孕婦監護很重要，在降低胎兒死亡率、保障圍產期母胎安全、預防早產和妊娠意外等方面起到極為重要的作用。定期檢查是目前孕婦監護的主流方法，但院外檢查手段匱乏，而醫院監護設備昂貴、操作復雜。利用智能信息技術（如機器學習算法）可以分析孕婦相關生理信號，從而實現對母胎的早期檢測和意外預警，達到高質量院外監護的目的。但目前，與孕婦院外監護的智能處理方法相關的公開研究綜述報道不足，因此本文以孕婦院外監護為研究背景，對其中智能處理方法的公開研究報道進行綜述，分析現有研究方法的優缺點，指出可能存在的問題，闡述未來發展趨勢，以期為今后的相關研究提供參考。
因太赫茲（THz）波具有獨特的性質和優勢，逐漸在生物醫學領域受到重視并得以應用。燒傷是臨床上常見的一種外傷，由于THz的無損和對水敏感的特性，使得THz成像技術在燒傷檢測方面具有廣闊的應用前景。到目前為止，對燒傷創面的THz成像，已從離體研究發展到了在體成像，能夠透過紗布及膏藥獲得高分辨的圖像。本文主要介紹了THz成像技術在燒傷檢測中的最新應用及發展。
基于語音數據實現帕金森病診斷近年來已被證明是一種有效方式。但是，目前相關研究在樣本預處理和集成學習方面還考慮不足，從而造成樣本對分類器誤導、分類準確率和穩定性還不令人滿意等問題。本文提出了一種結合樣本重復剪輯算法和隨機森林的帕金森病診斷新算法，并基于最新公共數據集進行了對比實驗。實驗結果表明，本文算法實現了對語音樣本和受試者的分類診斷，針對受試者的平均分類準確率達到了100%，比原數據提供者最高改善了29.44%。本文基于樣本優選實現了一種新的語音帕金森病診斷算法；與同類算法相比，具有較高的準確率和穩定性。
胰腺癌的診斷非常重要，而細胞抹片顯微圖像的病理分析是其診斷的主要手段。圖像的準確自動分割和分類是病理分析的重要環節，因此本文提出了一種新的胰腺細胞抹片顯微圖像自動分割與分類算法。在分割方面，首先采用多特征 Mean-shift 聚類算法（MFMS）定位細胞核區域；接著采用彈性數學形態學結合角點檢測的去粘連模型（CSM）對粘連重疊細胞核進行去粘連處理，實現了分割的準確性和魯棒性。在分類方面，首先針對分割的細胞核提取了 4 個形狀特征和 138 個不同顏色空間的紋理特征；然后結合支持向量機（SVM）和鏈式遺傳算法（CAGA）實現封裝式特征選擇；最后將優選特征送入 SVM 進行分類，完成了胰腺細胞抹片顯微圖像的分類識別。本文采用了 15 幅圖像一共 461 個細胞核進行測試。實驗結果顯示，本文算法可以實現不同類型的胰腺細胞抹片顯微圖像的自動分割與準確分類。就分割來說，本文算法可獲得較高的正確率（93.46%±7.24%）；就正常和癌變細胞的分類來說，本文算法可獲得較高的分類正確率（96.55%±0.99%）、靈敏度（96.10%±3.08%）和特異度（96.80%±1.48%）。
語音特征學習是精神病語音識別方法的核心和關鍵。深層特征學習可以自動提取語音特征，但受限于小樣本問題；傳統的特征提取（原始特征）避免小樣本問題影響，但嚴重依賴經驗且自適應不佳。為了解決這一問題，本文提出了一種深層內嵌混合稀疏堆棧自動編碼器流形集成算法。首先，基于先驗知識提取精神病語音特征，構造原始特征。其次，將原始特征內嵌入到稀疏堆棧自動編碼器（深度網絡）中，對隱藏層的輸出進行濾波，增強深層特征與原始特征的互補性。再次，設計 L1 正則化特征選擇機制，壓縮由深層特征和原始特征組成的混合特征集的維度。最后，設計了加權局部保持投影算法和集成學習機制，構造了流形投影分類器集成模型，進一步提高了小樣本下特征融合的分類穩定性。此外，本文首次設計了一個中大規模的精神病語音采集方案，收集并構建了一個大規模的中文精神病語音數據庫，用于精神病語音識別算法的驗證。實驗結果表明，該算法主要創新部分有效；與其他有代表性的算法相比具有更好的分類準確率，最大改善了 3.3%。綜上所述，本文提出了一種基于深層內嵌混合稀疏堆棧自動編碼器和流形集成的精神病語音識別方法，有效提高了精神病語音識別準確率。
β 淀粉樣蛋白（Aβ）沉積是阿爾茨海默癥（AD）的重要防治靶點，在腦中及早發現 Aβ 蛋白沉積是 AD 早期診斷的關鍵。磁共振成像（MRI）是一種理想成像方式，但不能直接顯示圖像中存在的沉積信息。本文基于過濾式和封裝式的選擇模式引入鏈式智能體遺傳算法（CAGA）、主成分分析（PCA）、支持向量機（SVM）和隨機森林（RF），構建 6 種特征學習分類算法，通過像素特征優選來實現 Aβ 蛋白沉積信息（分布）的檢測。首先，分割腦磁共振（MR）圖像中的腦組織；然后提取腦組織中的像素值形成像素特征向量；接著設計特征學習分類算法對像素實現特征優選，并基于投票機制得到一組最終最優特征向量；最后采用彈性映射方法將最優像素特征向量映射到腦MR圖像上，并標記出對應的像素點，從而顯示出 Aβ 蛋白沉積的分布。實驗結果表明，本文的像素特征學習方法可提取并顯示 Aβ 蛋白沉積信息，最高分類準確率可達到 80% 以上，表明該方法是可行和有效的。本文從腦 MR 圖像中檢測的 Aβ 沉積信息將有助于提高基于 MR 的 AD 診斷準確率。
近年來，已有研究證明基于語音數據可實現帕金森病（PD）的診斷，但是目前相關研究主要集中在特征提取及分類器設計等方面，對于樣本優選方面考慮不足。本課題組前期研究結果表明，樣本優選可有效改進分類準確性，但是樣本和語音的相關關系至今還未能深入研究。因此，本文提出了基于相關特征加權和多核學習算法，同時對語音段和特征進行優選，用于發現語音段和特征的協同效應，從而達到提升 PD 分類準確性的目的。實驗結果表明，本文算法針對受試者的分類準確率達到了 82.5%，較已有文獻算法提高了 30.5%。此外，本文算法還挖掘出了語音段和特征的協同效應，對語音標記物提取有一定參考價值。
目的 探討在全腔鏡皮下腺體切除術治療男性乳腺發育癥中優化手術操作程序對其手術效果的影響。 方法 回顧性收集了 2014 年 1 月至 2017 年 3 月期間在成都市第三人民醫院行全腔鏡皮下腺體切除治療的男性乳腺發育癥患者 217 例，根據是否優化了手術操作程序（以 2015 年 4 月 1 日為界）分為優化組和未優化組，2015 年 4 月 1 日以前的患者未優化，以后的患者實施了手術操作程序優化。利用傾向評分匹配的方法，根據年齡、體質量指數及乳房大小行 1∶1 配對，比較 2 組患者的手術時間、術后住院時間、治療費用及患者自評的美容效果。 結果 共配對 47 對，匹配后 2 組患者一般臨床資料比較差異均無統計學意義（P>0.05）。優化組患者的手術時間、術后住院時間及住院費用明顯短或少于未優化組，分別為（139.90±37.18） min 比（175.20±46.99） min（P=0.002）、（7.13±1.46） d 比（8.47±2.71） d（P=0.021）及（11 426.80±1 861.19）元比（12 315.75±1 306.64）元（P=0.036），優化組患者術后 1 周時的外觀效果滿意度評分明顯高于未優化組 ［(7.33±1.16)分比（5.97±1.16）分（P<0.001）］。 結論 在全腔鏡皮下腺體切除術治療男性乳腺發育癥中優化手術操作程序可縮短手術時間、減少治療費用及提高患者滿意度。
目的對照研究超聲引導下微創旋切加置管引流與開放手術治療膿腫期肉芽腫性乳腺炎的治療效果。 方法回顧性分析并選取 2016 年 12 月至 2017 年 3 月期間于成都市第三人民醫院收治的膿腫期肉芽腫性乳腺炎患者 9 例以及 2017 年 3 月至 2017 年 10 月期間于四川省婦幼保健院收治的膿腫期肉芽腫性乳腺炎患者 29 例共計 38 例作為研究組，所有患者均采取彩超引導下的安珂微創旋切術加術后置管引流沖洗治療。同時按照 1∶1 配對研究，選取 2015 年 7 月至 2016 年 11 月期間于成都市第三人民醫院采取一期多孔硅膠管引流加二期病灶切除的 38 例膿腫期肉芽腫性乳腺炎患者作為對照組。對比 2 組患者在治療時間、術后美容效果以及復發率方面的差異。 結果研究組的治療時間明顯短于對照組（t=74.000，P<0.001），研究組的術后美容效果優良率明顯高于對照組（χ2=7.280，P=0.007），2 組患者術后 1 年復發率比較差異無統計學意義（χ2=0.559，P=0.455）。 結論微創旋切加置管引流沖洗治療膿腫期肉芽腫性乳腺炎在不增加復發率的基礎上可明顯縮短治療時間并能收到良好的美容效果。