快捷入口

  • 作者中心
  • 专家中心
  • 编辑办公

北京生物医学工程

北京生物医学工程

主管单位：北京市卫生健康委员会

主办单位：

   北京市心肺血管疾病研究所

创刊时间：1981

ISSN：1002-3208

CN：11-2261/R

刊期：双月

电话：010-64456508

邮箱：LLBL910219@126.com

地址：北京市朝阳区安贞路2号安贞

    医院《北京生物医学工程》编辑部

快捷入口

更多
  • 当期文章
  • 过刊浏览
  • 虚拟专辑
更多
Volume 45 期 4，2026 2026年第45卷第4期

  • 论著

    梁自晨, 张子恒, 张竹岚, 杨明翰, 杨家赵

    DOI：10.3969/j.issn.1002-3208.2026.04.001
    摘要：目的本研究旨在建立一种有效的术后股骨头坏死评估方案，特别关注股骨头数字化放射图像的复杂多样性。股骨头坏死是一种严重的骨科疾病，早期诊断对患者的预后至关重要。传统的影像学评估方法往往依赖于医生的专业判断，容易受到主观因素的影响，且对图像特征的提取和分析能力有限。因此，本文提出了一种基于深度学习的股骨头坏死分类模型，以提高模型对股骨头DR图像识别的准确度及计算效率。方法本研究采用轻量型网络MobileViT作为主干网络，结合了卷积神经网络（convolutional neural network， CNN）和视觉变换器（Vision Transformer）的优点，以有效处理高维图像数据。为增强模型的特征提取能力，在MV2块前嵌入了Squeeze-and-Excitation Networks（SeNet）注意力机制，通过自适应调整通道权重，帮助模型聚焦于重要特征。此外，课题组设计了全局分组坐标注意力（global grouped coordinate attention， GGCA）模块，使模型能够捕捉多维度的全局信息并进行特征增强。最后，采用基于L1非结构化剪枝策略来降低计算成本，通过去除冗余参数以提高模型的计算效率。结果本文选取安徽省立医院总院及南区因股骨颈骨折接受闭合复位和空心螺钉复位的470例患者临床资料作为数据集，进行消融实验和对比实验，结果显示该模型的准确率达到94.57%，非零参数量为6.64×105，与改进前相比参数量降低30.14%，与常用CNN模型AlexNet、MobileNet、ShuffleNet相比，准确率分别提高10.24%，16.26%，21.98%。结论本文提出的基于深度学习的股骨头坏死分类模型在术后股骨头坏死检测中具有较好的性能，是协助医生提高工作效率的一种有效尝试。通过结合轻量型网络架构、注意力机制和剪枝策略，该模型不仅提高了诊断准确性，还降低了计算成本。  
    关键词：深度学习;数字化放射图像;全局分组坐标注意力;模型压缩;特征提取   
    122
    |
    36
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 169062466 false
    更新时间：2026-08-17

    杨睿, 刘磊, 周江杰, 谭佳, 王子洪

    DOI：10.3969/j.issn.1002-3208.2026.04.002
    摘要：目的探讨认知干预训练中任务难度因素对大脑血氧响应和功能网络的影响。方法采用经典Stroop范式，任务设置为中性刺激（Neutral）与冲突刺激（Incongruent），通过多模态数据融合方法同步采集行为学指标（准确率、反应时间）和大脑皮层血氧（blood oxygen，HbO）信号。将左侧额叶（L_F）作为目标区域进行功能连接分析，比较集群系数（cluster coefficient，CP）、平均最短路径长度（average shortest path length，LP）、局部效率（local efficiency，Eloc）、全局效率（global efficiency，Eg）和小世界属性（small-world property，Sigma），分析两组任务中大脑网络效率差异。结果与Incongruent组相比，Neutral组具有较低的反应时间（P<0.05）和较高的准确率（P<0.001），且两个行为学指标间存在显著负相关关系（r=-0.683，P<0.001）。任务难度从Neutral任务增加至Incongruent任务时，大脑皮层HbO浓度显著增加（P=0.001），L_F与右侧额叶R_F的连接减弱，与右侧顶叶R_P的连接加强。此外CP（P<0.001）、LP（P<0.05）、Eg（P<0.001）和Sigma（P<0.001）等大脑网络评价指标均显著变化。结论额叶是认知干预训练过程中的重点监测区域；任务难度变化改变跨半球间的信息流向；增加任务难度促使大脑功能网络效率提升。本研究促使调节任务难度水平精准调控大脑功能重塑成为可能，最终获得最佳的认知干预训练效果。  
    关键词：认知干预;任务难度;血氧响应;大脑网络连接   
    50
    |
    25
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 169062348 false
    更新时间：2026-08-17

    王家琪, 韩爱庆, 王苹, 唐燕

    DOI：10.3969/j.issn.1002-3208.2026.04.003
    摘要：目的构建基于可解释性机器学习的前列腺癌风险预测模型，筛选核心预警指标，为前列腺癌早期诊断提供客观依据。方法数据来源于国家人口健康数据中心的前列腺肿瘤预警数据集，共纳入3 000例样本，按病理诊断结果划分为患癌组与非患癌组；结合临床病理意义构建游离PSA/总PSA、载脂蛋白B/载脂蛋白A1两项核心比值特征；采用10轮独立重复实验设计，以随机森林（random forest， RF）、轻量级梯度提升机（light gradient boosting machine， LightGBM）、CatBoost和极端梯度提升（extreme gradient boosting，XGBoost）为基模型，通过贝叶斯超参数优化与5折分层交叉验证完成各基模型的参数寻优，在此基础上构建堆叠集成学习（Stacking）模型；采用ROC曲线下面积（area under the curve， AUC）、准确率（accuracy， ACC）、F1分数等多维度指标评估模型性能，同时结合沙普利可加性解释（Shapley additive explanations， SHAP），量化核心特征的重要性及对预测结果的影响程度。结果构建的Stacking集成模型综合性能表现最优，在独立测试集上AUC达0.758 4±0.023 9，整体性能优于各单一基模型；SHAP分析显示，游离PSA/总PSA比值为最重要的预测特征，对模型输出贡献最大，且在多轮实验中表现稳定。结论基于Stacking的集成学习模型具有良好的预测性能与稳健性，结合SHAP可解释性分析能够清晰揭示模型决策依据与关键风险指标，可为前列腺癌临床早期筛查及穿刺决策提供重要参考。  
    关键词：前列腺癌;疾病预测;机器学习;Stacking;SHAP可解释性分析   
    42
    |
    29
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 169062479 false
    更新时间：2026-08-17

    高曼, 陈舜珏, 彭艳艳, 付丽曼, 梁玉, 刘迎凤

    DOI：10.3969/j.issn.1002-3208.2026.04.004
    摘要：目的当前，随着胎盘植入的发生率持续升高，但目前血清、超声等方式在评估深度及诊断效能中仍无法满足临床需求，故在此背景上探讨三维能量多普勒超声（three-dimensional power Doppler ultrasound， 3D PDUS）在诊断胎盘植入侵及膀胱的应用价值。方法取有剖宫产史、前置胎盘并胎盘植入且孕周≥28周的病例130例，将胎盘植入侵及膀胱病例48例归为病例组，将胎盘植入未侵及膀胱病例82例归为对照组。收集患者临床数据、常规超声图像和3D PDUS血流参数血管化指数 （vascular index， VI）、流量指数（flow index， FI）及血管流量指数（vascularization-flow index， VFI），比较3D PDUS参数差异，采用ROC曲线计算曲线下面积，评价VI、FI、VFI对胎盘膀胱植入诊断效能。结果病例组VI、FI、VFI值分别是33.65%±6.73%、47.36±9.47、17.52±3.51，对照组分别是25.98%±5.19%、43.16±8.63、12.26±2.45，病例组VI、FI、VFI均高于对照组（P<0.05）。VI、FI、VFI对胎盘膀胱植入有一定的诊断价值，ROC曲线数据显示VI截断值为32.565%时，曲线下面积为0.789（95%CI：0.712~0.867），约登指数为47.61，灵敏度为85.42%，特异度为62.20%，阳性预测值为56.15%，阴性预测值为89.23%；FI截断值为44.235时，曲线下面积为0.735（95%CI：0.635~0.834），约登指数为52.18，灵敏度为60.42%，特异度为89.02%，阳性预测值为77.69%，阴性预测值为78.46%；VFI截断值为15.760时，曲线下面积为0.823（95%CI：0.750~0.895），约登指数为49.44，灵敏度为72.92%，特异度为79.27%，阳性预测值为65.38%，阴性预测值为81.54%。结论3D PDUS定量参数对胎盘膀胱植入有较好的诊断价值，可为其提供有价值的参考信息。  
    关键词：三维能量多普勒超声;胎盘植入;膀胱;超声;产前   
    35
    |
    26
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 169062346 false
    更新时间：2026-08-17

    李中凯, 李晓琴, 高斌, 卢旺盛, 杨光明, 印胤

    DOI：10.3969/j.issn.1002-3208.2026.04.005
    摘要：目的颅内动脉瘤是一种严重威胁患者生命安全的疾病，其速度、压力和涡量的血流动力学预测对于诊断和治疗具有重要的临床意义。计算流体力学（computational fluid dynamics， CFD）能够有效地模拟血流动力学特征，但其计算成本较高。为此本文建立一种新型的深度学习架构，用于快速预测颅内动脉瘤的血流动力学。方法基于210例颅内动脉瘤患者的形状数据进行计算流体力学模拟，并根据计算结果构建压力、速度和涡量数据库。设计了一种结合了残差-挤压激励-模块（Res-SE-Block）和多尺度注意块（multi-scale attention block，MAB）的残差多尺度注意力生成对抗网络（residual multi-scale attention generative adversarial network，RMAGAN），基于动脉瘤的形状信息来进行压力、速度和涡量的血流动力学预测。生成器采用了残差多尺度U-Net架构，用以提高网络的性能和预测能力，判别器采用了马尔可夫判别器，来提高网络的运行速度，损失函数结合了CGAN的损失函数与Smooth损失函数。最后使用均方根误差（root mean square error， RMSE）、归一化平均绝对误差（normalized mean absolute error， NMAE）和皮尔逊相关系数（r）指标对本文的深度学习模型进行评估，同时与多层感知机和卷积神经网络进行了比较。结果深度学习模型的预测结果与计算流体力学模拟的速度、压力和涡量非常吻合，两种方法的相似度和准确性达到RMSE<0.280 4， NMAE<12.509 6%， r>0.815 3，同时减少了1 500倍的计算成本。结论本文的深度学习模型能够进行血流动力学的快速预测，并且大幅降低计算成本，为血流动力学模拟提供了一种全新的解决思路，在颅内动脉瘤的临床诊断和治疗研究中具有潜力。  
    关键词：颅内动脉瘤;计算流体力学;血流动力学;深度学习;生成对抗网络   
    40
    |
    22
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 169062165 false
    更新时间：2026-08-17

    范媛媛, 张玉勤

    DOI：10.3969/j.issn.1002-3208.2026.04.006
    摘要：目的通过对比腰扭伤后佩戴医用腰骶支具的患者与不佩戴医用腰骶支具患者的康复情况和恢复程度，分析腰骶支具在治疗急性腰扭伤中的作用，研究急性腰扭伤后佩戴腰骶支具的临床康复效果。方法纳入了162位腰部扭伤患者，记录了腰扭伤患者的腰痛JOA（Japanese Orthopedic Association）评分、VAS（visual analogue scale）评分、活动是否佩戴腰骶支具、是否避免体力劳动、是否口服非甾体抗炎药（nonsteroidal antiinflammatory drugs，NSAIDs）或肌松药物、是否有其他下肢伴随症状、是否采用其他治疗方案（如中医）等，来评估腰扭伤后佩戴腰骶支具的患者与不佩戴腰骶支具患者的康复情况和恢复程度。结果腰骶支具组患者和对照组患者在年龄、性别比例等方面没有统计学差异。腰骶支具组患者就诊时JOA均分10.2分，VAS均分6.1分；两周后电话随访时JOA均分23.2分，VAS均分2.2分；对照组患者就诊时JOA均分11分，VAS均分6.3分；两周后电话随访时JOA均分21.8分，VAS均分3.2分。独立样本t检验结果表明，腰骶支具组JOA评分差（随访时JOA评分-就诊时JOA评分）与对照组JOA评分差（随访时JOA评分-就诊时JOA评分）数据之间存在统计学差异（P=0.001，t=1.689），腰骶支具组恢复更快；腰骶支具组VAS评分差（随访时VAS评分-就诊时VAS评分）与对照组VAS评分差（随访时VAS评分-就诊时VAS评分）数据之间存在统计学差异（P=0.008，t=1.988），腰骶支具组恢复更快。结论腰部扭伤后佩戴腰骶支具可以缩短病程，提升患者治疗满意度。  
    关键词：急性腰扭伤;腰骶支具;腰痛JOA评分;腰痛VAS评分;恢复程度   
    44
    |
    21
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 169062344 false
    更新时间：2026-08-17

    周丰艺, 杨喆, 马苑, 王军

    DOI：10.3969/j.issn.1002-3208.2026.04.007
    摘要：目的针对乳腺超声图像中强散斑噪声、边界模糊及低对比度等问题，现有方法在处理不规则肿瘤与复杂背景时，难以兼顾全局语义与局部细节。为此，本文提出融合Swin Transformer与U-Net优势的CB-SwinUNet模型，旨在实现复杂场景下的高精度分割。方法模型构建基于Swin Transformer的U型架构，利用移动窗口自注意力捕捉长距离依赖。在此基础上引入两个增强模块：在编码阶段并行引入通道注意力与空间增强模块（channel attention and spatial enhancement， CASE），联合建模空间与通道特征，自适应抑制背景噪声并增强病灶表达；在跳跃连接处设计边界细节增强模块（boundary-aware detail module， BADM），利用轻量级卷积与多尺度池化聚合浅层高频信息，修正深层特征的边缘丢失。此外，结合复合损失函数与患者级五折交叉验证策略确保评估客观性。结果在BUSI（647例）与自建数据库（500例）上的实验显示，CB-SwinUNet的Dice系数分别达到0.859和0.842，IoU与Hausdorff距离等指标均优于U-Net、TransFuse等主流模型。消融实验证实，CASE显著提升了低对比度病灶定位能力，BADM有效修正了边缘刻画精度。模型收敛迅速且未出现明显过拟合。结论CB-SwinUNet通过深度嵌入式融合策略，实现了全局结构与局部细节的协同建模，有效解决了噪声干扰与边界模糊难题。实验结果充分验证了该方法在提升分割精度与泛化能力方面的优势，为临床辅助诊断提供了鲁棒的自动化方案。  
    关键词：乳腺超声图像;图像分割;深度学习;注意力机制;Swin Transformer   
    37
    |
    20
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 169062167 false
    更新时间：2026-08-17
查看更多
更多
0