课程文献中心 更多>>

关键词： 人工智能   数据治理   数据政策   数智转型  

摘要： 文章从政策制定情况、政策内容要点、政策内容地区分布等方面梳理与分析我国面向人工智能的数据治理政策体系的构建情况。研究发现：我国面向人工智能的数据治理政策从国家到地方得到不同程度的制定，总体涉及数据主体、数据对象、数据全生命周期管理、数据保障等不同方面，进一步从凸显数据视角专题政策构建、强化数据专业要求的政策内容扩充、完备多元共进的央地政策协同等方面讨论政策体系的优化方向。

关键词： 人工智能算法   医学类大学生   学习倦怠   预警模型   干预策略  

摘要： 医学类大学生由于学习周期长、学习内容枯燥、专业技能要求高等原因,出现学习倦怠的现象较为普遍。为应对医学类大学生学习倦怠的问题,研究基于人工智能算法建立医学类大学生学习倦怠的预警模型,提出有效的干预措施。论文首先分析学生学习倦怠的特征信息,包括生理特质信息、学习信息和心理健康指标。通过采集相关数据,借助人工智能算法对之进行分析,识别学生个体的倦怠情况,并通过学习倦怠预警系统对解决倦怠问题提出措施建议。教育工作者根据该预警信息和措施建议,调整学生的学习计划,并通过心理干预、学习干预和环境干预等措施,缓解或消除学生的学习倦怠,提高学习效率和心理健康水平。人工智能虽然能够提供预测和辅助作用,但最终解决学习倦怠问题仍需要教师的干预或专业人士的心理辅导。

关键词： 针刺   机器学习   人工智能  

摘要： 机器学习在针刺处方优化、智能治疗、精准医疗领域应用日益广泛，并取得一定成果。然而相关研究仍存在模型可解释性较差、针刺研究数据集质量参差不齐、所构建模型在临床实际应用中难以落地等亟待解决的问题。因此，未来研究应以获取高质量临床及实验数据集为中心，以各类机器学习算法为抓手，着力构建解决各类针刺领域问题的专业模型，推动针刺领域研究的高质量发展。

关键词： 人工智能   AI新创企业   最优区分   场景驱动创新   资源编排   新质生产力  

摘要： 培育具有竞争力的人工智能（AI）企业，已成为落实“人工智能+”战略，加快发展新质生产力的关键。但相较于一般新创企业，AI新创企业处于新兴场域，且面临着数据资源获取难、算力基础设施缺乏、算法基础研究薄弱等新兴困境，更容易陷入短期内合法性难获取、中长期独特性难建构从而制约其持续发展的“创业魔咒”。最优区分理论为AI新创企业“求同存异”突破困境提供新视角，但鲜有学者关注AI新创企业实现最优区分、持续发展的机理。同时，由ChatG PT引发的新一轮AI大模型创业方兴未艾，但多数AI新创企业面临大模型能力复用差、场景应用能力弱、自我造血能力缺失等瓶颈，关键在于没有面向真实场景开展资源编排，难以驱动多元创新要素与情境要素整合共融，从而制约企业获取合法性与建构独特性。本文以典型的场景驱动型AI新创企业微言科技为例，通过纵向单案例研究发现：场景驱动助力AI新创企业实现最优区分、持续发展的动态过程经历了单场景探索、多场景并行和跨场景协同三个阶段，最优区分机制相应地由补偿协奏到耦合协奏并向裂变协奏演化。在最优区分实现过程中，AI新创企业面向特定场景有效编排资源，遵循“拼凑资源探索典型场景—捆绑资源拓展场景链—撬动资源构建场景生态”的演进规律，能推动资源向能力快速转化。本文揭示了AI新创企业如何应用场景驱动策略实现最优区分的动态过程机理，拓展了最优区分理论的应用边界，丰富了场景驱动创新与资源编排研究，为AI新创企业破解“创业魔咒”和国家加快“人工智能+”行动落地提供启示。

关键词： 视网膜疾病   视网膜血管   人工智能   彩色眼底照相   形态学参数  

摘要： 目的 建立一种适用于眼底多病种的精准视网膜血管网络分割方法，探讨不同类型眼底疾病的视网膜血管形态参数变化规律。 方法 采用回顾性研究方法，收集2020年1月至2023年12月在中山大学中山眼科中心就诊的眼底病患者829例及健康受试者146名的彩色眼底照相数据。将多路径分割网络进行微调，输入眼底图像血管分割公开数据集中糖尿病视网膜病变(DR)、青光眼以及年龄相关性黄斑变性(AMD)患者及健康成人的彩色眼底照相数据进行训练，直至模型loss值不再下降，最终得到完成训练的多病种视网膜血管分割模型。应用本课题组之前开发的视网膜血管形态特征分析方法，对受试者以黄斑为中心的彩色眼底图像进行分析，提取视网膜血管分型维数(D f )、血管面积比(VAR)、平均血管直径(D m )和扭曲度(τ)等形态特征参数，比较不同疾病组的视网膜血管形态特征参数。 结果 构建的多病种彩色眼底照相血管分割模型在测试集上的准确率为0.987，受试者工作特征曲线下面积为0.995。校正年龄和性别后，不同组间D f校正 、VAR 校正 、D m校正 和τ总体比较差异均有统计学意义( F ＝27.87、47.60、26.48、4.63，均 P <0.001)，其中AMD组、DR组、糖尿病性黄斑水肿(DME)组、视网膜色素变性(RP)组、视网膜分支静脉阻塞(BRVO)组和视网膜中央静脉阻塞(CRVO)组D f校正 较健康对照组显著下降，差异均有统计学意义(均 P <0.05)；除视神经炎组和中心性浆液性脉络膜视网膜病变组外其他所有疾病组VAR 校正 较健康对照组显著下降，差异均有统计学意义(均 P <0.05)；DME组、青光眼组、RP组、BRVO组和CRVO组D m校正 较健康对照组显著下降，差异均有统计学意义(均 P <0.05)。τ不受年龄和性别影响，无需校正。DR组和DME组τ较健康对照组显著上升，差异均有统计学意义(均 P <0.05)。 结论 成功构建了适用于眼底多病种的视网膜血管精准分割方法，该方法在视网膜多病种彩色眼底照相视网膜血管分割中均显示出高准确率。不同眼底疾病的视网膜血管形态特征存在显著差异。

关键词： 人工智能   眼底   视网膜血管   超复数   血管分割   四元数值神经网络   U-Net网络结构   Adam优化器  

摘要： 目的 建立基于U-Net的四元数值神经网络(QU-Net)的眼底血管分割模型，并验证其对眼底影像视网膜血管提取和分割的精确度和效率。 方法 采用超复数概念，使用彩色图片的3个通道，用四元矩阵表示彩色图片的所有信息数据；该四元矩阵用作四元卷积和四元数完全连接层的输入，基于U-Net架构进行计算，形成QU-Net模型。将QU-Net模型先在DRIVE、STARE和CHASE_DB1数据集上进行初始测试，与传统实数空间的U-Net、M-Net和SU-Net模型从准确率、敏感度、特异度、精确度、F1值和马修斯相关系数(MCC)等方面进行性能比较。进一步对该模型进行优化，并将优化后的QU-Net模型与国际上已知的先进模型进行横向比较，从而综合评估该模型在眼底影像血管分割提取方面的效率和准确性。 结果 QU-Net模型在DRIVE数据集上血管分割的准确率为0.956 6，敏感度为0.700 8，特异度为0.987 9，精确度为0.595 4；在STARE数据集上，其准确率为0.975 5，敏感度为0.890 7，特异度为0.984 2，精确度为0.662 5；在CHASE_DB1数据集上，其准确率为0.979 4，敏感度为0.747 0，特异度为0.990 6，精确度为0.596 9。QU-Net模型的特异度优于U-Net、M-Net、SU-Net模型，其准确率、敏感度和精确度不弱于3个经典模型。对QU-Net模型进行优化后，在维持其原本准确率和特异度的基础上，优化模型在3个数据集上的敏感度、精确度和F1值均得到有效提高。将其与国际上其他已发表模型测试的各指标结果在3个数据集分别进行横向比较，发现优化的QU-Net模型的准确率、特异度、敏感度、精确度、F1值均表现良好，综合分析结果显示该模型的血管分割能力不弱于国际先进模型，在所有对比的模型中，优化的QU-Net模型的F1值和MCC表现最优。 结论 本研究提出的QU-Net模型把数据维度空间从传统的实数空间提升至复数空间，大大减少了数据信息的损失；优化的QU-Net模型具有良好的眼底影像血管分割提取效率和准确性，并在检测细血管方面具有一定优越性。

关键词： 斜视   人工智能   深度学习   ChatGPT   大模型   多模态  

摘要： 斜视的尽早诊断和合理干预对改善患者预后具有重要意义，当前斜视的筛查和诊断主要依赖人工检查，存在人力资源不足和误诊、漏诊风险。近年来，人工智能在斜视领域的应用迅猛发展，涵盖斜视筛查、诊断、手术参数估计及预后预测等方面。基于视频、眼位照片及彩色眼底照相的深度学习模型在斜视筛查和诊断中显示出巨大潜力。尽管AI在斜视诊疗中取得了显著成效，但研究多排除复杂斜视类型，依赖静态、单模态数据，其实用性和普适性仍需进一步提高。未来，结合大模型技术和多模态数据的智能诊疗平台的建设将提升斜视的管理和眼保健水平，有助于实现斜视的个性化精准诊疗。

关键词： 葡萄膜   黑色素瘤   人工智能   机器学习   诊断   治疗   预后评估  

摘要： 葡萄膜恶性黑色素瘤是成人常见的原发性眼内恶性肿瘤，具有高度隐匿性和转移性，具有高致盲和致死风险。随着机器学习和深度学习技术的发展，人工智能(AI)在葡萄膜恶性黑色素瘤的诊断、治疗和预后评估中展现出相当的应用潜力，能够深入挖掘临床影像、病理及基因组等多维数据，辅助临床医师进行诊断和治疗决策。AI可以分析眼部照相和放射学图像数据，辅助鉴别诊断；预测放射治疗不良反应和效果，辅助优化治疗方案；基于临床特征和数字病理图像，构建精准的预后预测模型，其准确率可以媲美基因表达谱分析。尽管AI在葡萄膜恶性黑色素瘤的临床应用面临数据、技术和人机协作等挑战，但是随着对葡萄膜恶性黑色素瘤研究的深入和AI技术的发展，AI有望更精准、高效地助力葡萄膜恶性黑色素瘤患者的诊疗和预后评估，最终改善患者预后。

关键词： 青光眼   人工智能   多模态成像   彩色眼底照相   视野  

摘要： 目的 基于多模态数据开发能诊断青光眼并识别严重程度的深度学习模型。 方法 采用诊断试验研究方法，于2023年6—12月在昆明医科大学第一附属医院眼科收集正常人群86人145眼和不同严重程度原发性开角型青光眼患者314例507眼的彩色眼底照相和视野检查结果，并根据视野的平均缺损值将青光眼分为早期154眼、中期113眼和晚期240眼。分别采用DenseNet 121、ResNet 50和VGG 19卷积神经网络(CNN)模型建立人工智能(AI)青光眼严重程度分级模型，评估单模态数据与多模态数据对于分类结果的影响，并确定适合多模态数据的CNN网络架构。 结果 同时具有彩色眼底照相和视野检查结果者有652眼，按照4∶1的比率采用计算机取随机数法将图片分配到训练集和测试集。不同CNN模型建立的青光眼严重程度分级模型均具有较高的准确性，DenseNet 121整体有效性指标高于ResNet 50和VGG 19。在彩色眼底照相单模态AI模型、视野单模态AI模型、彩色眼底照相联合视野的多模态AI模型中，识别早期青光眼的受试者工作特征曲线下面积分别为0.87、0.93和0.95。 结论 基于多模态数据能建立具有高准确性的青光眼诊断和严重程度分级工具。