关键词： 深度强化学习   级联LSTM网络   量化投资   PPO  

摘要： 随着计算机科技的高速发展,强化学习在量化投资中的应用更加广泛,基于深度强化学习的投资研究可以更好地从市场中学习到金融序列数据发展规律,通过智能体的策略训练代替人类做出决策,训练学习过的智能体可以根据市场信息做出最优判断决策,避免投资者自主投资时存在的情绪状态、心理因素等主观影响。 传统的深度强化学习模型在游戏等领域有着广泛的应用,但是这些传统的深度强化学习模型不能直接适用于低信噪比且不均匀的金融序列数据,因此对这些序列数据进行特征学习尤为必要,本论文基于深度强化学习模型,提出了CLSTM-PPO模型训练智能体进行股票市场交易。由于金融股票市场中存在大量的噪声,在金融序列数据中,大量的有关时序的市场信息隐藏其中,所提出模型首先使用LSTM从每日股票数据中提取时间序列特征,对原始的金融股票数据进行市场时序特征提取生成新的特征向量,然后提取的特征被提供给智能体,而强化学习中的智能体策略函数PPO也使用另一个LSTM,因此构成一个级联LSTM,训练智能体与环境进行互动学习,从而使智能体在后续交易中观察到某种市场状态时,模型策略根据学习的结果做出最优决策,帮助投资者获得最佳决策。 本论文分别用美国道琼斯30指数中的30支股票和中国沪深300中随机选取的30支股票进行了实验,采用与集成模型相同的交易环境,确定LSTM网络的最佳窗口值为30,实验结果表明,模型在累积收益率方面比以往的基准模型高出30%至109%,最高收益率高出22%至153%,这些优势在中国股市这个新兴市场上更为显著,其累积收益率比集成策略提高了109.7%,夏普比率提高了58.6%,尤其需要指出的是,中国股票数据的初始训练数据长度仅为2年,但是所提出模型的结果仍表现优异,表明其可以适应于样本量少的场景。整体而言,本论文提出的CLSTM-PPO模型在两个市场都表现出了良好的利润获取能力,并在获取高利润的同时,模型也具有较强的抗风险能力。这表明本论文所提出的模型是一种很有前途的构建自动化股票交易系统的策略模型。

关键词： 细胞周期   细胞周期标志物   单细胞RNA测序   机器学习   特征选择  

摘要： 细胞增殖是生物生长和发育的基本生物学活动之一。在细胞增殖过程中发生的事件序列通常被称为细胞周期,通常分为四个阶段,即G1期、DNA合成期(S期)、G2期和有丝分裂期(M期)。在真核生物中,处于不同细胞周期阶段的细胞具有特定的基因表达模式,从而发挥每个阶段特定的功能。已有研究表明,特定基因表达的失调会导致细胞周期的紊乱,从而引起异常的细胞增殖和癌症发生。现如今,靶向特定细胞周期阶段的药物策略已应用于癌症的精准治疗。细胞周期研究及其相关基因的鉴定不仅对癌症的临床诊疗提供重要理论指导,而且在靶向细胞周期治疗的发展中也起到了关键作用。确定细胞处于哪个细胞周期阶段对于癌症发展和药物靶向细胞周期的研究至关重要。过去,研究者主要通过显微镜观察细胞形态的变化来确定细胞周期阶段。此外,还可以利用细胞的DNA含量进行测量,通常使用荧光染料或自然放射性同位素标记DNA,并借助流式细胞术或放射自显影术等方法来定量测定细胞的DNA含量,从而推断细胞所处的细胞周期阶段。随着技术的不断发展,现代生物学家们引入了免疫荧光染色技术,通过使用特异性抗体标记细胞周期相关蛋白,如细胞周期蛋白和核分裂酸酶等,可以在细胞内形成荧光信号,从而定位细胞所处的细胞周期阶段。然而,当前的检测方法存在以下问题:(1)操作复杂且耗时;(2)无法进行大规模的细胞周期检测。随着单细胞技术的快速发展,以前无法想象的高分辨率大规模细胞分析成为可能。在本研究中,我们应用先进且广泛使用的计算方法对单细胞RNA测序数据进行分析,以探索额外的细胞周期信息。首先,我们利用Boruta和三种特征排序算法(最大相关最小冗余、Monte-Carlo特征选择和基于Light GBM的SHAP特征选择)筛选出细胞周期相关基因。其次,我们将决策树,随机森林,K最近邻和支持向量机融入增量特征选择方法中,并基于十折交叉验证评估模型性能,从而找出对应与三种基因排序列表的最优分类模型和最优特征子集。同时,我们挖掘了一系列定量分类规则,可以区分不同的细胞周期阶段。最后,我们综合了基于最大相关最小冗余、Monte-Carlo特征选择和基于Light GBM的SHAP特征选择三种方法产生的最优特征子集,鉴定出了关键细胞周期标志物,并通过GO富集和KEGG通路富集分析,基因生物学分析以及定量规则分析来解析这些基因的意义。综上所述,我们提出了一种新的细胞周期检测方法,并鉴定了新的潜在细胞周期相关基因。此外,我们还提出了一种优化的分类器,经过大量单细胞数据训练后,具有出色的分类性能。最后,分类模型中的定量决策规则为区分不同细胞周期阶段的细胞提供了直接线索。通过本次研究,我们提出了一种创新的计算方法,可以在单个细胞水平上准确预测细胞所处的细胞周期阶段。同时,我们还鉴定了一大批潜在的细胞周期标志物,这些发现有助于进一步探索细胞周期调节的分子机制。此外,这些标志物有望成为癌症的预后生物标志物,为治疗靶点的开发提供指导,从而促进精准医疗的发展。

关键词： 皮肤病   计算机辅助诊断   小样本学习   图像分割   图像分类  

摘要： 基于深度学习的皮肤病智能辅助诊断技术,能够为医生提供有价值的辅助诊断意见,提高工作效率从而改善医患不均的现状。然而训练深度学习网络依赖大量的标注样本,目前收集和标注皮肤病样本都是昂贵的,公开数据集仅包含少数类别的有限标注样本,但是皮肤病种类多,除了统计在册的2,000多种,新的类谱还在不断增加。因此,如何依靠少量标注样本实现皮肤病智能辅助诊断,同时使算法有识别新疾病的能力,具有研究和应用价值。 本文基于小样本学习的思想解决皮肤病智能辅助诊断任务中面临的样本标注数据不足问题,主要包括患病区域分割和分类两项任务。由于皮肤病图像自身特点,在标注样本较少的情况下难以获得理想的分割效果,而且新类别中少量的噪声样本就会导致严重的分类偏差,同时网络在学习新类别时却对旧类别产生灾难性遗忘。本文针对在实际诊疗任务中面临的上述问题,设计充分挖掘有限样本中有效信息的小样本学习方法,实现噪声鲁棒的分类网络,缓解网络中的灾难性遗忘,构建贴近实际诊疗场景的皮肤病智能辅助诊断平台。 本文的主要贡献和创新点在于: (1)提出基于共现区域约束引导特征的双路小样本分割网络,解决皮肤病分割任务中因标注样本不足和引导特征关联性小导致的分割效果差的问题。首先,该网络利用小样本学习网络双分支结构特点,设计共现区域生成算法挖掘样本中的有效先验信息,弥补样本不足问题;其次,使用获得的高置信度共现区域组成约束分支,避免因关联性小的引导特征导致分割错误;最后,本文将像素分类转化为图节点分类问题,使用图神经网络增加小样本学习网络推理能力。实验表明该方法能够有效提升患病区域的分割效果。 (2)提出基于多尺度特征的互监督图注意力小样本分割方法,通过多尺度特征融合进一步弥补标注样本不足问题,同时解决特征弥散问题提升分割效果。首先,设计图注意力模块促使网络快速关注各中间层中的重要特征信息,避免多尺度特征融合导致的特征弥散;其次,针对图注意力导致的支撑图像中引导特征减少的问题,设计基于图注意力的权重调整算法,鼓励更多的前景特征参与引导分割;最后,设计基于图的近邻节点传播算法优化分割结果。实验表明该方法进一步提升了皮肤病图像的分割准确度。 (3)提出基于噪声样本修正的小样本分类方法,解决少量的噪声样本导致的严重分类偏差问题。首先,使用原型网络作为主任务分支构造分类原型,对比学习分支作为辅助任务分支提升网络的特征表达能力,提升分类原型的准确度;其次,基于对比学习分支设计噪声样本发现算法并筛选样本;最后,基于分类原型设计噪声修正算法,经过修正后的噪声样本用于提升分类原型。实验表明,该方法能够在一定比例噪声数据的场景下工作,具有较强噪声鲁棒性。 (4)提出基于多模态图像的小样本增量分类方法,缓解小样本皮肤病分类网络中由于样本少导致的严重遗忘问题。首先,本文设计小样本增量学习网络,基于该网络提出梯度平坦化思想,设计队列梯度更新算法实现梯度平坦化思想,使网络既能快速泛化到新的类别,也能减轻遗忘;其次,由于临床图像方便获取,本文同时使用皮肤镜图像和临床图像增加识别的皮肤病类别范围;最后,采用鉴别分类取代单一分类的方式,给医生更多有价值的参考意见,提高工作效率。实验表明,该方法能够为临床提供有价值的辅助诊断意见。 (5)为了验证提出的小样本皮肤病分割和分类算法的有效性,本文基于公开数据集和自主收集标注的数据集,设计了更贴近实际诊疗需求的小样本皮肤病图像分割和分类数据集。基于该数据集研发了皮肤病智能辅助诊断平台,该平台通过整合本文所设计的算法实现皮肤病智能辅助诊断任务,在实践中有效的提升了医生的工作效率和诊断准确率。

关键词： 水面无人艇   轻量化目标检测   增量学习   领域自适应  

摘要： 随着国家经济的不断发展,海洋资源的需求增加,越来越多的关注被投入到海洋技术的研究和开发中。水面无人艇作为一种新兴的高科技产品,具有很大的市场潜力和应用前景。可靠的感知系统是保证无人艇安全运行的关键因素之一,目标检测可以为无人艇实现自主导航和避障提供所需要的海面目标信息。但由于海面目标的多样性和海洋环境的复杂多变,为无人艇目标检测带来了诸多挑战。因此开展海面目标增量学习和海面场景增量自适应的研究,对于无人艇快速适应海洋环境的动态变化具有重要的实用价值。本文基于哈尔滨工程大学研制的“QZ”水面无人艇,开展目标检测模型轻量化、海面目标增量学习、海面场景增量自适应的研究,提高无人艇感知系统在复杂海洋环境下的自适应能力。首先,对于水面无人艇而言,感知和控制通常在算力有限的嵌入式设备上完成。而目前大部分目标检测算法在嵌入式设备上的实时性较差,无法为无人艇提供实时可靠的海面目标信息。为了提高在嵌入式设备上的检测速度,本文在YOLO v5目标检测模型的基础上进行轻量化处理,使所提出的算法在检测速度和精度之间达到更好的平衡,更适合部署在无人艇上执行目标检测任务。其次,由于海面目标类别的多样性,无人艇上部署的目标检测模型可能无法检测训练集中未出现的海面目标类别。此时使用新目标数据集对模型重新训练,会产生灾难性遗忘现象,模型无法准确识别旧类别目标。因此本文提出一种增量学习方法,可以快速学习新的目标并保持模型对于初始目标的记忆。采用知识蒸馏的思想,构建蒸馏损失函数,避免模型在学习新目标时对于初始目标产生遗忘,使无人艇快速适应海面目标的变化,持续学习新的目标。然后,针对在真实海面场景下,由于气候、光照等条件的变化导致目标检测模型性能下降的问题,采用领域自适应的方法,使模型适应海面场景的变化。但现有的领域自适应方法旨在提高目标域的检测性能,忽略了模型在源域上性能的急剧下降。为了解决学习新领域时产生灾难性遗忘的问题,基于上述增量学习的方法提出一种增量领域自适应方法,具体可以分为两个阶段:第一阶段,采用循环生成对抗网络将源域中的图像转换为与目标域数据分布相匹配的图像;第二阶段,增量学习生成的目标域数据集。使模型学习新海面场景的同时,避免在已学习场景中性能大幅下降,以提高无人艇感知系统的自适应能力。最后,基于“QZ”无人艇平台在真实海洋环境中开展海上实验,利用无人艇搭载的光电吊舱采集真实海面图像,对本文提出的方法进行实验验证。实验结果表明,对目标检测模型进行轻量化处理后满足无人艇感知系统对于实时性的要求;所提出的增量学习方法可以持续学习新的海面目标并避免对初始目标产生灾难性遗忘;所提出的增量自适应方法可以快速适应海面场景的动态变化。这些方法适合部署在无人艇感知系统中,为无人艇自动驾驶提供更加可靠的海面目标信息,促进无人艇智能化水平的提升。

关键词： 拉氏图   支持向量机   神经网络   蛋白质结构标注  

摘要： 蛋白质是生命体的基本组成单元,在诸如催化生物反应、调节基因表达、传递信号和运输物质等各种生物过程中起着关键作用。蛋白质功能与其空间结构密切相关,而二级结构是蛋白质最基本的空间结构单元,对于揭示生命体的基本原理至关重要。现有的蛋白质二级结构识别与标注方法虽然取得了一定的成果,却存在诸多问题,如准确率不高,计算流程复杂,难以标注中低分辨率结构等。拉氏图(Ramachandran plot)是一种基于物理构型的蛋白质二级结构验证工具,但目前的拉氏图解析能力有限,准确率不高,无法对所有蛋白质的结构进行有效地验证和标注。近年来,机器学习技术的不断发展,它极强的泛化能力与数据处理能力,使其在许多领域取得了重大突破。本文基于机器学习和拉氏图优化,针对蛋白质二级结构的标注,做了以下工作。(1)针对高分辨率结构,提出了基于数据筛选的机器学习分类模型SVMRama(Support Vector Machine-Ramachandran plot)。通过支持向量机方法,对传统拉氏图的合理区域进行优化和细分,使细分后的合理区域的范围精确到具体的二级结构种类,SVM-Rama可以提高蛋白质结构验证准确率,并简便精确地标注二级结构。标注结果表明,该方法在二级结构标注中,平均准确率0.88,接近传统方法取得的最好结果,但训练和计算成本远小于传统方法。(2)针对中低分辨率的结构,提出了神经网络模型NN-Rama(Neural Network-Ramachandran plot)。该方法利用神经网络的强大泛化能力和数据处理能力,基于对大量中低分辨率结构数据的分析,在保证标注准确的基础上,提高了传统拉氏图的泛化能力,实现了对中低分辨率蛋白质二级结构的准确标注,有效地识别异常区域并保证结构完整性。与同类方法的对比结果表明,NNRama具有较高的准确率:平均成绩0.74,比目前最好的CaBLAM方法高出2.7%;在计算流程上,比CaBLAM减少了71.4%,计算效率大幅提升。通过对比,SVM-Rama和NN-Rama在标注蛋白质二级结构方面均表现出良好性能。此外,由于结合了以物理构型为基础的拉氏图,使得机器学习模型具备了较强的可解释性,这是许多其他机器学习模型所不具备的。本研究不仅可以为蛋白质二级结构的研究提供有力的支持,也能为相关领域如药物开发、蛋白质工程等应用提供重要的理论依据。

关键词： 强化学习   深度Q学习   值函数分布估计   有模型强化学习   分层强化学习   冰壶策略学习  

摘要： 强化学习是解决序列决策问题的一种途径,其主要思想是将问题建模成马尔可夫决策过程,使问题的目标与奖励信号相对应,然后智能体通过试错的方式不断更新策略,以取得最大化的奖励。强化学习不需要有标签数据,同时智能体能够基于状态行动,具有较强的适应能力,这些性质使强化学习成为人工智能领域热门研究方向之一。与深度学习结合形成的深度强化学习方法在视频游戏,智能控制,推荐系统等领域取得了突破性的成就,具有广泛的应用价值。 尽管在一些复杂任务中展现出了较好的效果,深度强化学习领域仍然面临诸多挑战,其中之一便是算法样本低效问题。智能体需要与环境交互,采集大量样本进行训练才能得到具备一定性能的策略。以雅达利视频游戏为例,智能体交互6～9天,共进行约2千万次交互才能达到人类玩20分钟的水平。现实世界中智能体大量交互会增加时间和经济成本,限制了深度强化学习进一步发展与应用。其原因在于智能体与环境交互时,由于策略质量不佳容易做出错误决策,使其陷入到不利的状态之中,增加完成任务需要的样本数量。为避免智能体做出错误决策,尽快完成任务,实现样本高效的算法,本文从三个方面提升了智能体策略质量,包括策略的鲁棒性,规划能力和探索能力,并提出一种加速策略训练进程的方法,具体包括以下四个研究内容: (1)提出基于自适应值函数分布边界的强化学习方法,解决强化学习中由于策略鲁棒性不强导致的样本低效问题。智能体面对存在随机性或不确定性的环境时,容易受到任务无关因素的影响,从而做出不合理决策,使算法变得样本低效。该方法利用已采集样本对值函数完整分布进行建模,学习到有效的状态特征表示;同时利用自举法获取到值函数分布边界的置信区间,自适应地更新分布边界;最后引入目标策略平滑方法。实验结果表明,该方法能有效提升策略鲁棒性和估计的准确性,在仿真机器人控制这类易受任务无关因素影响的环境中表现稳定,实现了样本高效的强化学习算法。 (2)提出基于多样化预测轨迹的有模型强化学习方法,解决强化学习中由于策略缺乏规划能力导致的样本低效问题。智能体在面对决策步数长且状态不可逆转的环境时,若智能体缺乏规划能力盲目行动会增加完成任务的难度,甚至使任务无法完成,增加交互次数。该方法利用样本隐含的环境转移信息,以监督学习方式对环境模型进行建模,接下来通过拟合的环境模型和一种探索型想象策略生成关于未来的多样化预测轨迹,然后将这些轨迹作为额外的信息一同输入到策略网络中,使策略具备规划能力和预测能力,能够做出符合长远利益的决策。实验结果表明,该方法通过建立环境模型,并生成预测轨迹,在推箱子这类状态不可逆转,需要提前规划的游戏中能展现出较高的样本效率。 (3)提出基于状态覆盖的分层强化学习方法,解决复杂环境中由于策略探索能力不强导致的样本低效问题。智能体在面对奖励稀疏或者存在欺骗性奖励的环境时,容易陷入到无意义的交互之中,导致采集到大量重复,对训练无帮助的低价值样本,使算法样本低效。该方法基于分层强化学习框架,将动作序列抽象成技能。并利用样本建立生成模型,衡量状态新奇程度,以此构造信息熵内在奖励函数,鼓励智能体发现彼此差异化较大的技能,同时最大化技能的访问状态差异,增加执行技能时的状态覆盖率,促进对于环境的探索。实验表明该方法在仿真机器人跨栏这类需要积极探索,具备分层结构的任务中取得了较好的效果,能够鼓励智能体访问陌生的状态,避免其陷入到某一区域当中,提升了算法样本效率。 (4)提出基于二次采样的深度Q学习方法,解决由于经验回放难以采样到促进训练的样本导致的样本低效问题。经验回放是增强强化学习方法训练稳定性的重要手段,然而实际训练时经验池往往十分庞大,且不同样本对于训练的促进作用也是不同的。该方法分析经验池中样本所在序列的累积回报分布,在此基础上考虑样本训练时序误差分布,得到序列采样优先级和样本采样优先级,以上述两种优先级对经验池样本进行采样,构造训练样本集。实验结果表明,该方法能从庞大经验池中挑选出加速网络收敛,促进策略训练的样本,提升了算法在雅塔利视频游戏中的样本效率。 最后本文将提出方法在模拟冰壶环境中进行了验证。首先构造冰壶比赛仿真系统,包括运动模拟和碰撞检测等模块;然后设计智能体策略训练方法,由于冰壶比赛环境中充满不确定性和随机性,且策略搜索空间庞大,这些因素严重影响了算法样本效率,给冰壶比赛策略的学习带来了挑战。为此,本文将基于自适应值函数分布边界的强化学习方法和基于二次采样的深度Q学习方法结合起来训练冰壶环境下的智能体策略。实验结果表明,结合后的方法能够有效应对这些挑战,学习到具备良好性能的策略,提高了算法在该问题中的样本效率。

关键词： 居民消费价格指数   机器学习   SHAP解释方法  

摘要： 居民价格消费指数（CPI）反映了居民购买生活消费品和服务价格变动趋势和程度。从世界大背景看,2021年下半年到2022年,全球物价水平上涨形势愈加严峻,处于比较严重的通货膨胀状态。近几年我国通胀表现相对温和,但2022年6月到8月有所上升。在我国,CPI是衡量通货膨胀的重要指标,也是宏观经济分析与决策的重要指标,因此对CPI进行研究和有效预测十分必要。本研究旨在通过过往文献研究中找出CPI可能的影响因素,挑选一系列指标建立模型,对未来的CPI做出较精确的预测;同时分析各个指标是如何对CPI产生影响的,以及这种影响的重要程度,从而在有关部门制定缓解通胀的政策时提供参考。在以往对CPI影响因素的研究中,货币发行、投资、利率、汇率等宏观经济指标都被证明与CPI会产生显著影响,而这些各种指标基本可归纳到需求拉动、成本推动、货币政策、金融市场、预期类和结构性等六类因素中;在CPI预测模型的应用方面,传统的ARIMA模型、向量自回归等时间序列模型应用最为广泛,而随着机器学习方法的兴起,研究者开始尝试用机器学习的各种模型对CPI进行研究,因为这些模型既可以加入更多变量,又能拟合经济指标之间复杂的非线性关系,在实践中往往有效的提高了CPI的预测精度。针对机器学习模型的“黑盒”特点SHAP解释方法的发现为研究者提供了一个分析机器学习模型中各特征对因变量影响能力大小和方向以及他们之间相互作用的方法。因此针对研究目标,采用多种机器学习模型对CPI进行预测,并且与传统模型进行对比,再选取最佳模型用SHAP法进行CPI影响因素的分析。第一部分和第二部分为绪论和模型方法介绍,第三部分为指标体系构建和数据处理,首先通过过往的文献搜集和经济学原理支持,按需求拉动、成本推动、货币政策、金融市场因素、预期类和结构性六大类因素建立CPI的预测指标体系,对部分指标数据采取三次样条插值等预处理方法统一为月度数据;然后进行时差相关分析和脉冲响应分析,对每个指标筛选合适的滞后项分别代表该指标在短期、中期或者长期对CPI的影响,作为预测模型的特征进入模型。第四部分建立随随机森林回归、K近邻（KNN）回归、极端梯度提升（XGBoost）回归、支持向量回归（SVR）、以及BP神经网络（BPNN）五种非线性机器学习模型,与Lasso回归、岭回归两种线性模型和SARIMA、向量自回归（VAR）两种时间序列模型进行对比,选择平均绝对误差（MAE）、均方误差（MSE）、决定系数（R2）作为模型预测性能的评价指标,发现KNN回归和SVR样本外预测性能较优,MAE约为0.32,其次是随机森林回归,这三种机器学习模型均优于传统模型;对于表现较优的KNN模型,再通过SHAP解释方法对CPI的影响因素进行分析,研究各特征对当下CPI同比增速影响的大小和方向,分析近期CPI有所上涨的原因,以此得出第五部分的结论和政策建议本文的主要研究结论为:第一,机器学习模型预测性能整体表现最好的是KNN回归模型和SVR模型,两者预测的平均绝对误差在0.32左右,随机森林回归模型次之,三者均优于线性回归模型和时间序列模型,XGBoost回归和BPNN模型在样本外预测表现较差。第二,针对KNN回归模型采用SHAP解释方法,发现绝大多数特征对CPI的影响方向都是正向的,而消费者预期指数、工业生产者购进价格指数以及城镇就业劳动力成本等在长期反而是负向的,从因素分类来看对CPI产生影响最大的是结构性因素和预期类因素,结构性因素下各指标对CPI的影响都非常大,其他三个因素主要影响指标分别为物价预期指数、固定资产投资和社会消费品零售总额、OPEC原油价格指数,而货币政策因素和金融市场因素影响不大。在控制通胀时一般需要重点关注的指标为前一段时间的物价、人们对通胀的预期、国际大宗粮食价格以及较远期的固定资产投资情况。第三,根据对2022年8月CPI预测值的瀑布图分解,发现本轮CPI的突然上涨主要因为国际能源价格、国内非食品类的物价以及国际大宗农产品价格上涨,食品类物价的上涨也有一定的推动,而由于国内疫情的原因,社会消费需求整体减少,人们对消费和物价的预期也较低,导致国内的通货膨胀并没有进一步上升,此外,这些指标对CPI的冲击是在短期、中期或是长期均有说明。相应政策建议为:第一,首先重视食品类的物价上涨,稳定各种食品价格;第二,关注物价预期指数,做好群众的预期管理,防范人们的物价预期对通胀造成的压力;第三,关注国际局势引起的国际大宗粮食价格和能源价格上涨,近期的CPI突然上升与之密切相关,第四,可能由于疫情的影响,国内医疗、服务业等非食品类消费价格上升,有关部门应该密切关注、稳定物价,缓解疫情带来的冲击。

关键词： 肺结节   卷积神经网络   计算机辅助诊断   计算机断层扫描   Vision Transformer  

摘要： 肺癌是全世界导致死亡的主要原因之一,早期发现对肺癌的成功治愈至关重要。随着医学影像技术的发展,胸部的计算机断层扫描(CT)是诊断肺癌的常用方式。然而,通过CT扫描图像进行肺癌的人工筛查非常耗时费力。因此,有必要开发基于CT图像的肺癌自动化检测和分类技术。现有的一些深度学习算法,比如卷积神经网络,已与计算机辅助诊断(CAD)系统进行了集成,可以实现通过CT图像进行肺癌的辅助检测和分类。但是,现有的CAD系统方案具有一些局限性,比如很难准确检测和分类肺结节。因此,本文主要针对肺结节的检测和分类进行研究并提出了若干改进算法。 首先,本文提出了基于三维多尺度视觉Transformer(3D-MSVi T)的CAD方法,该方法主要是通过增强多尺度特征提取,并最终提高了胸部CT图像的肺结节检测效率。本文所提的3D-MSVi T方法采用了局部-全局的Transformer块结构:局部Transformer阶段单独处理每个尺度图像,并将处理后的特征转发到全局Transformer阶段以合并多尺度特征。为了减少网络参数,Transformer块完全依赖注意机制,没有包含卷积神经网络。因此,与现有的文献相比,本文所提出该方法以较低的网络复杂度获得了良好的结果。 其次,肺结节通常附着在血管上,这导致CAD的检测任务具有挑战性。因此,检测附着在血管上的肺结节需要复杂的图像处理和分析技术。针对此难题,本文提出了基于混合有效通道注意力(ECA)模块的三维残差网络方法,该方法能有效提高附着在血管上的肺结节的检测效率。ECA模块允许网络动态地将更多注意力分配给与目标任务相关的特征。在肺结节检测的背景下,该模块可用于识别对区分结节和非结节更重要的特征。本文所提混合有效通道注意力的三维残差网络方法能够提高识别结节的准确性、提高计算效率和提高可解释性。此外,通过有选择地将注意力集中在重要特征上,可以使用更少的参数并更快地训练模型。 最后,本文利用胸部CT图像进行了良性和恶性肺结节的分类研究。为了提升胸部CT图像中肺结节分类的准确性,本文提出了基于贝叶斯理论的卷积神经网络通道和空间注意力优化方法(3D-CSConv Net)。利用贝叶斯理论,网络参数得到了有效优化,从而提高分类的准确性。此外,通道和空间注意力的使用也有助于将网络模型聚焦在图像中最相关的特征,进一步提升了分类的准确性。本文比较了跨阶段局部网络(CSPNet)、路径聚合网络(PANet)和残差网络(Res Net),利用该三个网络的特性,设计了肺结节分类的常用混合方案进行消融实验。局部网络用于从关联的医学图像中提取高层特征,而路径聚合网络将局部网络的特征进行聚合,最后将它们组合起来输出分类结果。可以看出,本文所提出方法获具有更低网络复杂度,同时实现了对肺结节的有效分类。 本文所提方法在肺结节分析2016数据集(LUNA16)上得到了充分的验证。LUNA16数据集为评估肺结节的深度学习算法提供了广泛的数据集。实测数据的验证,证明了相比现有方法,本文所提算法对各种大小、形状、纹理和位置的肺结节分类都更有效。

关键词： 急性缺血性卒中   计算机体层灌注成像   灌注后处理软件   最终梗死体积   梗死核心   缺血半暗带   急性缺血性卒中   计算机体层灌注成像   扩散加权成像   深度学习   最终梗死体积   缺血性脑卒中   责任病灶   体层摄影术,X线计算机   影像组学   机器学习  

摘要： 第一部分两种CT灌注后处理软件在评估急性缺血性卒中梗死体积中的应用价值比较目的:Olea Sphere和Shukun-Perfusion Go是目前临床工作中较常用的两种计算机体层灌注成像(computed tomography perfusion,CTP)后处理软件,但两者在评估梗死核心和低灌注区的体积方面均存在一定差异与不足。本研究拟对两种软件在评估前循环急性缺血性卒中(acute ischemic stroke,AIS)脑组织缺血梗死情况的应用价值进行比较。材料与方法:回顾性收集符合纳入和排除标准的前循环AIS患者122例,根据是否接受血管再通治疗或保守治疗分为干预组(n=52)和保守组(n=70)两组,记录所有患者相关影像学和临床资料。两组患者均接受一站式4D-CTA/CTP检查,在工作站上采用Olea Sphere(简称Olea)和Shukun-Perfusion Go(简称Perfusion Go)后处理软件分别对原始CTP数据进行处理,计算获得梗死核心(ischemic core,IC)和低灌注区(IC+缺血半暗带)体积,并采用ITK-SNAP软件在随访非增强CT(non-contrast computed tomography,NCCT)或磁共振扩散加权成像(diffusion-weighted imaging,DWI)图像上手动勾画测量得到真实最终梗死体积(final infarct volume,FIV)。使用SPSS版本22.0进行统计学分析,比较Olea和Perfusion Go两种软件计算所得IC和缺血半暗带体积的差异,并探究其预测FIV与真实FIV之间的关系。结果:(1)采用Olea和Perfusion Go软件获得的IC及缺血半暗带的体积差异(P<0.001)均具有统计学意义。其中,Olea获得的IC较大,Perfusion Go获得的低灌注区较大。(2)两种软件都存在对部分病例梗死体积高估的情况,其中Olea高估的患者比例更大。(3)两种软件预测FIV与真实FIV的一致性与相关性分析显示,在干预组和保守组中,Olea比Perfusion Go获得的FIV值的组内相关系数(intraclass correlation coefficient,ICC)值均更高,干预组-Olea:ICC 0.633,95%CI0.439～0.771;干预组-Perfusion Go:ICC 0.526,95%CI 0.299～0.696;保守组-Olea:ICC 0.623,95%CI 0.457～0.747;保守组-Perfusion Go:ICC0.507,95%CI 0.312～0.662。(4)Olea和Perfusion Go两种软件在准确诊断和分类梗死体积是否小于70毫升的患者方面具有相似的能力。结论:Olea和Perfusion Go软件在准确诊断和分类梗死体积是否小于70毫升的患者分类方面具有相似的能力;但两种软件在评估IC和缺血半暗带方面存在差异,其中Olea预测的FIV与真实FIV更一致且相关性更密切。第二部分基于深度学习的非阈值法预测缺血性卒中最终梗死体积的研究目的:计算机体层灌注成像(computed tomography perfusion,CTP)常用于评估急性缺血性脑卒中(acute ischemic stroke,AIS)患者脑组织的缺血梗死情况,为其治疗方式的选择提供重要依据。本课题拟采用深度学习(deep learning,DL)对原始CTP数据进行学习,探究非阈值法预测患者梗死区域和最终梗死体积(final infarct volume,FIV)的效能并与阈值法进行比较。材料与方法:回顾性收集符合纳入和排除标准的前循环AIS患者115例,详细记录所有患者相关影像学和临床资料。所有受试者作为整体组,并根据患者的血管再通情况和接受不同治疗后的效果分为干预组和保守组两组。为保证划分后干预组和保守组数据分布和整体数据保持一致,采用分层抽样技术按5:5的比例将受试者划分为训练集(n=58)和测试集(n=57)。受试者每层CTP图像手动配准对应DWI作为分割标签,构建Cenet、Unet++和ISPnet共3种DL分割模型执行脑梗死体积的预测,其CBV、TTP、CBF和MTT共4组灌注参数数据作为模型的输入。采用受试者工作特征(receiver operating characteristic,ROC)的曲线下面积(area under curve,AUC)评估3种DL模型的分割性能,并进一步分析模型精确率、召回率、特异度、Dice相似系数得分和豪斯多夫距离(Hausdorff distance,HD)。选取分割性能较好的模型作为非阈值预测算法,通过体积计算公式得到非阈值法预测的FIV。同时

关键词： 中老年高血压，体检数据，SMOTE-ENN，机器学习，风险预测  

摘要： 高血压是中老年人常患慢性病的一种，也是心梗等心血管疾病的高危因素。高血压患者发病前期少有不适感，多数患者在体检或其他疾病检查中发现高血压，截止到目前这种疾病仍然无法通过药物或手术手段彻底治愈，一旦出现血压升高目前的治疗手段主要是通过长期服用药物降低血压，因此及早干预防止疾病发生尤为重要。第七次人口普查数据显示我国已进入老龄化时代，中年人群也占有相当大的比例；高血压疾病产生其他并发症尤其是心脑血管疾病的风险随着年龄的增长而上升，因此通过有效的方法对高血压发病风险进行预测，筛查高危人群对高血压防治十分重要。本文基于昆明某体检中心体检数据建立高血压风险预测模型，首先从个体影响因素和遗传因素方面对患病影响因素进行分析，发现本文体检数据集中高血压患病情况随着年龄的增长患病率升高，中老年男性的患病率高于中老年女性，BMI指数偏高和向心性肥胖的中老年人群高血压患病率高于正常人群，具有高血压家族史的中老年人群高血压患病率高于正常人群。提示此类人群应注意关注身体健康状况，定期体检和测量血压，发现血压升高及时就医用药。针对体检数据集数据分布不平衡问题，采用删除多数类样本和增加少数类样本相结合的SMOTE-ENN组合采样方法；处理后数据的不平衡程度大幅改善。对处理后数据用多种机器学习方法进行建模，选择决策树、随机森林、GBDT、XGBoost、LightGBM和前馈神经网络建模并比较不同模型的优劣；由于更希望患病人群被准确预测，重点关注模型的特异度和误报率，Light GBM模型特异度为0.931，在所有模型中最高；误报率为0.068，在所有模型中最低，认为此模型在上述模型中表现最为优秀。将平衡前原始的体检数据代入模型，发现其误报率为0.150，特异性为0.856；可认为Light GBM模型在实际应用中能较为准确分辨出患病人群，具有一定实用价值。