阿尔茨海默病的基因组学与功能基因组学研究进展

 阿尔茨海默病（AD）是最常见的神经退行性疾病与最主要的痴呆类型，其发病率随着年龄增加而呈指数式增长。随着人口老龄化，AD造成的社会经济负担愈趋严重。AD的遗传力接近80%，其人群易感程度、表型差异等性状特征受机体遗传变异的极大影响。总结了基于家系连锁分析、病例对照全基因组关联分析、全基因组测序等基因组学分析手段鉴定与AD发生发展相关的遗传变异与风险基因，梳理了基于各种组学数据的功能基因组学研究手段，解析遗传变异背后的调控元件、效应基因及其分子过程的研究进展。对风险基因及其转录与蛋白水平改变的揭示，可为AD的发病机制解析、药物开发、精准诊断与早期预测提供直接的靶点。     

中国科学院自动化研究所等通过多中心脑功能影像准确刻画阿尔茨海默病脑活动和脑网络异常

正阿尔茨海默病(Alzheimer Disease, AD)是一种不可逆的神经退行性疾病。大量基于功能磁共振影像的研究提示AD可能是一种失连接综合征。但是由于缺乏大样本、多站点的数据集交互验证,迄今为止与AD脑功能活动、脑连接的异常模式还没有得到清晰一致的结论,脑功能活动是否可以作为AD的早期影像学标记也有待进一步验证。为准确刻画AD的脑活动、脑连接和脑网络异常模式,并探索功能磁共振影像指标作为AD早期识别标记的     

基于磁共振影像特征集成融合的AD诊断

为了得到更高更稳定的阿尔茨海默病(AD)诊断准确率,对脑磁共振影像纹理特征进行了集成融合,并用于AD分类诊断.首先,基于病理知识提取脑磁共振影像中左右脑相关解剖结构的体积、纹理特征;然后,采用链式智能体遗传算法与支持向量机相结合的封装式特征选择分类集成模型,对提取的特征集进行特征选择,从而实现融合;最后,利用融合后的特征进行分类诊断,并将融合后的分类结果与融合前以及采用p值法特征选择的分类结果进行对比.实验结果表明,相比融合前的特征以及采用p值法进行选择的特征,利用所提算法融合后的特征具有更高且更稳定的分类准确率、灵敏度和特异度.     

基于影像组学预测肺癌放射治疗疗效

目的:探讨基于影像组学特征和机器学习方法预测肺癌放射治疗近期疗效.方法:回顾性搜集安徽理工大学附属肿瘤医院经病理证实的135例肺癌患者的影像及病例资料,按RECIST标准将患者分为缓解组(85例)和未缓解组(50例).全部样本按照7:3比例随机划分训练集和验证集,在训练集中采用方差选择法和Lasso算法筛选特征,进行机器学习(逻辑回归、决策树、AdaBoost和支持向量机),构建预测模型并内部验证.结果:筛选出8个与疗效相关的影像组学特征,支持向量机分类器训练组的AUC、准确率、诊断敏感度和特异度分别为0.901、0.80、0.91和0.98,验证组的AUC、准确率、诊断敏感度和特异度分别为0.782、0.73、0.76和0.77.结论:基于治疗前CT影像组学特征可对肺癌的放疗近期疗效作出评估.     

CT影像组学模型对食管癌术后个体化辅助治疗的评估价值

目的:构建及验证基于影像组学预测食管鳞状细胞癌切除术后的无病生存期(DFS)模型，并进一步其评估术后辅助治疗的价值。方法:回顾性分析184例接受手术治疗的食管鳞状细胞癌患者。放射科医师手工勾画患者治疗前CT图像上的肿瘤感兴趣区后提取影像组学特征，采用最小绝对收缩和选择算子(LASSO)-Cox回归筛选关键特征并构建影像组学模型。同时，通过临床特征筛选及建立临床模型，结合以上模型后得到影像组学-临床模型。采用一致性指数(C指数)评价模型的预测效能。结果:影像组学模型由10个影像组学特征构成。病理淋巴结分期为DFS独立的临床风险因素。影像组学-临床模型表现出对肿瘤进展高低风险人群的良好区分度，训练集C指数为0.744,95%置信区间(CI)为0.689～0.799,验证集C指数为0.774,95%CI为0.676～0.872。高风险组中位DFS明显小于低风险组其中训练集(16个月vs 39个月，P<0.001);验证集(11个月vs 24个月，P<0.001)。同时，在训练集的低风险患者中，手术后辅助治疗患者与单纯手术患者的DFS比较无显著统计学差异(DFS分别为34.4个月，...     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

基于ResNet模型的甲状腺SPECT影像诊断

为了降低医生利用SPECT影像对甲状腺疾病进行临床诊断时的误诊率,提高深度学习算法在核医学影像辅助诊断中识别交叉影像特征的准确率,提出了基于ResNet模型的甲状腺SPECT影像诊断方法。利用深度卷积生成对抗网络(DCGAN)和高分辨率生成对抗网络(SRGAN)生成影像并提高分辨率,弥补训练数据的不足。同时,将残差块输出信息加上具有交叉特征影像信息的x_i,在保留已学习影像特征的基础上增加对交叉特征的学习,改进了模型。对于交叉影像特征,使用交叉训练集对经过单一特征影像训练完成的改进ResNet神经网络模型进行再训练。实验结果表明,经过100轮迭代,交叉训练集训练的改进ResNet神经网络模型验证精度高达0.963 3,验证损失降到0.118 7,并趋于稳定;识别结果,召回率、精确率、特异度和F_1分数都在93.8%以上。经过改进的神经网络模型和新的训练方法对甲状腺SPECT影像表现出的典型症状识别率较高,优于其他基于卷积神经网络(CNN)的方法,对临床影像诊断具有参考价值。     

基于超声射频信号的特征融合方法对乳腺肿瘤良恶性诊断的价值

为实现对乳腺肿瘤良恶性的高效判别，本文尝试从原始超声射频(Radio Frequency, RF)信号构建融合模型。首先从RF信号提取16种超声特征参数组成特征图图谱。构建高性能卷积网络用于提取多特征图的深度学习特征，并与多特征图的传统组学特征拼接融合；然后进行特征筛选、训练支持向量机模型。实验结果发现，基于支持向量机的特征融合模型在乳腺肿瘤的良恶性诊断中性能优良，测试集的受试者操作特性曲线下的面积、准确率、灵敏度和特异度分别达到：0.992、91.3%、92.3%和90.0%。在本文数据集上，使用RF信号比超声灰阶图像能更高效地实现乳腺恶性肿瘤的识别。与单一使用深度学习特征相比，融合传统组学特征后，乳腺肿瘤良恶性鉴别性能显著提升。     

临床神经科学是脑疾病研究的源泉与归宿

 中国的脑计划面向国家重大需求，以研究脑认知的神经机制、研发脑重大疾病诊治新手段和脑智能新技术为“一体两翼”的战略部署，临床神经科学作为“两翼”之一，必将成为研发脑疾病早期诊断与干预的源泉与归宿。     

深度学习技术在PET/CT医学影像中的应用综述

医学影像技术为临床诊断提供了丰富信息,利用深度学习技术对医学图像进行分析和处理,取得了良好效果。PET/CT作为一种新兴的诊断技术,同时具备PET和CT的功能与特征,对癌症早期诊断具有重要指导意义,但是PET/CT的双模态特征,使传统的用于处理单模态影像的深度学习模型,不能直接应用于PET/CT的图像处理。PET/CT双模态数据的深度学习模型,成为本领域的研究热点。     

基于深度展开的SAR大斜视RD成像算法

大斜视角条件下的合成孔径雷达SAR回波信号具有方位向和距离向严重耦合、大距离徙动等特点,采用常规的距离多普勒RD算法成像,会引起方位向的散焦以及空变等问题。为了改善大斜视SAR在成像过程中存在的问题,提出了一种基于深度展开网络的SAR大斜视可学习距离多普勒成像方法。该方法将RD成像方法与深度学习结合,利用RD成像的步骤构建了基于深度展开网络的RD学习成像网络结构,将回波数据作为网络输入来学习回波数据到大斜视SAR图像的成像过程。首先,在分析大斜视SAR回波信号模型的基础上确定了网络成像过程中的可学习参数;其次,根据成像过程设计大斜视SAR成像网络;最后,通过非监督训练的方法对网络进行训练,最终输出学习成像结果。点目标和面目标仿真结果表明,该方法可以有效抑制旁瓣,提高成像精度和计算效率,满足SAR在大斜视角下的成像要求。     

阿尔茨海默病伴发视觉障碍研究进展

 阿尔茨海默病（AD）是老年人群常见的神经变性疾病,多以记忆力损害为首发症状,逐渐出现进行性认知功能受损和精神行为症状,对家庭和社会带来沉重的经济和照护负担。AD早期症状不明显,待诊断明确后的治疗效果差,因此,早期诊断尤为重要。研究发现,AD患者可出现视觉障碍,但尚无流行病学数据。目前AD的治疗包括非药物及药物等综合手段,AD伴发视觉障碍的治疗尚需研究。本文主要介绍AD视觉障碍的临床症状、发生机制、检测及评价手段,包括光学相干体层扫描、视觉诱发电位、视网膜微血管检查及神经影像学,以对AD患者的视觉障碍进行全面评价,寻找特异、敏感及简便的AD评估手段,为AD的早期诊断及早期干预提供依据。     

基于深度学习的电网安全态势感知

随着电网的发展和技术的进步,电网结构日益复杂,能够及时有效地对电网的安全态势进行感知显得尤为重要。深度学习,近些年在文本、语音、图像等方面取得了巨大进展,同时在人工智能领域也占据着重要地位。将深度学习与电网的安全态势感知相结合,提出了基于深度学习的电网安全态势感知。在态势理解阶段,从电网的静态安全性和动态安全性两个方面出发,构建了一套较完整的电网安全态势评价体系,用来表征电网的运行轨迹。在态势预测阶段,构建深度学习模型,完成对电网安全态势的感知。最后以IEEE39节点系统为例,将其与BP(back propagation)神经网络和RBF(radial-basis function)神经网络预测模型进行了对比分析,验证了深度学习可以有效地对电网的安全态势进行感知,且预测精度高于传统的神经网络模型。     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题, 以改善网络流量预测结果为目标, 提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型. 首先, 收集网络流量历史数据, 并对数据进行相空间重构、 归一化等预处理; 其次, 引入灰狼算法快速搜索到全局最优深度学习网络的相关参数, 并根据最优参数对预处理后的网络流量历史数据进行学习, 建立能挖掘网络流量历史数据变化规律的预测模型; 最后, 与其他算法优化深度学习网络的网络流量预测模型进行对比分析. 实验结果表明, 基于改进灰狼算法优化深度学习网络的网络流量预测精度超过90%, 远高于其他对比模型, 且预测建模过程的建模时间少于对比模型, 可满足网络流量管理的高精度和实时性要求.     

近红外光谱的水体污染指标COD定量预测模型

针对传统化学需氧量（chemical oxygen demand, COD）检测存在检测成本高、耗时、易造成二次污染,以及现有检测模型泛化性较差等不足,难以满足水环境实时监测需求的问题,本研究提出基于近红外光谱技术的COD快速无损定量预测模型。实验结果表明,本模型在污水COD光谱数据集上的预测性能,相较于传统机器学习算法,以及现有其他深度学习算法更优。测试的决定系数（R2）和均方根误差（RMSE）分别达到0.992 1和27.47 mg·L-1,模型卷积层的输出特征可解释强,能有效表征关键波长点。为实际水体COD含量快速检测提供一种新的方法。     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

基于神经网络的分子性质预测算法研究进展

分子性质预测是材料化学领域的热点问题,基于第一性原理的计算方法虽然可以明确地描述体系中电子分布,但计算过程过于复杂,且计算复杂度随分子中原子增加呈指数级增长。近年来,随着相关研究的不断深入,涌现出多种多样的深度学习算法,将算法分为基于多层感知机(multi-layer perceptron, MLP)和图神经网络(graph neural network, GNN)两大类及六个子类,研究不同算法的特点。分析表明,MLP类算法结构简单,算法扩展性有限,与分子内部结构关联度不高;相反,GNN类算法融合消息传递机制,将分子间相互作用转换为结点、边之间的特征传递,在各向评价指标中占优。目前,基于深度学习的分子性质预测算法正从MLP类算法向GNN类算法过度。最后,提出基于深度学习的分子性质预测算法未来在数据集、各向异性特征传递、指导材料科学与生命科学中的实际应用等方面的发展方向。     

基于XGBoost模型的营养成分分析高血压预测方案

高血压是一种常见的慢性病，若能早发现、早采取措施可降低其引发并发症的风险。尽管高血压的产生与发展与诸多因素有关，但饮食被公认为影响高血压的主要因素之一。机器学习模型可以对疾病进行有效预测，并提供辅助治疗。笔者提出一种基于XGBoost的通过分析营养成分预测高血压的方案，该方案由数据转换、特征选择、数据清理与标准化、模型搭建、分类与评估5部分组成。实验结果表明，XGBoost在高血压预测中获得了0.859的F1分数且准确率超过85%,高于随机森林、支持向量机与人工神经网络。此外通过分析不同营养成分对高血压预测的影响因素，获得了影响高血压的前10个营养特征，大部分与医学结论相同，验证了模型的有效性。     

基于极限学习机和熵值法的岩土灾变预警

滑坡的监测和预测是降低滑坡灾害的有效手段和可行方法。传统监测手段时效性差,采用统计预报模型、确定性模型等模型建立的预测模型精度相对较低。为了改善此问题,提出了一种基于综合测量、以极限学习机与熵值法结合的滑坡预警研究方法。通过分析滑坡的影响因子,搭建滑坡模拟监测平台,由多传感器实时监测到雨量、土壤浅层含水率、土壤深层含水率、下滑应力、地下位移、地表位移等影响滑坡的综合因子。将熵值法用在滑坡的评价中,将其综合评分作为危险性参数及综合测量参数作为训练样本,搭建极限学习机模型。结果表明:在综合测量方法下,将熵值法与极限学习机算法结合的预警模型得到的结果与实际情况一致,预测值与测量值吻合;其精度为98.48%,比BP神经网络精度更高;且网络的学习速度明显提高。可见该方法对滑坡预测的可行性,适用于复杂非线性的滑坡预测中,为建立滑坡预警模型提供了一种可行方法。     

用深度学习挖掘油田开发指标预测模型的知识

油田开发指标变化特征被当作油田开发规划、油田开采状况评价、油田开发方案设计与调整及油田开发风险预测预警等决策管理问题的重要依据。针对至今没有很好解决的建立智慧油田的瓶颈问题之一——油田开发指标智能预测系统的选择预测方法和模型的知识挖掘问题，基于油田开发的海量数据，利用深度学习的卷积神经网络和循环神经网络，提取反映油田开发动态特征和知识。在此基础上，结合已建立的油田开发指标预测的模型库及知识库，利用深度学习的实体和关系的联合提取方法，提出通过油田开发输入信息、油田开发动态特征指标、油田开发指标预测的模型库和知识库挖掘选择油田开发指标最佳预测模型的知识方法。概念设计的模拟实例表明，提出的知识挖掘流程可实现只要输入油田开发的相关信息，就能自主获得恰当的油田开发指标预测模型。