目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方...目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方法基于深度学习Transformer和迁移学习,设计一种纯粹注意力机制模型,用于中医声诊体质辨识。采集了34名受试者的700条语音,对语音数据预处理得到对应梅尔频谱图,并利用基于公共数据集预训练的Transformer模型来提升模型对音频分类的性能。结果实验结果准确率为83.33%,曲线下面积(Area under curve,AUC)为92.16%,灵敏度为80.25%,特异性为87.03%,与使用卷积神经网络(Convolutional neural network,CNN)来构建的深度学习模型相比性能更佳。结论本文湿热质和平和质辨识模型Transformer取得了更优的辨识效果,表明其可提高中医声诊体质识别效率,能够推动体质辨识客观化和智能化发展。展开更多
目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic str...目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。展开更多
文摘目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方法基于深度学习Transformer和迁移学习,设计一种纯粹注意力机制模型,用于中医声诊体质辨识。采集了34名受试者的700条语音,对语音数据预处理得到对应梅尔频谱图,并利用基于公共数据集预训练的Transformer模型来提升模型对音频分类的性能。结果实验结果准确率为83.33%,曲线下面积(Area under curve,AUC)为92.16%,灵敏度为80.25%,特异性为87.03%,与使用卷积神经网络(Convolutional neural network,CNN)来构建的深度学习模型相比性能更佳。结论本文湿热质和平和质辨识模型Transformer取得了更优的辨识效果,表明其可提高中医声诊体质识别效率,能够推动体质辨识客观化和智能化发展。
文摘目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。
