检索结果-维普期刊中文期刊服务平台

基于自动化机器学习构建胆总管结石自发排石预测模型及应用程序: 1; 作者陈健夏开建 +3 位作者高福利刘罗杰王甘红徐晓丹《临床肝胆病杂志》北大核心 2025年第3期518-527,共10页; 目的鉴于胆总管结石患者治疗决策的复杂性,本研究利用自动化机器学习算法,开发一款能够预测胆总管结石患者自发排石的预测模型及应用程序,从而减少非必要内镜逆行胰胆管造影(ERCP)。方法回顾性收集2022年1月—2024年6月通过影像学手段... 展开更多; 关键词胆总管结石病胰胆管造影术内窥镜逆行机器学习预测模型; 在线阅读下载PDF 职称材料

基于卷积神经网络建立中药材自动识别的人工智能模型及应用程序被引量：1: 2; 作者王甘红张子豪 +3 位作者奚美娟夏开建周燕婷陈健《中国全科医学》北大核心 2025年第9期1128-1136,共9页; 背景传统中药材检测手段依赖主观经验,难以满足中药材在准确分类与鉴别方面的需求。目的基于卷积神经网络(CNN)开发一款能够自动识别163种中药材的人工智能模型及电脑端应用程序。方法2020年1月—2024年6月,采集了两个中药材数据集进行... 展开更多; 关键词中药材模式识别自动中药药材学应用程序人工智能 PyQt5 卷积神经网络; 在线阅读下载PDF 职称材料

基于炎症因子、肺超声和CT评分系统的急性胰腺炎预后不良列线图预测模型的构建: 3; 作者任夏叶叶 +2 位作者刘罗杰徐晓丹张岩《临床肝胆病杂志》北大核心 2025年第4期713-721,共9页; 目的本研究旨在通过分析急性胰腺炎(AP)患者的炎症因子、肺超声评分及CT评分系统,识别AP预后不良的独立危险因素,并构建列线图预测模型,为临床早期干预提供依据。方法选取2021年1月—2023年10月苏州大学附属常熟医院收治的409例AP患者... 展开更多; 关键词胰腺炎 C反应蛋白质白细胞介素类肺超声列线图; 在线阅读下载PDF 职称材料

基于YOLO神经网络构建压力性损伤自动检测和分期的人工智能模型被引量：4: 4; 作者王珍妮须月萍 +2 位作者夏开建徐晓丹顾丽华《中国全科医学》 CAS 北大核心 2024年第36期4582-4590,共9页; 背景随着人口老龄化,压力性损伤(PI)的发病率逐渐增加,这不仅严重影响了患者的生存质量,还增加了医保支出。然而,PI的早期发现和准确分期极大地依赖于专业培训。目的构建并测试一个用于PI自动检测和分期的人工智能模型,以提高PI诊断的... 展开更多; 关键词压力性损伤人工智能深度学习 YOLO 目标检测神经网络模型 APP; 在线阅读下载PDF 职称材料

题名基于自动化机器学习构建胆总管结石自发排石预测模型及应用程序: 1; 作者陈健夏开建高福利刘罗杰王甘红徐晓丹; 机构常熟市第一人民医院消化内科常熟市医学人工智能与大数据重点实验室常熟市中医院消化内科; 出处《临床肝胆病杂志》北大核心 2025年第3期518-527,共10页; 基金姑苏卫生人才培养项目(GSWS2020109) 苏州市第二十三批科技发展计划项目(SLT2023006) +1 种基金常熟市科技发展计划项目(CS202019,CSWS202316)。; 文摘目的鉴于胆总管结石患者治疗决策的复杂性,本研究利用自动化机器学习算法,开发一款能够预测胆总管结石患者自发排石的预测模型及应用程序,从而减少非必要内镜逆行胰胆管造影(ERCP)。方法回顾性收集2022年1月—2024年6月通过影像学手段明确诊断胆总管结石后拟行ERCP取石的患者数据,数据来自常熟市第一人民医院(数据集1)和常熟市中医院(数据集2),共835例。数据集1用于机器学习模型训练、内部验证和开发应用程序,数据集2用于外部测试。纳入22个潜在预测变量,用于构建和内部验证LASSO回归模型及自动化机器学习模型。通过受试者操作特征曲线下面积(AUC)、敏感度、特异度、准确率等评估模型性能,选取最佳模型。使用特征重要性图、力图和SHAP图对模型进行解释。利用Python Dash库和最佳模型构建Web应用程序,在数据集2上进行外部测试。使用Kolmogorov-Smirnov检验确定数据是否符合正态分布;对于不符合正态分布的连续变量,使用Mann-Whitney U检验进行2组间比较;分类变量通过χ^(2)检验或Fisher精确检验来分析组间差异。结果纳入835例患者中,152例(18.20%)出现自发排石。在训练集(n=588)和验证集(n=171)中,LASSO模型的AUC分别为0.875、0.864,重要性排名前5的预测因素为单发胆总管结石、胆总管不扩张、胆总管结石直径、血清ALP降低和GGT降低。通过自动化机器学习构建了55个模型,其中梯度提升机(GBM)表现最佳,其AUC为0.891,95%CI为0.859~0.927,优于极端随机树(XRT)、深度学习(DL)、广义线性模型(GLM)和分布式随机森林(DRF)模型。在测试集(n=76)中,GBM模型的预测准确率、敏感度和特异度分别为0.855、0.846和0.857。变量重要性分析显示,单发胆总管结石、胆总管不扩张、胆总管结石直径<8 mm、血清ALP降低和GGT降低这5个因素对预测自发排石具有重要影响。基于GBM模型的SHAP图分析显示,当患者出现单发胆总管结石、胆总管不扩张、胆总管结石直径<8 mm、血清ALP及GGT降低时,出现自发性排石的概率明显增加。结论基于自动化机器学习算法构建的GBM模型及应用程序,在预测胆总管结石患者自发排石方面展现出良好的预测性能和使用便捷性。该应用程序能够帮助避免非必要的ERCP,从而降低手术风险和医保支出。; 关键词胆总管结石病胰胆管造影术内窥镜逆行机器学习预测模型; Keywords Choledocholithiasis Cholangiopancreatography,Endoscopic Retrograde Machine Learning Predictive Model; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程] TP391.41 [自动化与计算机技术—计算机应用技术] R575.7 [医药卫生—消化系统]; 在线阅读下载PDF 职称材料

题名基于卷积神经网络建立中药材自动识别的人工智能模型及应用程序被引量：1: 2; 作者王甘红张子豪奚美娟夏开建周燕婷陈健; 机构江苏省常熟市中医院(常熟市新区医院)消化内科上海豪兄教育科技有限公司江苏省常熟市医学人工智能与大数据重点实验室江苏省常熟市第一人民医院消化内科; 出处《中国全科医学》北大核心 2025年第9期1128-1136,共9页; 基金常熟市医学人工智能与大数据重点实验室能力提升项目(CYZ202301) 常熟市医药卫生科技计划项目(CSWS202316) +2 种基金苏州市应用基础研究科技创新项目(SYWD2024059)。; 文摘背景传统中药材检测手段依赖主观经验,难以满足中药材在准确分类与鉴别方面的需求。目的基于卷积神经网络(CNN)开发一款能够自动识别163种中药材的人工智能模型及电脑端应用程序。方法2020年1月—2024年6月,采集了两个中药材数据集进行深度学习模型的训练、验证和测试,共包含163种中药材。通过准确率、灵敏度、特异度、精确率、受试者工作特征(ROC)曲线下面积(AUC)、F1分数等指标来衡量CNN模型的性能。在模型训练完成后,基于PyQt5技术开发了一款应用程序,供临床便携使用。结果本研究共纳入了276767张图像,开发了EfficientNetB0、ResNet50、MobileNetV3、VGG19和ResNet185种模型,通过性能比较,EfficientNet_B0模型在验证集上取得了最高的准确率(99.0%)和AUC(0.9942),被选为最佳模型。在测试集上,最佳模型对所有中药类别识别的准确率为99.0%、灵敏度为99.0%、特异度为100.0%、AUC为1.0,展现出良好的性能。结论基于卷积神经网络开发的深度学习模型能够快速准确地识别163种中药材,借助其高灵敏度的识别能力,为医师对中药材的鉴别提供有力辅助。; 关键词中药材模式识别自动中药药材学应用程序人工智能 PyQt5 卷积神经网络; Keywords Traditional Chinese medicine herbals Pattern recognition,automated Materia Medica Science(TCD) Application Artificial intelligence PyQt5 Convolutional neural networks; 分类号 R282 [医药卫生—中药学]; 在线阅读下载PDF 职称材料

题名基于炎症因子、肺超声和CT评分系统的急性胰腺炎预后不良列线图预测模型的构建: 3; 作者任夏叶叶刘罗杰徐晓丹张岩; 机构苏州大学附属常熟医院(常熟市第一人民医院)消化内科苏州大学附属常熟医院(常熟市第一人民医院)重症医学科; 出处《临床肝胆病杂志》北大核心 2025年第4期713-721,共9页; 基金苏州市科技发展计划项目(SLT2023006) 常熟市科技发展计划重点项目(CSWS202209) 中华国际医学交流基金会呼吸疾病专项项目(Z-2014-08-2309-1)。; 文摘目的本研究旨在通过分析急性胰腺炎(AP)患者的炎症因子、肺超声评分及CT评分系统,识别AP预后不良的独立危险因素,并构建列线图预测模型,为临床早期干预提供依据。方法选取2021年1月—2023年10月苏州大学附属常熟医院收治的409例AP患者为研究对象,使用简单随机抽样法以7∶3分为建模组(n=288)和验证组(n=121)。各组依据转归情况分为预后不良组与预后良好组。于入院72 h内检测患者C反应蛋白(CRP)、降钙素原(PCT)、IL-6、IL-10、TNF-α水平,并在入院48~72 h评估肺超声(LUS)评分、改良CT严重指数(MCTSI)评分和胰腺外炎症CT(EPIC)评分。符合正态分布的计量资料组间比较采用成组t检验;非正态分布的计量资料组间比较采用Mann-Whitney U秩和检验。计数资料组间比较采用χ2检验。使用LASSO回归筛选变量并纳入多因素Logistic回归模型,分析AP预后不良的独立危险因素,构建列线图预测模型,采用受试者操作特征曲线(ROC曲线)和校准曲线评估列线图模型的区分度和拟合优度,决策曲线分析评价预测模型的临床适用性。结果288例建模组AP患者中,预后不良组33例(11.46%),预后良好组255例(88.54%);121例验证组AP患者中,预后不良组13例(10.74%),预后良好组108例(89.26%)。建模组中,与预后良好组相比,预后不良组CRP(Z=3.607)、IL-6(Z=4.189)、TNF-α(t=2.584)水平,以及LUS评分(t=8.075)、MCTSI评分(t=5.929)、EPIC评分(t=8.626)均较高(P值均<0.05);多因素Logistic回归分析显示,CRP(OR=3.592,95%CI:1.272~10.138)、IL-6(OR=4.225,95%CI:1.468~12.156)、TNF-α(OR=3.540,95%CI:1.205~10.401)、LUS评分(OR=7.094,95%CI:2.398~20.986)、MCTSI评分(OR=7.612,95%CI:2.832~20.462)及EPIC评分(OR=11.915,95%CI:4.007~35.432)是AP患者发生预后不良的独立危险因素(P值均<0.05)。依据以上6项,建立列线图预测模型,ROC曲线下面积(AUC)为0.924(95%CI:0.883~0.964);最佳截断值的约登指数为0.670,灵敏度为0.909,特异度为0.761;校准曲线显示建模组及验证组的预测结果与观察结果之间均具有良好的一致性;决策曲线分析提示预测模型具有临床有效性。结论基于CRP、IL-6、TNF-α、LUS评分、MCTSI评分及EPIC评分构建的AP患者预后不良的风险预测列线图模型有较好的预测效能,可为AP患者临床早期强化治疗方案提供重要策略指导。; 关键词胰腺炎 C反应蛋白质白细胞介素类肺超声列线图; Keywords Pancreatitis C-Reactive Protein Interleukins Lung Ultrasound Nomograms; 分类号 R576 [医药卫生—消化系统]; 在线阅读下载PDF 职称材料

题名基于YOLO神经网络构建压力性损伤自动检测和分期的人工智能模型被引量：4: 4; 作者王珍妮须月萍夏开建徐晓丹顾丽华; 机构江苏省常熟市第一人民医院消化内科江苏省常熟市第一人民医院护理部江苏省常熟市第一人民医院医学人工智能与大数据重点实验室; 出处《中国全科医学》 CAS 北大核心 2024年第36期4582-4590,共9页; 基金苏州市护理学会科研项目(SZHL-B-202407) 常熟市医学人工智能与大数据重点实验室能力提升项目(CYZ202301) 苏州市第二十三批科技发展计划项目(SLT2023006)。; 文摘背景随着人口老龄化,压力性损伤(PI)的发病率逐渐增加,这不仅严重影响了患者的生存质量,还增加了医保支出。然而,PI的早期发现和准确分期极大地依赖于专业培训。目的构建并测试一个用于PI自动检测和分期的人工智能模型,以提高PI诊断的实时性、准确性和客观性。方法选取常熟市第一人民医院压疮电子化管理系统中2021年1月—2024年2月的693张PI图像,将图像随机划分为训练集(551张)和测试集(142张),并按照2019年美国压疮咨询委员会(NPUAP)制订的PI预防和治疗指南分为6期,包括:Ⅰ期154张、Ⅱ期188张、Ⅲ期160张、Ⅳ期82张、深部组织损伤期57张、不可分期52张。利用基于5种不同版本的YOLOv8[nano(n)、small(s)、medium(m)、large(l)和extra large(x)]神经网络和迁移学习,建立针对PI的深度学习目标检测模型。模型评价指标包括精确度、准确率、灵敏度、特异度及检测速度等。最后,通过Ultralytics Hub平台将模型部署到手机应用程序(App)中,实现AI模型在临床工作中的应用。结果在对包含142张PI图像的测试集进行评估时,YOLOv8l版本在确保高精确度(0.827)的同时,也展现了较快的推理速度(68.49帧/s),与其他YOLO版本相比,在精确度与速度之间取得了最佳的平衡。具体而言,其在所有类别上的整体准确率为93.18%,灵敏度为76.52%,特异度为96.29%,假阳性率为3.72%。在6个PI分期中,模型预测Ⅰ期的准确率最高,达到95.97%;预测Ⅱ期、Ⅲ期、Ⅳ期、深部组织损伤期、不可分期分别取得了91.28%、91.28%、91.95%、95.30%和93.29%的准确率。就处理速度而言,YOLOv8l处理142张图像的总耗时为2.07 s,平均每秒可处理68.49张PI图像。结论基于YOLOv8l网络的AI模型能够快速、准确地对PI进行检测和分期。将该模型部署到手机App中,能够在临床实践中便携使用,具有很大的临床应用潜力。; 关键词压力性损伤人工智能深度学习 YOLO 目标检测神经网络模型 APP; Keywords Pressure injury Artificial intelligence Deep learning YOLO Object detection Neural network models App; 分类号 R473.75 [医药卫生—护理学]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于自动化机器学习构建胆总管结石自发排石预测模型及应用程序	陈健夏开建高福利刘罗杰王甘红徐晓丹	《临床肝胆病杂志》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于卷积神经网络建立中药材自动识别的人工智能模型及应用程序	王甘红张子豪奚美娟夏开建周燕婷陈健	《中国全科医学》北大核心	2025	1	在线阅读下载PDF 职称材料
3	基于炎症因子、肺超声和CT评分系统的急性胰腺炎预后不良列线图预测模型的构建	任夏叶叶刘罗杰徐晓丹张岩	《临床肝胆病杂志》北大核心	2025	0	在线阅读下载PDF 职称材料
4	基于YOLO神经网络构建压力性损伤自动检测和分期的人工智能模型	王珍妮须月萍夏开建徐晓丹顾丽华	《中国全科医学》 CAS 北大核心	2024	4	在线阅读下载PDF 职称材料