人工智能驱动医学影像精准诊疗：多系统临床应用与转化的进展和挑战
赵文哲;刘军;人工智能正在深刻改变医学影像学的全流程，覆盖了从疾病筛查、智能诊断到风险分层和临床决策支持的各个环节，展现出巨大的临床应用价值。随着计算能力的提升和算法的快速发展，深度学习、生成模型以及Transformer等先进方法已在神经系统和头颈、胸部、腹部、心血管、乳腺及骨肌系统等多个领域得到广泛应用，并在病灶自动分割、疾病精准分类、预后风险预测等方面取得了突破性进展，不仅提升了影像解读的效率与准确性，也推动了个体化医疗的发展。本文将基于解剖学分类的视角，系统梳理人工智能在医学影像中的典型应用场景，重点阐述其在不同系统疾病诊治中的优势与挑战，并进一步探讨当前临床研究与转化应用的最新进展及未来发展趋势。
基于机器学习的男性膀胱出口梗阻诊断模型
杨正龙;胡友民;陈忠;周全;目的 构建一种针对男性膀胱出口梗阻的机器学习诊断模型。方法 采用回顾性分层抽样收集华中科技大学同济医学院附属同济医院2019—2024年580例男性患者尿动力学检查数据（梗阻290例/非梗阻290例），提取15项特征值，建立数据集。选取不同的特征组合构建模型并利用数据集对不同模型进行训练并验证。以精确度、召回率、F1值、准确度和特异性为评价指标评估模型的性能。结果 采用五折交叉验证，当特征数量为11项时模型性能最优，其曲线下面积值达0.95±0.02。该模型性能显著优于传统方法 （尿道阻力线性图与膀胱排出梗阻指数）。结论 基于反向传播神经网络的机器学习模型，对男性膀胱出口梗阻具有良好的诊断价值。
基于YOLO v11网络的小肠胶囊内镜病变自动分割AI系统开发
陈健;徐晓丹;张子豪;徐璐;夏开建;王甘红;目的 构建人工智能辅助系统，实现小肠胶囊内镜(SBCE)图像中8类病变的自动检测与分割。方法 整合3个数据集的SBCE图像，使用LabeMe工具多边形标注病变，并转换为YOLO模型兼容的格式，用于神经网络模型的训练、验证与测试，包含13 983张图像和17 911个注释标签。模型性能评估指标包括精确率、灵敏度、50%交并比阈值下的平均精度(mAP50)、50%～95%交并比阈值下的平均精度均值(mAP50～95)、推理速度等指标。结果 共开发出5种不同规模的YOLO v11分割模型(v11n、v11s、v11m、v11l、v11x)。其中，YOLO v11m在保持最高mAP50(0.908)的同时，实现了较快的推理速度(208.3帧/s)，因此被选为最佳模型。在外部测试集中，YOLO v11m对8类小肠病变的分割任务取得了0.892的总体mAP50，其中息肉和淋巴管扩张的分割精度最高，mAP50～95分别为0.723和0.707，而出血类别的mAP50～95最低，仅为0.409。结论 基于YOLO v11神经网络开发的SBCE图像分割模型YOLO v11m具有良好的识别性能，能够自动实现多类别小肠病变的精准定位、分类，并准确勾勒病变的像素级轮廓。
深度学习应用于腋神经的超声图像识别
程偲;张明;黄生辉;胡万均;目的 探讨并验证一种腋神经自动分割的深度学习模型，以实现实时自动识别腋神经的解剖结构。方法 回顾性分析100例患者（男54例、女46例）的腋神经超声图像，采用软件ITK-SNAP手动标记，建立数据集并分为训练集与测试集；基于U-Mamba框架构建一种腋神经自动分割的深度学习模型；以平均交并比（mIoU）、平均骰子相似系数（mDice）及准确度为评价指标评估模型的性能。结果 共纳入831张超声图像构建数据集。其中训练集683张，测试集148张。训练集的总mIoU为0.980,mDice为0.990。测试集的总mIoU为0.672,mDice为0.776，分割准确度为99.3%。经过5折交叉验证的IoU中位数（四分位数）为0.981(0.978,0.983)。结论 基于U-Mamba的深度学习模型，在自动识别腋神经解剖结构时获得良好的效果，具有较高的临床应用价值。
视觉线索训练对帕金森病伴冻结步态患者抑制性控制功能的影响
楚小华;王线妮;任婷婷;范静;孙晓龙;张苗;目的 探讨视觉线索康复训练对帕金森病（PD）伴冻结步态（FOG）患者大脑抑制性控制功能的影响，并分析其与运动状态改善之间的关联性。方法 选取72名PD伴FOG患者，通过简单随机法分为常规药物治疗组（对照组）与常规药物治疗联合视觉线索训练组（试验组）。采集治疗前及干预一周后的抑制性控制任务（Go/NoGo）功能评分，FOG量表（FOG-Q）及简易平衡评定系统测试（mini-BESTest）评分。干预前组间比较采用独立样本t检验；干预后组间比较以基线值为协变量采用协方差分析。采用Pearson相关分析评估大脑控制能力与运动功能的相关性。结果 两组在性别、年龄、受教育程度及病程的差异均无统计学意义（P > 0.05）。经视觉线索训练，试验组NoGo错误率显著降低（F=4.471,P=0.038）,FOG-Q评分显著降低（F=31.477,P<0.001）,mini-BESTest评分显著提高（F=40.163,P<0.001）。试验组FOG-Q与NoGo错误率呈正相关关系（r=0.480,P=0.005）。结论 对PD伴FOG患者进行视觉线索训练有助于患者恢复大脑抑制性控制功能，改善FOG症状与平衡功能。
乙型肝炎肝硬化患者脑功能改变的图论分析
任虎玲;苟露斌;高玉岭;王彦斐;兰金辉;李鹏强;窦郁;雷军强;目的 探讨乙型肝炎肝硬化患者的脑功能网络拓扑属性改变及功能连接异常，并评估其拓扑学特征与患者认知表现的关联。方法 纳入兰州大学第一医院感染科2023年11月—2024年11月经临床确诊的乙型肝炎肝硬化患者32例作为乙型肝炎肝硬化组，招募健康志愿者31例为对照组，所有受试者均接受头部磁共振成像扫描和规范的神经心理学测试。采用联影科研平台、MATLAB R2024a软件分析三维T1加权成像及血氧水平依赖功能磁共振成像数据，并比较两组之间的网络拓扑属性和功能连接差异，分析网络拓扑学特征与认知评分之间的相关性。结果 与对照组相比，乙型肝炎肝硬化组的平均局部效率（F=6.316,P=0.015）、平均聚类系数（F=5.187,P=0.026）显著降低，部分脑区节点的拓扑属性呈降低趋势，但经多重比较校正后，差异均无统计学意义（P>0.05），功能连接分析显示肝硬化组存在1个连接显著增强和2个连接显著降低的子网络（P<0.05）。结论 乙型肝炎肝硬化患者存在脑功能网络拓扑组织损害，脑网络水平分析有助于了解肝硬化患者发生认知功能缺陷的神经病理学机制。
人工髋关节置换术后深静脉血栓列线图预测模型
陈晓宇;孛茹婷;袁宇;目的 探讨人工髋关节置换术后发生深静脉血栓（DVT）的独立风险因素，并构建预测DVT发生的列线图模型。方法 回顾分析了2022年9月—2023年12月在天津大学天津医院行人工髋关节置换术的350例髋部骨折患者临床资料，根据术后彩超结果，将病例分为血栓组及非血栓组，采用单因素及多因素Logistic回归分析人工髋关节置换术后患者发生DVT的危险因素，建立列线图预测模型并进行验证，采用受试者操作特征曲线评价各独立危险因素及列线图模型对DVT的诊断效能。结果 多因素Logistic分析显示：年龄、受伤—手术时间间隔、术后D-二聚体、纤维蛋白原及术前DVT是术后DVT发生的独立危险因素。多种因素联合诊断的列线图模型曲线下面积为0.790(95%CI:[0.742,0.839])，大于各独立因素，具有良好的诊断价值；校准曲线显示列线图对人工髋关节术后DVT的预测概率具有较好的校正效果；决策曲线显示列线图具有较高的临床应用价值。结论 本文构建的列线图对人工髋关节置换术后DVT的发生具有良好的预测价值。
盆腔器官脱垂患者子宫托治疗的依从性及影响因素分析
熊正花;苗娅莉;陆金芝;龙熙翠;冯媛;杨丽晔;赵菊芬;韩雪松;目的 调查盆腔器官脱垂患者对子宫托治疗的依从性并分析其影响因素。方法 选择106例首次佩戴子宫托成功的患者，收集其临床资料并随访3、6、12个月，记录佩戴率，以佩戴子宫托12个月者为依从组，佩戴少于12个月者为不依从组；采用多因素Logistic回归分析探讨影响子宫托依从性的因素，使用受试者操作特征（ROC）曲线评估有利于持续佩戴子宫托的指标。结果 纳入依从组患者62例，不依从组44例；随访3、6、12个月的子宫托持续佩戴率分别为96.23%(102例)、77.36%(82例)、58.49%(62例)；多因素Logistic回归分析显示年龄、阴裂（gh）、阴道总长度（TVL）为盆腔器官脱垂患者对子宫托治疗依从性的独立影响因素（P<0.05）；年龄> 64岁[ROC曲线下面积（AUC）=0.754]、gh<3 cm(AUC=0.626)、TVL > 7 cm(AUC=0.728)的患者持续佩戴子宫托比例更高，且年龄、gh、TVL可作为盆腔器官脱垂患者子宫托治疗依从性的预测指标；44例患者终止使用子宫托的原因包括自觉子宫托护理繁琐（9例）、自觉原有脱垂症状消失（4例）、受孕（3例）、认为治疗效果不佳（4例）以及并发症（24例）。结论 盆腔器官脱垂患者短期内使用子宫托治疗的依从性高，但随着使用时间的延长，依从性受年龄、gh和TVL的影响而降低。年龄> 64岁、gh<3 cm和TVL > 7 cm可作为子宫托治疗依从性降低的预测指标。
公告栏
网站访问量
今日访问量: 0