（r分别=-0．43、-0．36、-0．40；-0．46、-0．44、-0．48，P均〈0．05），平均传输强度指数还与抑郁程度呈负相关（r=0．36，P〈O．05）。结论抑郁症患者存在注意功能缺陷，大脑神经网络信息传输特性明显降低。抑郁症患者注意功能的损害受年龄、教育年限以及临床症状的严重程度等因素不同程度的影响。

简介：摘要脑卒中已成为全球首位的致残疾病，神经康复致力于为脑卒中患者提供更加全面完善的功能康复方案。随着对脑卒中后存在大尺度水平神经网络功能重组的了解，通过对神经网络中连接状态的调节可以引起神经功能的改善。非侵入性脑刺激(NIBS)技术作为一种安全、便捷、有效的神经调节技术，已应用于脑卒中后异常神经网络模式的调节，研究表明这种刺激诱导的神经重组与传统康复锻炼诱导的神经重组不仅在神经成像数据上，而且在行为改善上可以达到同样疗效，为脑卒中后遗症患者的功能康复开拓了新局面。

简介：摘要 目的 探讨基于神经网络技术分析肺功能数据在非急性发作期哮喘长期管理中的临床效果。方法 本课题选取我科门诊的10例非急性发作期的哮喘患者，随机分组，手机组和预测组各5例。手机组：患者使用手机小程序填写ACT问卷，使用手持肺活量仪自测肺功能并上传数据到手机小程序，医师端及时依据患者症状和肺功能数据，给予患者指导和用药调整。预测组：在手机组的基础上，研究人员建立数据库，结合神经网络技术分析肺功能和ACT评分，预测下一阶段患者可能达到的哮喘控制水平，医生依据患者的实时数据和预测结果，给予患者精准干预；患者加强自我管理。结果 对所有研究对象均随访6个月后进行评估，预测组在遵医行为（P

简介：摘要：目的：探讨农村女性空巢老人的生活现状以及结合人工智能技术的护理干预对该群体身心健康和社交支持的影响。方法：对160名女性空巢老人进行研究，任选80名进行模型构建，剩余80名随机平分为实验组与对照组。实验组老人依据模型输出的干预项进行护理，对照组则根据经验施加干预。持续干预12周后，采用血压、血糖等指标评估两组老人的身体健康状态，用SAS和DMSM量表评估焦虑情绪和心理病痛程度，SSRS评估社交支持状态。结果：实验组老人的身体状态、心理健康指标及社交支持均优于对照组。结论：基于神经网络的精准护理干预效果优于个人经验指导的护理，建议将人工智能技术与老年护理领域更广泛结合以最大化改善生活质量。

简介：摘要目的应用自组织神经网络为长寿研究选择对照组，以改进长寿基因研究设计。方法本研究基于2013年中国慢性病及其危险因素监测与全国死因监测数据融合形成的自然人群队列，纳入年龄≥90岁的老年人或年龄<80岁且已死亡的汉族人群（对照组），排除死于伤害、传染病、寄生虫病和恶性肿瘤的个案，利用自组织神经网络方法，通过多次迭代和自组织聚类，选取人口学特征、患病、生活习惯、社会行为、精神心理等多方面因素相似的≥90岁老年人和对照组，开展全基因组测序。研究采用PLINK 1.9软件评估测序数据质量，开展常染色体上的单核苷酸多态性（SNPs）和长寿的logistic回归，用Q-Q图可视化SNPs与长寿关联的P值。结果研究从基线177 099例调查对象中筛选出1 019例人群基因组样本开展全基因组测序，其中长寿组517例、对照组502例。长寿组和对照组在吸烟、饮酒、饮食、睡眠时长、血脂水平和自评口腔健康状况总体相似，在社会经济状况、身体活动时间、BMI和自评健康状况差异较大。全基因组测序结果经质控，4 618 216个SNPs进入关联分析。长寿组相关SNPs分析结果P值的Q-Q图显示在P值1e-4的区域有明显小于预期P值的富集，P<1e-7区域也检出了显著信号。结论自组织神经网络可综合考虑社会经济和生活行为方式的影响，从大规模自然人群队列中有真实死亡年龄和死亡原因的样本中选取长寿对照样本，提高长寿基因组关联分析检验效能。本研究为大规模自然人群队列筛选样本开展巢式病例研究提供了方法学参考。

简介：摘要目的利用反向传播神经网络（BPNN）算法，建立一种可以识别血糖项目随机误差的实时质控新方法并评价模型效能。方法通过北京朝阳医院实验室信息系统导出2019年1月至2020年7月在西门子advia2400分析系统上报告的全部患者血糖信息，共计219 000条，作为本研究的无偏数据。人为引入6个偏差生成相应的有偏数据，每种偏差下用2种算法测试。进行计量学及临床评价。结果BPNN步长设置为10，全部偏差下假阳性率均在0.1%以内；MovSD的最佳步长为150，拦截限为10%，全部偏差下假阳性率为0.38%，比BPNN高0.28%。MovSD在0.5与1误差因子下全部未检出，误差因子>1之后，可检出，但MNPed偏高；而BPNN在全部偏差下MNPed均低于MovSD，两者相差最高达91.67倍。计量学溯源过程生成460 000条参考数据，采用参考数据评定BPNN模型的不确定度仅为0.078%。结论成功建立了基于BPNN算法识别检测过程随机误差的实时质控方法，模型准确度高，临床效能显著优于MovSD方法。

简介：【摘要】 目的：构建术后肺部并发症(postoperative pulmonary complications, PPCs)的预测模型并进行验证。方法：回顾性收集2019年1月1日至2021年12月31日在重庆医科大学附属巴南医院实施的头颈胸及上腹部三、四级手术的患者，其中满足纳入排除标准的病例有2157例。数据预处理后，通过循证和临床结合的方式筛选出预测模型的特征变量，基于机器学习技术分别构建Logistic回归模型、梯度提升决策树(gradient boosting decision tree, GBDT)模型和人工神经网络(artificial neural network, ANN)模型。通过比较预测模型的准确度、灵敏度、特异度和曲线下面积(the area under the curve, AUC)等指标，评估三种模型的预测性能。结果：Logistic回归模型、GBDT模型和ANN模型的AUC值，分别为0.823 (95% CI: 0.790~0.855)、0.877 (95% CI: 0.841~0.913)和0.908 (95% CI: 0.878~0.938)。结论：基于机器学习算法构建PPCs风险预测模型具有可行性。在本研究构建的三种PPCs机器学习模型中，ANN模型具有良好的预测表现和临床价值。

简介：目的建立乳腺癌针吸细胞形态定量参数的人工神经网络诊断模型，并验证其在辅助FNA诊断乳腺癌的价值。方法利用MPIAS-2000系统对60例乳腺癌及30例乳腺良性病变的针吸细胞学涂片进行形态定量测定，对获得的29项形态参数进行人工神经网络建模分析，并用盲法对其鉴别诊断能力进行评价。结果所建立的网络模型经过14次训练后即可达到误差要求，诊断模型对乳腺癌及乳腺良性病变的诊断正确率为100％，其特异性和敏感性均为100％。结论乳腺良恶性病变的针吸细胞学涂片进行ANN分析所建立的诊断模型，对乳腺癌及良性病病变的鉴别诊断具有较高的应用价值，为辅助针吸细胞学诊断乳腺良恶性病变提供了新的思路。

简介：摘要目的构建并验证多模态MRI图像3D卷积神经网络（convolutional neural network, CNN）模型对肝纤维化（liver fibrosis, LF）分类的价值。材料与方法回顾性分析经病理证实为LF，并行肝脏3.0 T MRI检查的224例LF患者的T1WI、T2WI、表观扩散系数（apparent diffusion coefficient, ADC）图像，按8∶2的比例随机分为训练集和测试集。对图像进行预处理后，应用训练集图像对模型进行网络结构迭代训练，建立3D-CNN深度学习模型对无显著LF（S0～S1）、显著LF（≥S2）进行分类。经过优化的CNN由三个卷积层、三个池化层和两个全连接层组成。训练完成后，用测试集数据对CNN模型进行测试，使用准确度（accuracy, ACC）曲线、损失函数（loss）曲线及受试者工作特征（receiver operating characteristic, ROC）曲线评价模型的性能。结果基于多模态MRI的3D-CNN深度学习模型在训练集中对LF分类的ROC曲线下面积（area under the curve, AUC）值为0.94，在测试集中的AUC为0.98。结论多模态3D-CNN深度学习模型可对无显著LF和显著LF进行分类，为LF的无创性评估提供更多选择。

简介：摘要目的研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例，以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本，随机划分300例用于训练与验证，197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC)，与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响，按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN)，使用相同数据训练与测试，统计并对比两者DSC。结果MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020，训练与测试时长是Unet、DeepLabv3+的1/3~1/30，S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002，脊髓平均值相差0.001，但标准差却比MTLW-CNN高0.014。结论MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画，不仅可以提高模型应用效率，还有利于提高模型的泛化性能。

简介：摘要目的构建基于Faster R卷积神经网络的后前位胸部X线片异物智能检测模型，并评估模型的性能。方法回顾性分析2019年6月至2020年3月浙江省人民医院和淳安县人民医院的成人后前位DR胸片5 567张，其中含异物胸片4 247张。分为异物训练集（2 911张异物胸片）、验证集（1 456张，733张含异物、723张无异物）和测试集（1 200张，603张含异物、597张无异物）。每张胸片的异物经过2名放射住院医师标注和1名高年资放射技师审核校正后的结果作为参考金标准。采用受试者操作特征（ROC）曲线及曲线下面积分析深度学习模型在测试集中区分胸片有无异物的效能，采用精准率-召回率曲线及平均精确度（mAP）分析模型在不同层级的稳定性。最后分析不同位置、患者性别、患者年龄对于深度学习模型的异物召回率的影响。结果测试集中，深度学习模型诊断胸片是否含有异物的灵敏度为93.2%（562/603），特异度为92.6%（553/597），F1分数为0.94，ROC曲线下面积为0.97，mAP值为0.69。对于不同位置的异物，肺野内和肺野外的异物检测的召回率分别为91.2%（674/739）和89.0%（1 411/1 585）。对于不同性别的患者，男性和女性的异物检测召回率分别为87.3%（337/386）和90.0%（1 745/1 938）。对于不同的年龄分段，18~38岁的异物检测召回率为92.5%（1 041/1 126），39~58岁的异物检测召回率为89.7%（505/563），59~78岁的异物检测召回率为83.5%（335/401），≥79岁的异物检测召回率为85.9%（201/234）。结论构建的基于深度学习的成人后前位胸部X线片异物检测模型具有很高的灵敏度和稳定性，可以快速准确地识别胸片中的异物。

简介：摘要目的构建预测FOLFOX方案(奥沙利铂＋亚叶酸钙＋氟尿嘧啶)一线治疗转移性结直肠癌(mCRC)疗效的人工神经网络模型。方法从美国国家生物信息中心的基因表达汇编(GEO)数据库获取1组FOLFOX方案一线治疗mCRC的数据(GSE104645)作为训练集，其中FOLFOX方案疗效敏感组(完全缓解和部分缓解患者)31例，耐药组(疾病稳定和疾病进展患者)23例。将训练集样本按7∶3分为内部训练样本和内部测试样本。以福建医科大学附属协和医院结直肠外科采用FOLFOX方案一线治疗的30例mCRC患者的芯片数据集(GSE69657)作为外部验证样本，其中敏感组13例，耐药组17例。运用R 3.5.1软件Combat包对两套矩阵的表达值进行批间差校正。运用GEO2R平台对GSE104645中敏感组和耐药组的基因表达进行差异分析，以P<0.05且|log2FC|>0.33(FC为差异倍数)为阈值，筛选FOLFOX方案的耐药基因和敏感基因。采用多层感知器方法对GSE104645数据集进行FOLFOX方案疗效的人工神经网络模型构建。然后，以外部验证样本进行回代验证。采用受试者工作特征(ROC)曲线对所建模型的预测能力进行评价。结果基于GSE104645数据集，共筛选出2 076个差异基因，其中822个基因在耐药组上调，1 254个基因下调，下调基因为敏感基因。基因本体论(GO)分析显示，差异基因主要富集在物质代谢的调控过程中。所构建的人工神经网络模型共纳入39个基因，包含2个隐藏层。其在训练集中预测训练样本和测试样本的准确度分别为75.7%和76.5%，ROC曲线下面积为0.875。回代验证显示，外部验证样本的ROC曲线下面积为0.778。结论基于芯片数据成功建立了人工神经网络预测模型，模型稳定性好，预测FOLFOX方案一线治疗mCRC疗效的效能强。与奥沙利铂耐药相关的基因功能主要富集在物质代谢的调控过程中。

简介：摘要目的探讨社区获得性肺炎（CAP）患者并发急性呼吸窘迫综合征（ARDS）的独立危险因素，以及基于人工神经网络模型预测CAP患者发生ARDS的准确性和预防价值。方法采用病例对照研究方法，收集2020年2月至2021年2月南京医科大学附属常州第二人民医院综合重症监护病房和呼吸内科收治的符合入选标准的414例CAP患者的临床资料，根据是否并发ARDS分为两组。统计两组患者入院24 h内的临床数据，通过单因素分析筛选出发生ARDS的影响因素，并构建人工神经网络模型；通过人工神经网络模型输入层自变量（即单因素分析得出的影响因素）对输出层因变量（即是否发生ARDS）影响的重要程度，绘制出自变量重要性的条形图；将人工神经网络建模数据对按照7∶3的比例随机分为训练组（n＝290）和验证组（n＝124），分别计算两组模型的总体预测准确性，并绘制受试者工作特征曲线（ROC曲线），计算ROC曲线下面积（AUC）。结果414例患者均纳入分析，其中发生ARDS患者82例，未发生ARDS患者332例。单因素分析显示，两组患者性别、年龄、心率（HR）、最高收缩压（MSBP）、最大呼吸频率（MRR）、入院来源、C-反应蛋白（CRP）、降钙素原（PCT）、红细胞沉降率（ESR）、中性粒细胞计数（NEUT）、嗜酸粒细胞计数（EOS）、纤维蛋白原等量单位（FEU）、活化部分凝血活酶时间（APTT）、总胆红素（TBil）、白蛋白（ALB）、乳酸脱氢酶（LDH）、血肌酐（SCr）、血红蛋白（Hb）、血糖（GLU）水平差异均有统计学意义，可能是CAP患者并发ARDS的危险因素；将以上19个危险因素作为输入层、是否发生ARDS作为输出层，构建人工神经网络模型；其中输入层自变量中对神经网络模型预测结果影响权重最大的5个指标依次为LDH（100.0%）、PCT（74.4%）、FEU（61.5%）、MRR（56.9%）、APTT（51.6%），提示这5个指标对CAP患者发生ARDS的影响程度较大。训练组人工神经网络模型总体预测准确性为94.1%（273/290），验证组模型总体预测准确性为89.5%（111/124）；人工神经网络模型预测CAP患者并发ARDS的AUC为0.977（95%可信区间为0.956~1.000）。结论基于人工神经网络模型建立的CAP患者发生ARDS的预测模型具有较好的预测能力，可根据该模型预测CAP患者是否会并发ARDS，以及时给予针对性预防措施。

简介：摘要目的探讨基于深度学习的人工智能在非炎性主动脉中膜变性中的辅助诊断及其应用价值。方法选取2018年1—6月首都医科大学附属北京安贞医院保存的89例非炎性主动脉中膜变性标本组织HE切片，扫描成数字切片后进行人工标注，在标注区域总提取1 627幅中膜病变HE图像。结合一种改进的基于ResNet18的卷积神经网络模型，进行非炎性主动脉病理图像的4分类研究，并对模型应用进行检测。结果4分类模型对中膜变性病理改变中最常见的平滑肌细胞核缺失病变的识别准确率、灵敏度及精确率分别为99.39%、98.36%、98.36%。弹力纤维断裂和/或缺失病变识别精确率为98.08%；层内型黏液样细胞外基质聚集病变识别准确率为96.93%。模型整体准确率为96.32%，受试者工作特征曲线下面积值可达0.982。结论初步验证了深度学习神经网络模型在非炎性主动脉病变图像分类方面的准确性，该方法可以有效提升病理医师诊断效率。

简介：摘要目的构建预测FOLFOX方案(奥沙利铂＋亚叶酸钙＋氟尿嘧啶)一线治疗转移性结直肠癌(mCRC)疗效的人工神经网络模型。方法从美国国家生物信息中心的基因表达汇编(GEO)数据库获取1组FOLFOX方案一线治疗mCRC的数据(GSE104645)作为训练集，其中FOLFOX方案疗效敏感组(完全缓解和部分缓解患者)31例，耐药组(疾病稳定和疾病进展患者)23例。将训练集样本按7∶3分为内部训练样本和内部测试样本。以福建医科大学附属协和医院结直肠外科采用FOLFOX方案一线治疗的30例mCRC患者的芯片数据集(GSE69657)作为外部验证样本，其中敏感组13例，耐药组17例。运用R 3.5.1软件Combat包对两套矩阵的表达值进行批间差校正。运用GEO2R平台对GSE104645中敏感组和耐药组的基因表达进行差异分析，以P<0.05且|log2FC|>0.33(FC为差异倍数)为阈值，筛选FOLFOX方案的耐药基因和敏感基因。采用多层感知器方法对GSE104645数据集进行FOLFOX方案疗效的人工神经网络模型构建。然后，以外部验证样本进行回代验证。采用受试者工作特征(ROC)曲线对所建模型的预测能力进行评价。结果基于GSE104645数据集，共筛选出2 076个差异基因，其中822个基因在耐药组上调，1 254个基因下调，下调基因为敏感基因。基因本体论(GO)分析显示，差异基因主要富集在物质代谢的调控过程中。所构建的人工神经网络模型共纳入39个基因，包含2个隐藏层。其在训练集中预测训练样本和测试样本的准确度分别为75.7%和76.5%，ROC曲线下面积为0.875。回代验证显示，外部验证样本的ROC曲线下面积为0.778。结论基于芯片数据成功建立了人工神经网络预测模型，模型稳定性好，预测FOLFOX方案一线治疗mCRC疗效的效能强。与奥沙利铂耐药相关的基因功能主要富集在物质代谢的调控过程中。

简介：摘要目的探讨利用更快的区域卷积神经网络算法（Faster R-CNN）分析直肠癌磁共振（MRI）平扫图像以评估环周切缘（CRM）状态的可行性。方法病例纳入标准：（1）CRM阳性区域位于提肛肌肛管平面至腹膜反折之间，电子结肠镜及组织病理学检查证实为直肠恶性肿瘤；（2）术后病理或术前高分辨MRI检查证实有CRM阳性。排除标准：新辅助治疗后、手术后复发、图像质量差伪影、肿瘤巨大及广泛坏死等组织变性以及既往盆腔手术史直肠临近组织结构改变的病例。根据以上标准，收集青岛大学附属医院2016年7月至2019年6月期间，350例CRM阳性直肠癌患者的MR平扫图像。将患者按照性别和肿瘤部位分类，应用计算机随机数字法以6∶1比例随机分配为训练组（300例）和测试组（50例）。利用LabelImg软件在T2加权成像（T2WI）图像上对CRM阳性区域进行标识。应用标识的训练组图像对Faster R-CNN模型进行迭代训练、优化参数，直到网络收敛获得最佳的深度学习模型。利用测试集数据评估人工智能平台的识别性能，选取指标包括准确度、敏感性、阳性预测值、受试者工作特征曲线和曲线下面积（AUC），以及识别单张图像所花费的时间。结果训练后的Faster R-CNN模型判定CRM状态的准确度、敏感性、特异性、阳性预测值和阴性预测值分别为0.884、0.857、0.898、0.807和0.926；AUC为0.934（95%CI：91.3%~95.4%）。Faster R-CNN模型对单张图像的自动识别时间为0.2 s。结论基于Faster R-CNN建立的对直肠癌CRM阳性MRI图像识别和分割的人工智能模型，可完成对原位肿瘤外侵引起CRM阳性区域的风险评估，具有初步筛选的应用价值。

简介：摘要目的验证基于快速区域卷积神经网络（Faster R-CNN）胰腺癌增强CT自动识别系统，并探讨其临床应用价值。方法回顾性收集青岛大学附属医院2013年1月至2016年5月收治的315例胰腺癌患者的4 024张增强CT影像序列，将2 614张影像序列作为训练组输入Faster R-CNN系统，建立影像自动识别模型，通过读取135例胰腺癌的1 410张增强CT影像进行验证。为了进一步测试其临床应用效果，读取150例胰腺占位患者的3 750张增强CT影像并对其诊断结果进行随访。记录结节类别的精准率和召回率，绘制精确回归曲线，分析Faster R-CNN诊断的准确性、灵敏度、特异度，生成受试者工作特征（ROC）曲线，并计算曲线下面积。结果基于135例胰腺癌增强CT影像，得到Faster R-CNN的人工智能辅助诊断的ROC曲线的曲线下面积为0.927，准确性、特异度、灵敏度分别为0.902、0.913、0.801。经过150例胰腺占位患者资料的验证，判定阳性893张，阴性2 857张，Faster R-CNN诊断为胰腺癌患者98例，对其诊断结果进行随访，其中53例经外科手术后病理证实为胰腺导管癌、21例为胰腺囊腺癌、12例为胰腺囊腺瘤、5例为胰腺囊肿，7例患者未手术治疗。在术后5~17个月内6例死于腹腔肿瘤浸润、肝转移或肺转移。在Faster R-CNN诊断为阴性的52例患者中，有9例经外科术后证实为胰腺导管癌。结论Faster R-CNN系统能够帮助影像科医师对胰腺癌进行诊断，具有一定的临床应用价值。