前言:中文期刊网精心挑选了医学人工智能技术范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。
医学人工智能技术范文1
【关键词】 高胆固醇;高甘油三酯;血小板平均体积;血小板聚集率
血脂异常往往表现为高胆固醇(tc)和(或)高甘油三酯(tg),与某些疾病尤其是心脑血管和血栓性疾病如动脉粥样硬化、心肌梗死、脑梗死、脑卒中和高血压等发生和发展密切相关。血脂异常可损伤血管壁内皮细胞,促使血小板粘附,聚集和释放,从而引起血小板各参数的变化[1]。为了探讨不同浓度胆固醇、甘油三酯对血小板(plt)计数、血小板平均体积(mpv)及血小板聚集率(pagt)的影响及其相关性,根据中国成人血脂异常防治指南(2007)[2],将不同含量tc和tg进行分组,对血小板参数和聚集率进行比较分析,评价这些指标对心脑血管和血栓性疾病发生风险的价值。
1 资料和方法
1.1 一般资料:2008年1月1日至2008年5月30日在我院体检人员中,抽取测定过血小板聚集率392例,其中男性293例,年龄35~65(平均46.5±9.8)岁,女性99例,年龄35~65(平均40.4±6.7)岁,根据中国成人血脂异常防治指南(2007)[2],将tc和tg分成六组,分别为对照组(tc<5.18mmol/l且tc<1.70mmol/l)、边缘升高tc组(tc 5.18~6.19mmol/l且tg<1.70mmol/l)、边缘升高tg组(tg 1.70~2.25mmol/l且tc<5.18mmol/l)、升高tc组(tc≥6.22mmol/l且tg<1.70mmol/l)、升高tg组(tg≥2.26mmol/l且tc<5.18mmol/l)、tc、tg均升高组(tc≥6.22mmol/l且tg≥2.26mmol/l)。排除高血压、糖尿病及肝肾疾病,排除药物干扰,各组间年龄和性别均无显著性差异。
1.2 试剂、检测方法:(1)全自动血球分析仪backman coulter lh750(美国)原装配套试剂,电阻抗法测定plt、mpv;四通道血小板聚集仪chrono_log aggro meter(美国),原装配套试剂,比浊法测定pagt;全自动生化分析仪olympus au2700(日本)上海丰汇医学科技有限公司提供试剂,酶法测定tc和tg。(2)受检者按常规取血至检验,以二磷酸腺苷(adp)0.5umol/l、2.0umol/l,肾上腺素(adr)2.78umol/l、5.56umol/l作为诱导剂,4h内检测完pagt,取最大聚集率;3ml凝固血分离血清检测tc和tg,3h内检测完。(3)质控:所用仪器严格按照sop操作,每日做室内质控,参加部省级室间质控,成绩优秀。
1.3 统计学方法:使用spss 11.0统计软件,全部实验数据均以x-±s表示,采用t检验,组间均数采用单因素方差分析并行pearson相关分析,p<0.05为差异有统计学意义。
2 结果
2.1 各组血小板参数及不同诱导剂刺激聚集率比较:见表1。各组参数与对照组比较,边缘升高tg组、边缘升高tg组、升高tc组、升高tg组、tc、tg均升高组结果mpv明显升高,存在显著性差异p<0.05~0.01;与对照组比较,pagt在诱导剂adp 0.05umol/l刺激下边缘升高tc组、边缘升高tg组、升高tc组、升高tg组、tc、tg均升高组结果pagtadp0.5明显升高,有显著性差异p<0.05~0.01,pagt在诱导剂adr 2.78umol/l刺激下,升高tc组、升高tg组、tc、tg均升高组比较结果pagtadr2.78明显升高,存在显著性差异p<0.05,pagt在诱导剂adp 2.0umol/l、adr 5.56umol/l刺激下,对照组与各组比较结果无显著性差异p>0.05;边缘升高tc组、边缘升高tg组、升高tc组、升高tg组、tc、tg均升高组五组之间mpv、pagt比较无显著性差异p>0.05;plt各组间比较无显著性差异p>0.05。表1 各组血小板各参数及不同诱导剂刺激的聚集率结果比较(注:与对照组比较p<0.05,p<0.01
2.2 相关性分析:tc、tg、mpv、pagt进行pearson相关分析,mpv与tc、tg结果存在正相关p<0.05,r值分别是rtc=0.208,rtg=0.215;pagtadp0.5、pagtadr2.78与tc、tg结果存在正相关p<0.05,r值分别是rtc adr0.5=0.156,rtc adr2.78=0.201,rtg adr0.5=0.147,rtg adr2.78=0.198。tc、tg与pagtadp2.0、pagtadr5.56结果无相关性p>0.05,r值分别是rtc adr2.0=0.016,rtg adr5.56=0.011,rtg adr2.0=-0.007,rtg adr5.56=0.010;mpv与pagtadp0.5、pagtadp2.0结果存在正相关p<0.05,r值分别是rmpv adp0.5=0.194,rmpv adr2.78=0.187,与pagtadp2.0、pagtadr5.56结果无相关性p>0.05,rmpv adp2.0=0.007,rmpv adr5.56=0.024。
3 讨论
血脂异常对人体最大危害是引起动脉粥样硬化,造成相应器官或组织供血不足。当血小板受到某些生理或病理因素作用时,血小板被大量激活。血脂代谢异常会使完整的血管内皮受损,消耗血小板,刺激骨髓巨核细胞增生血小板,导致mpv升高[3],mpv是血小板活化的一个指标,mpv越大表示体内血小板越容易被激活,本文结果,边缘组、升高组与对照组相比mpv升高(p<0.05~0.01)。
本文结果显示边缘组、升高组与对照组相比,pagt在诱导剂adp 0.5umol/l、adr 2.78umol/l刺激下明显升高(p<0.05~0.01),有报道[5]体积大的血小板功能活跃,致密小体含量多,释放adp、肾上腺素、血栓素等因子,促使血小板聚集,导致pagt升高,另外血管壁内皮细胞功能损伤,内皮细胞可释放出组织因子,产生血小板活化因子(paf)促进血小板聚集,同时因内皮细胞表面adp酶生成减少,使adp灭活减少,促使血小板聚集[5],进一步导致pagt升高。本文提示,pagt对低浓度诱导剂adp和adr刺激的敏感性较强(p<0.05~0.01),而对较高浓度的诱导剂adp和adr刺激时二者无明显差异(p>0.05),高浓度诱导剂不能反映患者血小板聚集功能的敏感度变化,这提示临床实验观察血小板聚集功能时应选择几种适当的浓度。
mpv与心脑血管疾病的发病和预后密切相关,是心肌梗死的和脑梗死的危险因素之一,pagt是血小板功能变化、血栓形成的最初阶段。本文分析表明,tc、tg与mpv、pagtadp0.5、pagtadr2.78,mpv与pagtadp0.5、pagtadr2.78均呈正相关(p<0.05),因此建议血脂异常人群有必要监测血小板参数及聚集功能,对预测心脑血管和血栓性疾病的发生风险具有参考价值。
【参考文献】
[1]王志军,柯元南,程文立,等.高脂血症大鼠血小板活化功能分析[j].中国比较医学杂志,2008,18(3):10-13.
[2]中国成人血脂异常防治指南制定联合委员会.中国成人血脂异常防治指南[j].中华心血管病杂志,2007,35(5):390-419.
[3]孙洪武,王鸿利.临床实验诊断学[m].上海:上海科学技术出版社,2001,51-114.
[4]丛玉隆,王淑娟.今日临床检验学[m].北京:中国科技出版社,1997,118-123.
医学人工智能技术范文2
机器人最近有点忙。时下正在热映的两部好莱坞大片《复仇者联盟2》和《超能查派》中都出现了机器人主角:奥创与查派,它们虽然在人物设定上大有不同,可归根结底,都是以人工智能主导的生命体。
人工智能听起来似乎离普通人的生活有点远,其实不然,翻译软件、Siri和无人驾驶汽车都是人工智能,只不过大多时候被称作“智能”而已。
当普通人还沉浸在对人工智能的好奇中,一些科学家和行业巨头却对人工智能的未来抱以担忧:人工智能是天使还是恶魔?
“人工智能或将成为人类的终结者。”英国著名宇宙学家史蒂芬霍金担心;特斯拉创始人艾伦马斯克也表示,人工智能的发展或许会成为人类面临的最大威胁;微软公司创始人比尔盖茨也曾发出类似警告。
实际上,这种“人工智能主宰论”绝非时兴起。现在,著名宇宙学家、硅谷企业家以及微软创始人也发出同样的警告,并且纷纷反对谷歌和微软等科技巨擘投资人工智能,这种忧虑的分量可想而知。
现在,超级计算机不离人手,机器人操控着各行各业……如果还将人工智能当做科幻片一般对其一笑置之,那么人类显然有点自欺欺人了。
对于人工智能,人们不能盲目着急,更应该想想如何趋利避害,理性地面对这些担忧。
首先,人类需要弄明白计算机现在可以做什么,以及未来可能会干什么。强大的计算机处理能力以及丰富的大数据资源促进了人工智能的蓬勃发展。如今的“深度学习”系统通过模拟人脑神经元来处理大量数据,已经可以自己完成模式识别和翻译等任务,其出色的效果几乎可以与人类相媲美。也正因此,过去曾经需要人脑完成的任务,如下棋、玩电子游戏,现在都可以交给电脑完成。2014年,Facebook推出的一款脸部识别计划DeepFace已经非常接近人脑的识别能力,准确率高达97%。
即便如此,人工智能的能力还是十分有限,功能还比较狭隘和具体。人工智能所产生的这种能力完全依靠机械式的数字运算,并不能像人脑那样通过独立意识、个人兴趣及爱好来完成任务。计算机也无法拥有人类思维对任何事物进行推断、判定及决策。
然而,不能否认的是,人工智能的迅猛发展已对人类生活产生了巨大影响,并对人类科技的进步起到关键性辅助作用。以象棋为例,现在计算机下棋完全不输人类。但世界上最好的棋手并不是计算机,而是国际象棋大师加里卡斯帕罗夫所称的“半人马”一―人类与计算机算法的合体。
这种人机合体的形式未来将成为各行各业的常态:人工智能技术将大大增强医生通过医学影像诊断癌症的能力;智能手机上的语音识别算法将为发展中国家数百万文盲实现上网梦想;数字助理将为学术研究提供有效的假设;而图像分类算法将使可穿戴设备佩戴者在真实世界里看到有用信息……
不过从短期来看,人工智能并非有益无害。例如,不管在专制国家还是在民主国家,人工智能将会给国家安全带来困扰:试想―下,人工智能可以监控数以十亿计的谈话内容,并且仅凭声音或者面部特征就能从茫茫人海中找到每一位公民,这种力量无疑对人类自由和隐私带来极大的威胁。
在人工智能的发展历程中,受伤害的终归是个人,最直接的后果是导致大量白领失业。在计算机诞生前,传统的计算工作是个苦差事,通常都是女性完成这种无止境的体力活。正如计算机让大批女工失业一样,人工智能将来也可能让白领下岗。人工智能所创造的财富将会用于新的领域,源源不断地创造出新的就业岗位,但现代白领的岗位将必然难保。
不过,霍金、马斯克和盖茨所担心的并不是人工智能会监控人类或导致白领失业,或者是好莱坞大片上的各种灾难会在现实生活中重演。他们的担忧则更长远,更具毁灭性:具有人类思维和兴趣的人工智能机器会不会与人类自身产生冲突,人类是否正在召唤“恶魔”?
不过,“恶魔”的出现还需要很长时间,或许永远也不会出现。尽管人类在人脑研究领域已经倒腾了一个世纪之久,但到目前为止,心理学家、神经学家、社会学家和哲学家们都还没弄明白人类思维究竟是怎么产生的,或者说思维到底是什么。如今在商业领域的人工智能产品在心智和自治意识上还有局限性。无人驾驶汽车比主人开车技术还好,这听起来还不{昔,但是一辆车可以自己决定去哪儿,迄今为止还只是个传说。
尽管距离霍金所说的全面人工智能时代还很遥远,但是谨慎起见,整个社会还是未雨绸缪为好,这看起来不算难,毕竟人类创造这种拥有超人能力的实体已有时日。政府机构、市场和军队都是这样的实体。
医学人工智能技术范文3
1影像组学的定义及方法概述
随着医学影像技术及成像手段的快速发展,所产生的医学图像数据量也越来越大,对图像获取和存储方面的质量控制,使得规范化、多模态的影像大数据集的建立成为可能。过去处理及使用小样本量图像数据的方法和模式,显然不能对图像的大数据信息进行充分的挖掘和利用。荷兰学者Lambin于2012年首次提出了影像组学(Radiomics)的概念[9],作为一种新兴的利用医学影像大数据对疾病进行定量分析预测的方法,可以从医学图像中获得更多客观定量、肉眼难以鉴别的影像学特征,再将其转换为可挖掘的高维数据信息,从而实现图像到数据的转换[10,11]。通过大量的自动化数据特征化算法的使用,影像组学能有效实现图像的采集与重组、病灶的分割及勾画,并通过对病灶影像组学特征的提取与筛选,最终完成影像组学模型的建立[11,12]。近些年来,影像组学已广泛应用于不同疾病的研究之中,在疾病检测、诊断、鉴别诊断及预后评估方面发挥着越来越重要的作用。此外,深度学习(Deeplearning)等人工智能技术的突破性发展,减少了传统影像组学人工提取数据特征的步骤,极大地缩短了从病灶影像组学特征提取到最终影像组学模型建立的时间,进一步促进了影像组学技术在医学图像处理等诸多领域的应用研究。
2影像组学在肝脏非肿瘤性病变中的研究进展
2.1肝纤维化及肝硬化的诊断评估
肝纤维化是各种慢性肝病发展为肝硬化或肝癌的过渡阶段,主要是由含大量胶原蛋白的细胞外基质(extracellularmatrix,ECM)过度沉积于肝小叶周围所引起,这些过度沉积的ECM阻碍正常肝细胞与血液间的物质交换,并最终引起肝细胞的的坏死、变性,从而诱发了肝纤维化等一系列的慢性肝损伤的过程。组织学上肝纤维化及部分肝硬化经治疗后可逆[14],因此早期精准地评估肝纤维化程度对于患者的治疗及预后十分重要。作为诊断是否存在肝纤维化和评估肝纤维化分期的“金标准”的肝活组织穿刺检查有创、可重复性差,并且肝纤维化的不均质性、穿刺活检样本量较少等因素,均会影响肝纤维化分期的准确性[13,14]。影像组学作为一种无创性的方法,可以对肝纤维化及肝硬化程度进行更加准确的评估。Park等[7]回顾性搜集436例不同肝纤维化患者的钆塞酸二钠增强MRI图像并构建影像组学肝纤维化指数模型,通过与肝活检结果对比并内部验证剔除相关性较低的特征,最终建立与肝纤维化分期相关性较高的模型,进行前瞻性验证后发现其诊断F2~F4、F3~F4级肝纤维化及F4级肝硬化的敏感度和特异度分别为71%、78%,79%、82%,92%、75%;表明基于钆塞酸二钠增强扫描肝胆期图像的影像组学分析能较为准确地进行肝纤维化的诊断及分期。Wang等[15]搜集12个临床医学中心,398例患者共1990幅超声二维剪切波弹性成像图像,采用深度学习算法之一的卷积神经网络(convolutionneuralnetwork,CNN)建立了超声弹性成像深度学习影像组学模型,并以肝活检作为金标准进行模型诊断效能的评估,结果显示该模型可显著提高对肝纤维化分期的准确性,其对肝硬化(F4)、晚期纤维化(≥F3)和显著性纤维化(≥F2)诊断的曲线下面积(AUC)值分别高达0.97、0.98和0.85,表现出极佳的诊断效能。有研究[16]采用纹理分析的方法对212例不同病理分期肝纤维化患者和77名志愿者肝脏多层螺旋CT图像进行分析后发现,随着肝纤维程度的逐步加重,由纹理分析所获得的峰度和偏斜度是逐步减低的,而平均灰度强度、熵则表现为依次增高,在区分不同分期肝纤维化和肝硬化时均显示出较高的诊断效能,特别是在诊断肝硬化(≥F4)时,峰度和偏斜度的诊断的AUC值分别为0.86、0.87,表明纹理分析不仅有助于检测肝纤维化的存在,还可用于肝纤维化的分期。综上所述,基于多种成像手段所构建的影像组学模型对肝纤维化及肝硬化均表现出较高的评估诊断效能,故影像组学的发展,可能为临床上早期发现、及时准确评估肝纤维化及肝硬化程度提供帮助,但基于不同成像手段所建立的影像组学模型间性能差异的研究,有待进一步的探索。
2.2门静脉高压及GOV破裂出血风险的评估
肝硬化失代偿期常伴随门静脉高压症的出现,其严重程度与肝硬化所导致的相关并发症如GOV、肝性脑病、腹腔积液等密切相关,因此,准确地评估门静脉高压程度十分重要。但是,目前评估门静脉压力变化的金标准肝静脉压力梯度(hepaticvenouspressuregradient,HVPG)为有创检查、且费用较高,不利于临床常规开展[17,18]。GOV破裂出血是晚期肝硬化最常见、最严重的并发症,也是患者死亡的主要原因,相关研究显示近50%门静脉高压症患者可出现GOV,在肝功能C级的患者中,GOV出现概率高达85%,食管胃十二指肠内镜是诊断GOV的“金标准”[19],主要通过观察内镜下GOV的范围、程度及“红色征”等进行出血风险的评估,但内镜检查对于GOV程度严重的患者可重复性差。影像组学的出现,为门静脉高压及GOV破裂出血风险的无创性评估提供了新的选择。Liu等[20]基于222例不同程度门静脉高压患者的增强CT图像构建了临床显著性门静脉高压(clinical-lysignificantportalhypertension,CSPH)的非侵入性影像组学模型,并通过4个外部验证队列中163例患者,对该模型的诊断性能进行了前瞻性检验,结果显示该模型不仅在内部验证集中诊断CSPH的AUC值高达0.849,在4个外部前瞻性验证队列中,该模型诊断CSPH的AUC值也分别高达0.889、0.800、0.917、0.827,提示该影像组学模型可作为无创检测肝硬化CSPH的一种准确方法。Yang等[21]通过分析两个临床医学中心共295例乙肝肝硬化患者的肝脏三期增强CT图像,从门静脉期CT图像提取出21个与GOV出血关系密切的影像组学特征,并结合了3个临床特征(性别、门静脉高压、门静脉栓子有无),建立了用于预测乙肝肝硬化患者继发GOV出血的CT影像组学模型,结果表明该影像组学模型的预测效能明显优于临床模型(AUC0.83vs0.64),对于GOV破裂出血的预测,在训练队列与验证队列中,该模型预测的准确率分别为76%、73%,是一种有效预测GOV破裂出血的无创性方法。此外,还有研究[22]基于169个门静脉高压患者的CT图像,建立了一个肝、脾特征联合的影像组学模型,并对62例接受GOV治疗的患者进行了验证队列研究,结果表明该模型不仅可以用于门静脉高压的诊断,还可用于GOV出血复发风险的预测,以29.102mmHg为最佳截断值时,相应的AUC可高达0.866,提示该影像组学模型可作为无创、精准预测继发于门静脉高压症的GOV治疗效果的有效的参考指标。影像组学无创、可重复性强,在门静脉压力及GOV出血风险的评估中潜力巨大,但模型预测效能的稳定性及泛化能力,仍需进一步的临床研究进行证明。
2.3肝脏储备功能的评估
肝脏储备功能状态的准确评估,关乎肝病患者,尤其是肝癌患者治疗方式的选择及预后[23]。Child-Pugh分级评分系统是临床应用最广泛的肝脏储备功能评分标准,但Child-Pugh分级具有高度的变异性,易受患者胆汁排泄、门静脉栓子形成等因素的影响,从而影响临床工作中对患者肝脏储备功能评估的准确性[24,25]。影像组学通过高通量的提取和处理图像信息,可以对疾病进行更准确、更全面的评估。Simp-son等[26]对12例接受大范围肝切除术后并发肝功能不全和24例未出现肝功能不全患者的术前CT图像进行纹理分析,发现术后并发肝功能不全患者术前CT上肝实质的质地明显不同,术后并发肝功能不全者不仅对称性较差,均匀性也较差,并且两组患者纹理特征之一的熵值间也存在显著的差异,故从术前CT图像中提取的纹理特征,可用于预测患者术后肝功能衰竭发生概率,可作为提供术前风险分层的另一种手段。Zhu等[27]基于101例患者的术前钆塞酸二钠增强MRI图像,使用影像组学的方法从肝胆相图像中提取了61个影像组学特征,并最终筛选出5个影像组学特征用于建立术前预测肝癌患者术后肝功能的影像组学模型,其结果表明该模型对于预测术后肝功能衰竭发生概率具有良好的预测效能,模型预测的AUC值高达0.894,可用于预测肝硬化患者肝大部切除术后的肝功能衰竭。Zhou等[25]通过100例不同肝脏储备功能肝硬化患者钆塞酸二钠增强MRI肝胆期图像所建立的评估肝脏储备功能的列线图预测模型,在预测肝脏储备功能方面,也显示出良好的效能,在训练集及验证集中,其预测肝脏储备功能Child-PughB+C级患者的AUC值分别为0.88和0.86。影像组学在肝脏储备功能评估中具有一定的价值,但不同病因患者间肝脏储备功能影像组学特征间是否存在差异,以及所建立评估肝脏储备功能模型的泛化能力,还有待进一步的研究。
2.4与肝脏肿瘤性病变的鉴别诊断
肝脏局灶性病变良恶性的准确判断,对于临床治疗方式的选择及患者的预后来说十分重要。但部分非肿瘤性病变和肿瘤性病变、良性肿瘤性病变和恶性肿瘤性病变之间影像学表现存在交叉,易出现误诊。影像组学能深度挖掘医学影像图像的影像特征信息,从而降低对肝脏局灶性病变的误诊率。Suo等[28]通过纹理分析的方法对20例肝脓肿患者及26例肝脏恶性肿瘤患者的增强CT图像分析后发现,纹理特征之一的熵值能较为准确区分肝脓肿与肝脏恶性肿瘤,其诊断的灵敏度与特异度分别为81.8%、88.0%,AUC值高达0.888。Nie等[29]基于55例非肝硬化肝局灶性结节增生患者和101例肝癌患者的CT影像资料,从增强CT图像中进行病灶勾画后提取了4227个影像组学特征,通过降维方法将其缩减为10个影像组学特征,并联合性别、年龄,病灶大小、形状、中央瘢痕征有无等主观评价条件构建了一个用于鉴别诊断肝脏局灶性结节增生与肝癌的影像组学模型,结果显示该模型在训练集及验证集区分两者的AUC分别高达0.979和0.917,具有良好的预测效能。而钟熹等[30]对31例患者肝硬化结节常规T2WI序列进行纹理分析的结果之中,纹理参数如对比度、逆差距,能量、相关性、熵值均具有统计学意义,能有效进行小肝癌及局灶性增生的鉴别诊断。有研究[31]运用机器学习算法之一的随机森林算法,通过获取动脉期CT图像纹理特征及性别、年龄等临床特征,建立了肝脏富血供病变类别的预测模型,结果显示其诊断肝腺瘤、局灶性结节增生及肝细胞癌的准确率分别为91.2%、94.4%、98.6%。以上结果提示:影像组学对肝脏非肿瘤性病变及肿瘤性病变有较强的鉴别诊断效能,能显著提高肝脏局灶性病灶的影像诊断准确率。
3肝脏非肿瘤性病变影像组学的挑战与展望