关键词： 纤维肌痛综合征   生物信息学   机器学习   免疫浸润   加权基因共表达网络分析   套索回归   支持向量机递归特征消除算法   单样本基因集富集分析   基因集富集分析  

摘要： 背景:纤维肌痛综合征作为常见风湿病,其发病与中枢敏化及免疫异常有关,但具体过程尚未阐明,缺乏特异性诊断标志物,不断探索该病的发病机制具有重要的临床意义。目的:基于加权基因共表达网络分析(WGCNA)等生物信息学方法和机器学习算法筛选纤维肌痛综合征潜在的诊断相关标志基因,并分析其免疫细胞浸润特征。方法:对来自基因表达综合数据库(GEO)的纤维肌痛综合征数据集转录谱进行差异分析和WGCNA分析,整合筛选出差异共表达基因,进一步采用机器学习套索回归(LASSO)算法、支持向量机递归特征消除(SVM-RFE)机器学习算法来识别核心生物标志物,并绘制受试者工作特征(ROC)曲线以评估诊断价值。最后,采用单样本基因集富集分析(ssGSEA)和基因集富集分析(GSEA)评估纤维肌痛综合征的免疫细胞浸润情况及通路富集。结果与结论:①对GSE67311数据集按照log2|(FC)|>0,P<0.05的条件进行差异分析后获得8个下调的差异表达基因;进行WGCNA分析后获得正相关性最高(r=0.22,P=0.04)的模块(MEdarkviolet)内含基因497个,负相关性最高(r=-0.41,P=6×10-5)的模块(MEsalmon2)内含基因19个;将差异表达基因与WGCNA的2个高相关性模块基因取交集,获得7个基因。②对上述7个基因进行LASSO回归算法筛选出4个基因,进行SVM-RFE机器学习算法筛选出5个基因,两者取交集后确定了3个核心基因,分别为重组1号染色体开放阅读框150蛋白(germinal center associated signaling and motility like,GCSAML)、整合素β8(Integrin beta-8,ITGB8)和羧肽酶A3(carboxypeptidase A3,CPA3);绘制3个核心基因的ROC曲线下面积分别为0.744,0.739,0.734,提示均具有很好的诊断价值,可作为纤维肌痛综合征的生物标志物。③免疫浸润分析结果显示,与对照组相比纤维肌痛综合征患者记忆B细胞、CD56 bright NK细胞和肥大细胞显著下调(P<0.05),且与上述3个生物标志物显著正相关(P<0.05)。④富集分析结果提示,纤维肌痛综合征的富集途径包括9条,主要与嗅觉传导、神经活性配体-受体相互作用及感染等通路密切相关。⑤上述结果显示,纤维肌痛综合征的发生发展与多基因参与、免疫调节异常及多个通路失调有关,但这些基因与免疫细胞之间的相互作用,以及它们与各通路之间的关系尚需进一步研究。

关键词： 人工智能   大语言模型   全科医生   专家共识  

摘要： 人工智能大语言模型等新技术的飞速发展给医学临床实践带来了新的变革。国内外已开始了智能全科医生系统的研究及实践探索,但尚未形成共识。在此背景下,清华大学万科公共卫生与健康学院、北京大学公共卫生学院联合中国医师协会全科医师分会及来自国内多家单位的全科医学、公共卫生、人工智能、循证医学等多学科领域的专家学者,在广泛检索国内外文献的基础上,经过多轮专家研讨,最终形成《智能全科医生中国专家共识》,从智能全科医生的定义、特点、应用、挑战与建议等方面形成17条专家共识,为促进智能科技赋能全科医生临床实践、提升基层卫生智慧化服务水平提供科学参考。

关键词： 机器学习   土壤抗剪强度   多传感器   特征向量   预测模型  

摘要： 土壤抗剪强度参数包括粘聚力和内摩擦角,是评价土壤侵蚀敏感性和反映耕层耕作性能的重要指标。为实现农田土壤抗剪切强度参数的快速检测,提出了一种基于机器学习的土壤抗剪切强度参数检测方法。以STM32单片机为核心处理器,采用圆锥杆、滚珠丝杆滑台、三角支架等构建土壤数据采集装置,利用DYMH-103柱式压力传感器和FlexiForce薄膜传感器分别检测圆锥杆贯入土壤的锥尖阻力和锥侧压力,采用CSF11土壤水分传感器获取土壤含水率信息,通过多传感器数据特征向量提取构建建模数据集。数据集相关性分析结果表明:土壤抗剪强度参数与锥尖阻力、锥侧压力和土壤含水率之间具有明显相关性。利用蒙特卡罗交叉验证(Monte Carlo Cross Validation,MCCV)剔除了数据集中的4个异常样本;同时,提出了一种ELM-PLSR组合建模算法,以决定系数R^(2)和RPD为评价指标,对比评估了ELM、PLSR和ELM-PLSR 3种不同机器学习模型,结果表明:ELM-PLSR模型预测性能优于ELM模型和PLSR模型;检测粘聚力时,对应的R^(2)、RPD分别为0.919和3.475;检测内摩擦角时,对应的R 2和RPD分别为0.910和3.304。研究结果可为土壤抗剪强度参数快速测量提供参考。

关键词： 人工智能   骨创伤   骨折   机器学习   深度学习   文献计量学   Web of Science   影像诊断   Citespace   可视化分析  

摘要： 背景:人工智能在医疗领域的发展日益迅速,在骨创伤领域的应用研究不断增多。文章旨在通过文献计量学分析,分析近年来人工智能在骨创伤领域中的研究热点,并预测未来的研究趋势。目的:总结人工智能技术在骨创伤领域的应用发展历程、研究现状、热点和未来发展趋势,以期为今后的研究提供新的见解。方法:选择Web of Science核心集数据库中,时间跨度设为自建库至2023年8月,检索人工智能、机器学习、深度学习应用于骨创伤相关的文献420篇。通过人工筛选,导出与文章相关的文献共202篇,采用Citespace软件进行国家、机构、被引期刊和引文分析等的合作和关键词的共现等可视化分析。结果与结论:①分析筛选后纳入的202篇文献,总体发文量呈上升趋势,且在未来研究潜力巨大。研究中心性最高和发文量排名第一的国家均为美国。加州大学(美国)是发文量最多的研究机构。②人工智能在骨创伤研究中最常用的前5个关键词是深度学习、人工智能、骨密度、机器学习、诊断,中心性最高的关键词为骨密度,关键词数量最多的为深度学习。③共被引频次前10位的参考文献分别从多个方面介绍了人工智能技术应用于骨创伤领域诊断的可行性研究,其中8篇涉及骨关节损伤与深卷积神经网络,1篇涉及深度学习在CT检查中检测骨质疏松从而预防脆性骨折,1篇通过人工智能识别皮肤纹理变的特征应用于骨的特征性识别的相关性研究。④今后,人工智能的研究热点将主要集中在骨关节创伤和骨质疏松引发的骨折特异性研究上,未来研究趋势主要集中在提升人工智能算法的性能上,使用人工智能新技术对骨损伤进行精准划分和快速高效诊断,尤其是针对复杂和隐匿性骨折的诊断,通过建立有限元分析模型,实现对骨创伤的更加标准化评估。

关键词： 加权基因共表达网络   机器学习算法   类风湿关节炎   关键基因   预测模型  

摘要： 背景:类风湿关节炎是一种全身的免疫相关性疾病,主要病理特点是关节滑膜炎性增生及关节软骨的破坏,其发病机制目前尚不明确,迫切需要发现新的具有高度敏感性和特异性的诊断标志物。目的:联合使用生物信息学技术及计算机学习算法,识别并筛选类风湿关节炎患者滑膜中的关键基因,构建类风湿关节炎预测模型并进行验证。方法:从基因表达综合数据库中下载3个包含类风湿关节炎患者滑膜的数据集(GSE77298、GSE55235、GSE55457),GSE77298和GSE55235作为训练集,GSE55457作为测试集,共纳入66个样本,其中类风湿关节炎患者滑膜样本39个,正常滑膜样本27个。应用R语言筛选训练集中的差异基因,然后使用加权共表达网络将训练集中的基因模块化,选出关键模块中的特征基因,将差异表达基因和特征基因取交集,交集基因进入下一步机器学习。采用3种机器学习方法:最小绝对值收敛和选择算子算法、支持向量机-递归特征消除和随机森林算法对交集基因进一步分析获得枢纽基因,将枢纽基因再次相交即得到类风湿关节炎滑膜中的关键基因。以关键基因为变量构建预测类风湿关节炎的列线图模型,推测患者发生类风湿关节炎的危险程度,使用受试者工作特征曲线确定类风湿关节炎预测模型及其关键基因的诊断价值。结果与结论:①通过差异分析,训练集中共筛选出差异基因730个,加权共表达网络分析得到特征基因185个,两者交集基因159个;②最小绝对值收敛和选择算子发现枢纽基因4个,支持向量机-递归特征消除发现枢纽基因11个,随机森林发现枢纽基因5个,取交集后获得关键基因2个(TNS3、SDC1);③基于2个关键基因,在训练集及测试集种构建列线图,其校准预测曲线与标准曲线贴合较好,且预测类风湿关节炎发生的临床效能良好;④上述结果证实,基于生物信息及机器学习算法获得的TNS3和SDC1有可能成为类风湿关节炎诊断和治疗的关键靶点。

关键词： 跨境电商   人工智能   产业学院   产教融合  

摘要： 随着人工智能技术的崛起及其在跨境电商行业广泛应用,对跨境电商人才的层次提出更高的要求。河南省跨境电商产业学院发展较晚,建设模式单一,但从重点产业学院来看已经出现数字化、智能化特征。产教融合在跨境电商产业学院的建设中面临诸多挑战。为此,本文提出合力构筑产帮教、教带产的高效融合模式;优化课程体系,以提高学生适应力;加强校企师资结合,利用AI赋能教育数字化转型,以期有助于促进产教融合的深入发展,培养高质量的跨境电商人才。

关键词： 运动损伤   损伤预警   损伤预防   智能预警   机器学习   深度学习   人工智能   体育运动  

摘要： 背景:运动医学界广泛呼吁采用机器学习技术高效处理庞大、冗杂的运动数据资源,构建智能化的运动损伤预警模型,以实现运动损伤的精准预警。对此类研究成果进行综合归纳与评述,对把握预警模型改进方向,指导中国损伤预警模型构建工作均具有重要意义。目的:系统梳理基于机器学习技术的运动损伤预警模型相关研究,为中国运动损伤预警模型构建工作提供借鉴。方法:对中国知网、Web of Science和EBSCO数据库进行文献检索,主要检索机器学习技术和运动损伤相关文献,最终纳入61篇运动损伤预警模型相关文献进行分析。结果与结论:①在纳入文献的外部风险特征指标中,缺乏比赛场景类指标,后续需进一步完善相关特征指标的纳入工作,以进一步丰富模型训练的数据集维度;此外,运动损伤预警模型的纳入特征权重方法以过滤法为主,需强化嵌入法及包裹法等权重方法的运用,以增强多风险因素交互效应的分析。②在模型主体训练方面,模型主体训练算法多以监督式学习算法为主,此类算法对样本标注信息的完整度有较高要求,应用场景易受限,后期可增加无监督式与半监督式算法的应用。③在模型性能评估优化方面,现研究主要采用了HoldOut交叉与k-交叉两种验证方式评估模型性能,模型的AUC值范围(0.76±0.12),灵敏度范围(75.92±11.03)%,特异度范围(80.03±4.54)%,F1分数值范围(80.60±10.63)%,准确度范围(69.96±13.10)%,精确度范围(70±14.71)%,数据增强与特征优化为最常见的模型优化操作。当前运动损伤预警模型准确度及精确度均约为70%,预警效果良好,但模型优化操作较单一,多采用数据增强方法提升模型性能,需强化对模型算法、超参数的调整,以进一步提升模型性能。④在模型特征提取方面,纳入的内部风险特征指标多以人体测量学、训练负荷、训练年限和损伤史等指标为主,缺乏运动恢复类指标与身体机能类指标。

关键词： 智能机器人   初级保健   慢性病   健康管理   人工智能   健康大数据  

摘要： 全球慢性病患病率不断上升,给社会的发展和个人健康带来重大挑战。管理慢性病需要长期治疗和监测,对患者的生活方式提出了一定要求。随着人口老龄化和人们生活方式的改变,慢性病防控正变得越发重要。近年来,随着医疗卫生领域科技创新向纵深发展,借助人工智能的智能机器人在医疗领域的应用也逐渐成为国家重要战略方向之一,传统的慢性病管理方法过于依赖医生和患者之间的线下交流,导致医生无法与患者保持长期且有效的沟通和随访,患者病情出现变化时医生可能无法及时发现和监测。此外,传统的慢性病管理方法通常是一种通用化的方法,无法充分考量到每位患者的个体差异。鉴于传统慢性病管理方法的局限性,本文提倡利用智能机器人提供更便捷高效的基层服务。本文认为,通过个性化健康管理方案、辅助医疗诊断、定时提醒服药等功能,使智能机器人能够致力于改善患者生活质量、减轻医疗资源压力,从而推动全球智能化医疗管理的发展。

关键词： 机器人流程自动化   人工智能   智能审计   胜任能力  

摘要： 随着人工智能技术的飞速发展，“RPA+AI”在审计领域的应用范围也在不断扩大。国际内部审计师协会于2017年发布的《全球视角和见解：人工智能审计框架》为人工智能在审计中的应用提供了重要指导。本文列举了“RPA+AI”技术的优势和不足，分析了在人工智能技术背景下内部审计人员的胜任能力需求和变化趋势，提出了提升内部审计人员的胜任能力的路径，为企业提供更高效、准确和可靠的内部审计服务提供借鉴。

关键词： 冠心病   机器学习   风险预测模型   Logistic回归   k最邻近算法   支持向量机   决策树   XGBoost  

摘要： 背景冠状动脉粥样硬化性心脏病(以下简称冠心病)是全球重要的死亡原因之一。目前关于冠心病风险评估的研究在逐年增长。然而,在这些研究中常忽略了数据不平衡的问题,而解决该问题对于提高分类算法中识别冠心病风险的准确性至关重要。目的探索冠心病的影响因素,通过使用2种平衡数据的方法,基于5种算法建立冠心病风险相关的预测模型,比较这5种模型对冠心病风险的预测价值。方法基于2021年美国国家行为风险因素监测系统(BRFSS)横断面调查数据筛选出112606名研究对象的健康相关风险行为、慢性健康状况等24个变量信息,结局指标为自我报告是否患有冠心病并据此分为冠心病组和非冠心病组。通过进行单因素分析和逐步Logistic回归分析探索冠心病发生的影响因素并筛选出纳入预测模型的变量。随机抽取112606名受访者的10%(共计11261名),以8∶2的比例随机划分为训练与测试的数据集,采用随机过采样和合成少数过采样技术(SMOTE)两种过采样的方法处理不平衡数据,基于k最邻近算法(KNN)、Logistic回归、支持向量机(SVM)、决策树和XGBoost算法分别建立冠心病预测模型。结果两组年龄、性别、BMI、种族、婚姻状态、教育水平、收入水平、家里有几个孩子、是否被告知患高血压、是否被告知处于高血压前期、是否被告知患妊娠高血压、现在是否在服用高血压药物、是否被告知患有高脂血症、是否被告知患有糖尿病、吸烟情况、过去30 d内是否至少喝过1次酒、是否为重度饮酒者、是否为酗酒者、过去30 d内是否有体育锻炼、心理健康状况以及自我健康评价比较,差异有统计学意义(P<0.05)。逐步Logistic回归分析结果显示:年龄、性别、BMI、种族、教育水平、收入水平、是否被告知患高血压、是否被告知处于高血压前期、是否被告知患妊娠高血压、现在是否在服用高血压药物、是否被告知患有高脂血症、是否被告知患有糖尿病、吸烟情况、过去30 d内是否至少喝过1次酒、是否为重度饮酒者、是否为酗酒者以及自我健康评价为冠心病的影响因素(P<0.05)。风险模型构建的分析结果显示:k最邻近算法、Logistic回归、支持向量机、决策树和XGBoost采用SMOTE处理不平衡数据的总体分类精度分别为59.2%、67.4%、66.2%、69.2%和85.9%,召回率分别为75.2%、71.4%、70.5%、62.9%和34.8%,精确度分别为15.4%、18.2%、17.5%、17.6%和28.7%,F值分别为0.256、0.290、0.280、0.275和0.315,受试者工作特征曲线下面积分别为0.80、0.78、0.72、0.72和0.82;采用随机过采样处理不平衡数据的总体分类精度分别为62.5%、68.5%、69.0%、60.2%和70.1%,召回率分别为70.0%、69.5%、71.9%、69.0%和67.6%;精确度分别为15.8%、18.4%、19.1%、14.8%和19.0%,F值分别为0.258、0.291、0.302、0.244和0.297,受试者工作特征曲线下面积分别为0.80、0.77、0.72、0.72和0.83。结论本研究不仅确认了已知冠心病的影响因素,还发现了自我健康评价水平、收入水平和教育水平对冠心病具有潜在影响。在使用2种数据平衡方法后,5种算法的性能显著提高。其中XGBoost模型表现最佳,可作为未来优化冠心病预测模型的参考。此外,鉴于XGBoost模型的优异性能以及逐步Logistic回归的操作便捷和可解释性,推荐在冠心病风险预测模型中结合使用数据平衡后的XGBoost和逐步Logistic回归分析。