用纳米传感器诊断早期肺癌的研究进展

肺癌是世界范围内造成死亡的恶性肿瘤之一。早期识别不仅有助于检测原发癌,而且能监测肿瘤发展进程以评估风险。目前可用的诊断方法昂贵或具有侵入性,并不适于普遍筛查。非侵入性诊断技术用于监测癌症的发展仍是一个难题。基于呼气生物标志物的挥发性化合物(VOC)可用于分析患者的呼吸。本文回顾了各种VOC分析方法,包括使用最新的金纳米粒子检测VOC。该技术适于早期发现肺癌,高度准确,相对容易操作,显示出作为一种非侵入性和具有成本效益的诊断技术的巨大潜力。     

基于树木年轮径切特征的卷积神经网络树种识别

卷积神经网络可以通过树木年轮样本构造特征图像实现物种识别的自动化。本研究通过建立树木年轮样本构造特征图像集,选用LeNet、AlexNet、GoogLeNet和VGGNet 4个卷积神经网络模型,实现基于树木年轮横切面的计算机自动化树种精准识别,进而确定各模型的树种识别准确率,明晰不同树种在自动识别中的混淆情况,探测不同模型识别结果的差异。结果表明: 本研究训练的用于树种识别的卷积神经网络模型具有较好的可信度;4个模型中GoogLeNet模型树种识别准确率最高,为96.7%,LeNet模型识别准确率最低(66.4%);不同模型对于所选树种的识别结果具有一致性,表现为对蒙古栎识别准确率最高(AlexNet模型识别率达到100%),对臭冷杉的识别准确率最低。本研究中也存在类似结构树种的识别混淆情况。模型在科和属水平的识别准确率高于种水平;阔叶树种因其显著的结构差异容易区分,阔叶树树种的识别准确率高于针叶树。总体上,通过卷积神经网络,探测了树木年轮特征的深层信息,达到树种的精准识别,提供了一种快速便捷的自动树种初筛鉴定方法。     

结直肠癌无创筛查技术研究进展

结直肠癌和高危腺瘤的早期诊断及治疗,能够大大降低其死亡率。因而,在临床普及结直肠癌筛查有助于遏制该疾病的危害。目前,结肠镜检查是结直肠癌诊断的金标准,但该方法需要肠道准备,且具有侵入性,易造成肠道穿孔等缺点,导致患者依从性差,不利于其作为大规模筛查技术推广实施。近年来非侵入性的结直肠癌诊断方法发展迅速,这类方法主要通过检测粪便或血液样本中与结直肠癌发生相关的生物标志物,为结直肠癌的无创筛查提供了可能。但由于粪便、血液样本的成分复杂,对其中生物标志物的检测技术仍然在不断研究和完善中。本文分别从基于粪便样本和血液样本的检测技术两方面入手,探讨了近年来结直肠癌无创筛查技术的研究进展。     

利用神经网络构建超声多普勒栓子信号自动检测系统

对血液中栓子的早期检测有着重要的临床诊断意义。超声多普勒技术使栓子的无损检测成为可能,但是目前的检测尚依赖于医生的手动操作和临床经验,仍缺乏可靠的自动检测系统。本文基于小波包变换和主元分析提取对栓子敏感的特征参数,并利用神经网络构建超声多普勒栓子信号的自动检测系统。仿真研究和临床实验表明:该系统有效提高了栓子检测的准确性,有望应用于临床诊断。     

幽门螺杆菌诊断的最新进展

幽门螺杆菌(Helicobacter pylori,H.pylori)是一种常见的引起多种胃肠道疾病的病原体。临床中通常利用具有不同灵敏度和特异性的侵入性或非侵入性诊断方法来检测H.pylori的感染。目前,诊断H.pylori的方法包括尿素呼气试验、粪便抗原试验、血清学、内镜检查、胃活检组织学、快速尿素酶试验、培养、分子生物学方法等。在实际临床实践中,考虑不同的医疗条件、医生的专业水平、检测成本、敏感性和特异性等多方面因素,如何合理地选择一种或多种方法来诊断H.pylori感染进而指导临床预防和治疗,是一项重要的临床研究课题。本文将对H.pylori感染诊断方法的最新进展、不同方法的优缺点以及其在临床实践中的应用作一综述。     

基于Boosting机制的决策树集成分类器识别嗜热和常温蛋白

采用Boosting机制的决策树集成分类器对嗜热和常温蛋白进行模式识别。通过自一致性检验、交叉验证和独立样本测试三种方法检测,其中作为Boosting算法中新的Logitboost算法表现更好,其识别的精度分别为100%、88.4%和89.5%,优于神经网络的识别效果。同时探讨了蛋白质分子大小对识别效果的影响。结果表明,将Boosting算法与其它单一分类器有效结合,有望提高研究者对生物分子相关特性的识别能力。     

阿尔茨海默症生物标志物在脑脊液和血液中的研究

阿尔茨海默症(Alzheimer's disease, AD)是一种常见的神经退行性疾病。因为疾病本身很难被治愈,因此早期预测诊断对AD的防治尤为重要。目前,痴呆前期AD的主要诊断方法是脑脊液生物标志物的检测和正电子发射式计算机断层扫描(PET),但是这两种诊断方法侵入性强,价格昂贵,不容易普及。而对血液中的AD相关标志物进行检测,可以使AD的诊断更为普及且更为方便。该文总结了目前AD主要的几种生物标志物,概述了它们在AD患者和正常个体脑脊液和血液中的变化,最后也讨论和分析了未来AD生物标志物在血液检测中可能遇到的挑战。     

基于卷积神经网络和循环神经网络的环形RNA剪接位点识别研究

本文提出了一种基于卷积神经网络和循环神经网络的深度学习模型,通过分析基因组序列数据,识别人基因组中环形RNA剪接位点.首先,根据预处理后的核苷酸序列,设计了2种网络深度、8种卷积核大小和3种长短期记忆(long short term memory,LSTM)参数,共8组16个模型;其次,进一步针对池化层进行均值池化和最大池化的测试,并加入GC含量提高模型的预测能力;最后,对已经实验验证过的人类精浆中环形RNA进行了预测.结果表明,卷积核尺寸为32×4、深度为1、LSTM参数为32的模型识别率最高,在训练集上为0.9824,在测试数据集上准确率为0.95,并且在实验验证数据上的正确识别率为83%.该模型在人的环形RNA剪接位点识别方面具有较好的性能.     

PLS-ANN判别分析自体荧光光谱识别胃癌

本文对58例胃癌病人离体标本的癌浆膜和正常浆膜进行以308nm为激发光的自体荧光光谱检测,采用多因素分析法进行光谱信息提取,以识别胃癌。研究表明偏最小二乘法结合神经网络法（简称PLS—ANN）进行判别分析,诊断胃癌的灵敏度为86％,特异度为100％,准确率为93％,有望成为手术中快速识别胃癌在胃壁的浸润范围的有效方法。     

全景绿视率自动识别和计算研究

绿视率是用于绿色空间感知的直观评价标准,传统研究的绿视率多基于平面影像进行计算,不能完全反映三维空间中人对绿量的主观感受。基于全景影像,提出全景绿视率的概念,通过全景相机获取球面全景照片,将等距圆柱投影转换为等积圆柱投影,利用基于语义分割的卷积神经网络模型,自动识别植被区域面积以实现全景绿视率自动化识别和计量。通过比较5项卷积神经网络模型对绿视率的识别效果,显示出Dilated ResNet-105神经网络模型具有最高的识别准确度。以武汉市武昌区紫阳公园为例,对各级园路和广场的全景绿视率进行计算和分析。将卷积神经网络的识别结果同人工判别结果进行对比研究,结果显示：使用Dilated ResNet-105卷积神经网络对绿植范围识别的平均交并比（mIoU）为62.53%,与人工识别的平均差异为9.17%。全景绿视率自动识别和计算可以为相关研究提供新的思路,实现客观准确、快速便捷的绿视率测量评估。     

肿瘤亚型识别研究中智能算法的应用

目的:为解决肿瘤亚型识别过程中易出现的维数灾难和过拟合问题,提出了一种改进的粒子群BP神经网络集成算法。方法:算法采用欧式距离和互信息来初步过滤冗余基因,之后用Relief算法进一步处理,得到候选特征基因集合。采用BP神经网络作为基分类器,将特征基因提取与分类器训练相结合,改进的粒子群对其权值和阈值进行全局搜索优化。结果:当隐含层神经元个数为5时,候选特征基因个数为110时,QPSO/BP算法全局优化和搜索,此时的分类准确率最高。结论:该算法不但提高了肿瘤分型识别的准确率,而且降低了学习的复杂度。     

癌症液体活检新思路：数字PCR检测DNA甲基化

癌症的早期诊断可提高患者生存率.微创采集人体体液的液体活检方法可避免传统肿瘤组织活检方法侵入性和异质性的问题,逐渐成为癌症诊断的新方式.另外,DNA甲基化作为预测癌症发生发展的标志物,引起了越来越多研究者的关注.但传统DNA甲基化的检测方法灵敏度不高,且容易出现假阳性.近年来,数字PCR技术因其超高的检测灵敏度和精确度、无需标准曲线即可进行核酸绝对定量检测的优势,被用于DNA甲基化的定量检测中.本文首先介绍了DNA甲基化与癌症发生发展的关系,总结了传统DNA甲基化检测方法及其在癌症临床诊断中的应用,阐述了基于不同核酸样本分散方法的数字PCR技术及其在微量DNA甲基化检测中的优势,总结了采用数字PCR技术检测癌症患者体液中DNA甲基化的具体步骤,列举了数字PCR技术在癌症DNA甲基化检测中的研究成果及应用进展,最后提出了数字PCR技术检测癌症DNA甲基化未来可能面临的挑战,并对数字PCR技术在癌症液体活检方面的应用前景进行了展望.     

血清microRNA——一种非侵入性的肿瘤标志物

microRNA(miRNA)是一类自然形成的非编码小RNA,不少miRNA分子已被证实与癌症的生成有关联。近期的研究发现人血清中稳定存在一定水平的miRNA,并且血清miRNA表达谱的变化与多种肿瘤的发生、发展具有明确的相关性,说明血清miRNA可以作为肿瘤临床诊断和预后评估的分子标志物。因此,特定的血清miRNA表达谱可以构成识别癌症与其他疾病的"指纹",为癌症及其他疾病的诊断提供一种新的非侵入性的检测方法,同时,该技术还可用于肿瘤分类、预后判断、手术疗效监测及疾病复发预测等领域,并可能带来未来临床医学上的变革。     

基于非结构蛋白1(NS1)的黄病毒感染诊断研究进展

蚊虫传播的黄病毒造成的传染病是人类健康的重要威胁,有效的早期精确诊断对预防与控制黄病毒感染并及时有效开展病患救治至关重要。然而由于黄病毒在血液中核酸可检测窗口短,核酸检测手段难以发挥优势,必须要通过血清学的诊断与病毒分离予以佐证,而血清学检测也要面对黄病毒之间存在的交叉反应问题。本文介绍了基于黄病毒非结构蛋白1(NS1)建立的检测手段。NS1蛋白在病人血清中含量很高是良好早期诊断靶标,基于NS1蛋白的黄病毒血清学诊断的检测窗口较长、灵敏度高、特异性强,具有独特的优势。尤其是2016年寨卡病毒暴发以来基于NS1的检测技术在灵敏度与特异性上得到快速与多元的发展,为黄病毒的精确检测带开启了新的局面。     

拉曼光谱技术在肿瘤检测中的应用

癌症是威胁人类健康和生命的严重疾病之一,早期诊断与及时治疗是提高癌症患者生存率的最有效途径。激光拉曼光谱技术作为一种非侵入性的检测技术,可以无损伤地提供丰富的分子结构特征和物质成分信息,从分子水平上反映癌变组织与正常组织之间的结构差异,从而可用于癌症的早期诊断。综述了激光拉曼光谱技术在皮肤癌、鼻咽癌、肺癌、胃癌、结肠癌、乳腺癌及前列腺癌诊断中的研究进展,并对拉曼光谱技术在癌症诊断中的发展方向和应用前景作了进一步的展望,为癌症的早期检测和诊断技术的应用研究提供参考依据。     

基于灰狼优化算法的蛋白质二级结构分类

针对传统方法在蛋白质二级结构分类中精度低的问题,介绍了一种基于灰狼优化算法的卷积神经网络图像分类算法.首先,选取卷积神经网络模型中所需优化的参数,并且初始化灰狼优化算法的迭代次数、灰狼数量、搜索边界和空间维数;其次,计算优化参数的个体适应度函数,对个体适应度进行排序,确定历史最优解、优解和次优解,更新灰狼的位置;最后,...     

基于残差注意力网络模型的浮游植物识别

浮游植物作为水生态系统中最重要的生物组成部分之一,对水环境敏感,在水环境监测中得到了广泛的关注。然而水生环境复杂多样,准确高效地识别浮游植物是监测工作中的一大挑战。当前浮游植物识别方法可分为经典形态学分类、分子标记和人工智能图像识别三类。前两种方法已被广泛采用,但费时费力,不利于监测机构的大规模应用和推广。同样,利用图像进行自动化分类难以在高准确率与高效率上达到平衡。深度学习技术的发展为此提供了新思路。本文提出一种新的深度卷积神经网络RAN-11。该网络以残差注意力网络Attention-56和Attention-92为基础,凭借通道对齐融合主干上的底层特征与顶层特征,通过调整注意力模块和残差快个数以精简结构,并引入了Leaky ReLU激活函数代替ReLU。以太湖11个优势属共计1036张图像为数据来源进行对比验证。除星杆藻外,RAN-11对单一优势属的的查准率都在90%以上,并且有5个优势属达到100%的查准率。RAN-11的识别准确率为95.67%,推理速率为41.5帧/s,不仅比Attention-92（95.19%的准确率,23.6帧/s）更准确,而且比Attention-56（94.71%的准确率,41.2帧/s）更快,真正兼顾了准确率与效率。研究结果表明：（1）RAN-11在查准率、准确率和推理速率上优于原始残差注意力网络,更优于以词包模型为代表的传统图像识别方法;（2）融合多尺度特征、精简网络结构和优化激活函数是提高卷积神经网络性能的有力手段。建立在经典分类基础之上,本文提出新的残差注意力网络来提升浮游植物鉴定技术,并构建出浮游植物自动化识别系统,识别准确率高、易于推广,对于实现水体中浮游植物的自动化监测具有重要意义。     

基于U-Net卷积神经网络的年轮图像分割算法

树木年轮学的研究需要统计树龄和测量轮宽,由此推算环境变换和树木生长信息,因此准确提取年轮特征信息至关重要。精准识别出年轮图像中的早材、晚材和树皮是实现自动化测量年轮参数的首要工作。树木年轮的生长过程中存在年轮的早材和晚材间边界过渡模糊、节疤和伪年轮等现象,且年轮圆盘在砍伐和采集过程中表面会存在毛刺和噪声点,使用传统的图像分割算法难以得到理想的效果。本文结合深度神经网络的特点,针对年轮图像的分割问题,构建了基于U-Net卷积神经网络的年轮图像语义分割模型。首先,对采集的100张年轮圆盘图像进行标注,并通过旋转、透视和图像变形等方式做数据增强,生成20000张数据集,随机选择其中16000张作为训练数据集,4000张作为测试数据集。其次,根据图像数据集的特征,利用Tensorflow深度学习框架,设计构建基于U-Net卷积神经网络的年轮圆盘图像分割网络。然后,将训练样本输送进网络,设置优化训练参数,对年轮图像分割网络进行迭代训练,直至评价指标和损失函数不再变化。最后,用训练好的模型对测试集样本进行分割,并进行分割指标评估。结果表明:该算法可有效避免毛刺、锯痕和节疤等因素的影响,完整地分割出年轮的晚材和树皮区域,在4000张测试数据集上分割的平均准确率达到96.51%,平均区域重合度达到82.30%。与传统图像处理算法相比,本文所采用的基于U-Net卷积神经网络的年轮图像分割算法,能够达到更好的分割效果,同时具有更强的泛化能力和鲁棒性。     

基于卷积神经网络的大肠杆菌启动子预测

目的 基于位点特异性打分矩阵（position-specific scoring matrices,PSSM）的预测模型已经取得了良好的效果,基于PSSM的各种优化方法也在不断发展,但准确率相对较低,为了进一步提高预测准确率,本文基于卷积神经网络（convolutional neural networks,CNN）算法做了进一步研究。方法 采用PSSM将启动子序列处理成数值矩阵,通过CNN算法进行分类。大肠杆菌K-12（Escherichia coli K-12,E.coli K-12,下文简称大肠杆菌）的Sigma38、Sigma54和Sigma70 3种启动子序列被作为正集,编码（Coding）区和非编码（Non-coding）区的序列为负集。结果 在预测大肠杆菌启动子的二分类中,准确率达到99%,启动子预测的成功率接近100%;在对Sigma38、Sigma54、Sigma70 3种启动子的三分类中,预测准确率为98%,并且针对每一种序列的预测准确率均可以达到98%以上。最后,本文以Sigma38、Sigma54、Sigma70 3种启动子分别和Coding区或者Non-coding区序列做四分类,预测得到的准确性为0.98,对3种Sigma启动子均衡样本的十交叉检验预测精度均可以达到0.95以上,海明距离为0.016,Kappa系数为0.97。结论 相较于支持向量机（support vector machine,SVM）等其他分类算法,CNN分类算法更具优势,并且基于CNN的分类优势,编码方式亦可以得到简化。