特征表達是基于磁共振成像（MRI）的帕金森病（PD）計算機輔助診斷系統診斷準確性的重要決定因素。深度多項式網絡（DPN）是一種新的有監督深度學習算法，對于小數據集具有良好的特征表達能力。本文提出一種面向 PD 計算機輔助診斷的棧式 DPN（SDPN）集成學習框架，以有效提高基于小數據的 PD 輔助診斷準確性。本框架對所提取的 MRI 特征的每一個特征子集分別通過 SDPN 得到新的特征表達，然后采用支持向量機（SVM）對每個子集進行分類，再對所有分類器進行集成學習，得到最終的 PD 診斷結果。通過對公開的帕金森病數據庫 PPMI 進行實驗，基于腦網絡特征的分類精度、敏感度和特異性分別為 90.15%、85.48% 和 93.27%；而基于多視圖腦區特征的分類精度、敏感度和特異性分別為 87.18%、86.90% 和 87.27%。與在 PPMI 數據庫中的 MRI 數據集進行實驗的其他算法研究相比，本文所提出的算法獲得了更好的分類結果。本文研究表明了所提出的 SDPN 集成學習框架的有效性，具有應用于 PD 計算機輔助診斷的可行性。
目的 對主動脈竇瘤破裂（ruptured sinus of Valsalva aneurysm，RSVA）的Sakakibara分型進行改良，探討其改良分型法對手術修補的指導意義。 方法 回顧性分析2006年2月至2012年1月期間159例在阜外心血管病醫院接受RSVA修補術患者的臨床資料，男105例，女54例；年齡2～71 （33.4±10.7） 歲。所有患者按改良Sakakibara分型歸入5類，Ⅰ型：竇瘤破入肺動脈瓣下（n=66），其中84.8%合并室間隔缺損（VSD），53.8%合并主動脈瓣關閉不全（AI）；Ⅱ型：竇瘤破入右心室室上嵴或嵴下（n=17），88.2%合并VSD，23.5%合并AI； Ⅲ型：竇瘤在靠近三尖瓣環處破入右心室（Ⅲ v型，n=6）或右心房（Ⅲ a型，n=21），18.5%合并VSD，25.9%合并AI；Ⅳ型：竇瘤破入右心房（n=46），23.9%合并AI，無VSD；Ⅴ型：其他罕見情況，如竇瘤破入左心房、左心室、肺動脈或其他部位（n=3），全部合并AI，33.3%合并VSD。大部分竇瘤起自主動脈右冠竇（n=122），另有35例起自無冠竇，僅2例起自左冠竇。結果 100%的Ⅴ型和50%的Ⅲ v型RSVA患者單純經主動脈切口入路進行修補。大多數Ⅰ型、 Ⅱ型和Ⅳ型患者單純從竇瘤破入的心腔側進行修補（所占比率分別為71.2%、 64.7% 和69.6%），76.2%的Ⅲ a型患者同時使用上述2個徑路完成修補。其中Ⅳ型患者體外循環時間［（92.4±37.8） min］和主動脈阻斷時間［（61.2±30.7） min］ 最短。全組無手術死亡，2例（Ⅰ型、Ⅱ型各1例）在術后早期因右心室流出道再狹窄而二次手術矯治。對絕大多數患者采用補片材料加固竇瘤的修復方法（n=149），僅10例患者（其中Ⅳ型5例、Ⅲ a型4例、Ⅱ型1例） 采用單純線性縫合竇瘤的方法。33例患者同期接受主動脈瓣置換術（66.7%為Ⅰ型）。隨訪147例（92.5%），2例（Ⅰ型、Ⅲ a型）術后因心房顫動而接受射頻消融治療，1例（Ⅳ型）因殘余分流再次手術，隨訪期間無遠期死亡。 結論 RSVA的改良Sakakibara分型法對選擇手術修補入路具有臨床指導意義，各種類型的RSVA均可以取得良好的手術治療效果。
多任務運動想象腦電信號有效分類有助于實現精準的多維人機交互，充分利用受試者的高度頻域特異性可提升分類準確率和魯棒性。為此，本文提出基于自適應時頻共空間模式結合卷積神經網絡的多任務腦電信號分類方法。通過自適應頻譜感知提取受試者個性化節律特性，再采用一對多共空間模式計算空域特性，進而表征復合時域特性構建時空頻多層次融合特征，最后利用卷積神經網絡進行高精度高魯棒性四分類。本文采用包含10位受試者［（33 ± 3）歲］實測數據的自測數據集以及第四屆2018腦機接口競賽數據集2a（BCI competition Ⅳ-2a）對本文算法進行驗證，所提算法四分類平均準確率分別達到了93.96%和84.04%，且在公開數據集中本文算法相較于其它先進算法平均分類準確率明顯提高，受試者間準確率范圍誤差則大幅降低。結果表明，本文所提算法在多任務分類中表現出良好性能，能有效提高分類精度和魯棒性。