一、网络与医学信息搜索（论文文献综述）
申子阳[1]（2021）在《中老年人健康信息甄别能力研究》文中认为随着信息时代的到来和智能手机的普及,信息泛滥使互联网用户每天接收到的信息良莠不齐,因而,信息甄别已经成为日常生活中常见且自然的行为。当前,十九大报告强调进一步实施“健康中国战略”谱写了健康中国的清晰蓝图,提升全民健康信息素养成为了亟待解决的问题,从大量健康信息中找到真信息,提升健康信息甄别能力是重中之重。为此,健康信息学研究成为图书情报界的研究热点之一,尤其是新冠肺炎疫情的发生,使得图书情报界的学者们更加关注健康信息以及信息行为研究。本研究将健康信息甄别看作一个活动,以中老年群体为研究对象,认为:健康信息素养高的用户更加了解健康信息的获取、认知、评价等方面,才可能正确甄别真伪健康信息;自我效能高的用户期望成功,并将坚持一项活动直到它完成。故而,推断用户的健康信息素养、自我效能会影响上述群体的健康信息甄别能力。通过进行“微信搜索”实验,借助健康信息素养量表和自我效能量表采集有关数据,研究健康信息素养和自我效能对该群体的健康信息甄别能力的影响及其变化,实验发现:（1）高、低健康信息素养组和高、低自我效能组的中老年人健康信息甄别能力得分存在显着差异,说明健康信息素养、自我效能两因素均对中老年人健康信息甄别能力存在影响。（2）高、低健康信息素养组和高、低自我效能组的中老年人在甄别健康信息准确性、合理性和支持度三个维度的能力存在显着差异,甄别健康信息可信度维度不存在显着影响,说明不同健康信息素养和自我效能水平下,中老年人均对网络健康信息保持警惕之心,觉得网络健康信息可信度不高。（3）高、低健康信息素养组和高、低自我效能组的中老年人搜索后健康信息甄别能力得分增量存在显着差异,说明健康信息素养和自我效能均对提升中老年人搜索后健康信息甄别能力存在影响,可以通过加强中老年人的健康信息素养、自我效能和搜索教育培养从而提升甄别能力。（4）健康信息素养与自我效能对中老年人健康信息甄别能力及其增量不存在交互影响。（5）人口统计学变量对中老年人的健康信息甄别能力以及搜索后甄别能力提升有很大的影响。年龄、教育程度对中老年人的健康信息甄别能力有影响,而性别和居住地对其无影响。中老年人年龄越大则健康信息甄别能力越弱,教育程度越高则健康信息甄别能力越强;中老年人健康信息素养和自我效能越高,则健康信息甄别能力越高,经过搜索后甄别能力也均会提升,但用户健康信息甄别能力越强其搜索后健康信息甄别能力提升也较慢。研究结果启示我们,可以通过提升用户健康信息素养和自我效能以及开展搜索教育来增强中老年人健康信息甄别能力,进而提高公众的健康知识储备和健康信息素养。本研究不仅拓展了健康信息甄别领域的研究方法,而且完善了该领域影响因素研究,验证了健康信息素养和自我效能对中老年人的健康信息甄别能力存在影响,明确了提高中老年人健康信息甄别能力的渠道,并从用户、社区、社会和图书情报机构四个角度,为提高中老年群体乃至全民健康信息甄别能力和健康信息素养建言献策。
肖毅[2]（2021）在《基于深度学习的肺结节自动检测和诊断》文中研究指明社会发展和工业化进程中人居环境和生活习惯的滞后,导致癌症越来越威胁到人民的生命健康和生活质量,肺癌是其中发病率和死亡率最高的癌症之一。如果能在肺癌的早期及时发现并充分治疗,肺癌死亡率可以得到显着降低,患者的5年存活率将得到很大的提高。胸部计算机断层（Computed Tomography,CT）扫描是早期肺癌的主要检查方式,但是CT影像数量巨大而有经验的放射科医师数量不足。长时间阅片容易导致工作负担的加重和工作效率的降低,且容易出现误诊和漏诊的情况。现阶段基于深度学习的肺结节检测和分割以及肺结节分类方法具有模型设计复杂,精度低的缺点。因此,本文主要围绕基于注意力特征融合的多任务肺结节检测和分割方法以及基于多尺度卷积神经网络的肺结节分类方法进行研究,并且基于上述方法设计了一个肺结节CT图像辅助诊断分析系统。本文主要研究内容概述如下:（1）针对肺结节检测和分割方法模型精度低且计算复杂度高的问题,提出一种端到端的基于注意力特征融合的多任务肺结节检测和分割算法。首先,该方法采用一种多任务学习模型进行建模,实现模型特征信息共享和计算复杂度降低。其次,提出了多尺度通道和空间注意力机制进行通道和空间关注,并实现了一种残差注意力特征融合模块,该模块能够更好地实现语义和尺度不一致的特征融合。最后,设计了一个自适应多任务损失函数,能够通过约束条件平衡主任务和辅助任务的权重量级平衡不同类型的任务,避免在训练过程中整个网络被简单任务主导并导致任务之间的性能巨大差异。在LIDC-IDRI数据集上对该方法进行了验证,结果表明本文提出的算法可以提高肺结节检测和分割的精度,与现有的相关算法相比均取得了较好的效果,并且能够实现肺结节检测和分割性能的平衡。（2）当前基于深度学习的方法取得了不错的效果,然而手动设计复杂的网络架构非常耗费资源,且严重依赖于研究人员的知识和经验。现有的基于深度学习的方法参数众多,无法很好地解释每个参数的含义以及模型的运行机制,具有较差的可解释性。针对上述问题,本文提出一种基于神经架构搜索的肺结节分类方法。首先,利用神经架构搜索技术设计高效的3D分类网络结构,以注意力残差cell作为搜索空间的基本单元使用偏序枝剪方法作为搜索策略,已达到网络性能和搜索速度的平衡。其次,在网络中使用多尺度通道和空间注意力模块来提高特征描述和类别推理的可解释性。最后,将搜索到的网络架构采用堆叠法进行多模型融合,以获取精准的肺结节良恶性分类预测结果。本文在公开数据集LIDC-IDRI上进行了广泛的实验,通过和最新方法的对比,表明了本章提出的基于神经架构搜索的肺结节分类方法具有较好的分类性能和较快的收敛速度。（3）设计和实现基于web的CT肺结节辅助诊断系统,系统由图像获取模块、肺结节检测和分割模块、肺结节分类模块和智能分析模块组成。医生首先登陆系统并通过图像获取模块实现患者病例数据获取功能。然后依次使用预先设置的肺结节检测和分割模块、肺结节分类模型进行自动诊断并返回诊断结果,实现肺结节自动检测、分割和分类功能。智能分析模块通过展示肺结节自动诊断结果实现辅助医生进行阅片和临床诊断的功能。该系统实现了对CT图像中肺结节的自动筛查和诊断功能,帮助影像科医生提高诊断效率和降低工作量。
王欢[3]（2021）在《基于注意力机制的医学图像自动分割算法研究》文中研究说明医学影像是一种非常重要的信息载体,其可以很好的帮助临床医师了解患者病情,辅助医师规划治疗方案。医学图像分割技术同样在临床应用中有着至关重要的作用,例如病灶大小测量、器官和病灶定位、病灶形状、放疗规划、辅助手术和解剖结构研究等。目前基于传统图像处理和深度学习的图像分割技术被广泛的应用于医疗图像的自动分割。然而,精确的医疗图像分割仍然存在以下挑战。首先患者的组织和病灶结构呈现高度的多样性和变异性;医疗影像的成像模式和参数众多,不同的成像模式将会获得多种差异巨大的医疗影像;医疗影像成像质量不一,存在多种伪影和噪声的干扰从而导致图像模糊等问题。因此,针对上述所提到的问题,研究相应的解决方案,开发准确有效的自动医学图像分割算法具有重要的研究和应用价值,这也是本文的研究课题。本文以医学图像为研究对象,对大脑肿瘤分割、皮肤病变分割、三维椎体分割、风险器官分割和细胞核分割等任务开展研究,以构建具有可解释性和特征学习能力强的注意力方法为研究主线,提出了三种不同的基于深度学习的医疗图像分割算法。本文的主要研究成果如下:（1）为了构建更有效的高低级特征融合机制、增强高低级特征的编码质量和语义一致性,本文提出了一种基于级联高低级特征增强的图像分割算法。与此同时,低级特征增强模块被提出,其被用来将高级语义信息嵌入到低级特征中;高级特征增强模块被提出,其被用来聚合最优的高低级混合特征并将更有效的空间信息嵌入高层特征中。此外通过可视化分析,探索了深度学习背后的特征学习机制,为深度学习在医学图像处理领域的可解释性分析做出了努力。（2）为了利用网络空间注意力模块之间的空间相似性,构建统一联合的注意力优化体系结构,本文提出了一种基于跨层注意力融合的图像分割算法。该方法以跨层注意力融合架构为主体,其依次融合相邻的注意力模块的空间注意力权重图,从而使网络中的所有注意力模块构成一个整体,共同学习共同优化。此外,一个全新的Top-K指数对数Dice损失函数被提出,其被用来平衡网络对不同大小样本和不同难易样本之间的分割。（3）为了简化网络架构的参数选择和优化注意力模块的体系结构,本文提出了一种基于神经网络架构搜索的深度注意力的图像分割算法。该方法以网络架构搜索为基础,探讨了最优注意力模块的构建。与此同时,一种新的同步搜索策略被提出,其被用来同步搜索网络中的所有注意力架构,为网络不同位置提供针对性的优化。本文在多种具有不同成像参数和成像模式的医疗数据集上对以上方法进行了大量的实验分析,有力的证明了其在图像分割任务上的良好适用性,更进一步的可视化分析为注意力机制的原理和可解释性给出了深入的讨论。最后,总结了方法存在的问题和未来工作。
许良梅[4]（2021）在《系统性红斑狼疮患者网络健康信息鉴别能力干预方案的构建》文中认为目的 构建出SLE患者网络健康信息鉴别能力的干预方案,并评价SLE患者网络健康信息鉴别能力干预方案的可行性和初步效果,为下一步开展临床正式干预试验奠定基础。方法 第一阶段:SLE患者网络健康信息鉴别能力干预方案的构建1.文献研究:系统检索中英文数据库公开发表的网络健康信息鉴别能力的干预性文献,根据纳入与排除标准独立筛选文献,并对文献资料进行提取、分析和总结,形成《SLE患者网络健康信息鉴别能力干预方案—初稿》。2.方案意见征询会议:采用在线会议形式,邀请4名风湿免疫科临床医护人员和6名SLE患者共同参与到干预方案的制定中。根据会议结果对干预方案初稿进行修订,形成《SLE患者网络健康信息鉴别能力干预方案—函询版》。3.德尔菲专家咨询:邀请健康信息学、健康教育学、护理学、风湿免疫学等领域15位专家对方案中的在线课程教育内容进行2轮函询。课题组在每轮专家咨询结束后对专家意见进行整理、分析和讨论,最终构建《SLE患者网络健康信息鉴别能力的干预方案》。采用专家权威系数、专家积极系数、专家意见集中程度和协调程度判断研究的可靠性和科学性。第二阶段:SLE患者网络健康信息鉴别能力干预的预试验研究预试验:采用非同期对照设计,方便选取2020年6月在安徽省某三级甲等医院风湿免疫科住院的20例SLE患者为对照组,2020年8月入住的23例SLE患者为实验组。对照组接受常规的健康教育指导,实验组在此基础上接受网络健康信息鉴别能力的干预。干预结束后,通过计算招募率、完成率和满意度三个指标评价方案可行性,通过评估SLE患者网络健康信息鉴别能力、电子健康素养两个指标评价方案有效性,并邀请研究对象与干预人员对干预过程进行评价,给予意见和建议,最终修订和完善干预方案。结果 第一阶段:SLE患者网络健康信息鉴别能力干预方案的构建1.文献研究:（1）共9篇文献纳入研究,干预对象多为艾滋病患者、学生群体、老年群体以及普通网民。干预提供者主要为计算机专业老师、医学相关专业人员、图书馆员或相关专业硕士研究生、网络健康教育相关专业人员以及信息行为科学研究中心研究员。干预内容上,大多数研究通过自行设计的课程内容进行培训。干预形式包括线上和线下两种方式。干预剂量上,干预时长为10分钟到120分钟不等;干预频率为1次到8次不等。评价工具上,主要包括网络健康信息鉴别能力测试题、电子健康素养量表。干预效果上,研究均表明通过课程培训,参与者的网络健康信息鉴别能力均有所提高,说明通过教育培训可以进一步提高个体网络健康信息鉴别能力。（2）构建的《SLE患者网络健康信息鉴能力干预方案—初稿》框架为:采用在线课程培训,干预人员为4名研究小组成员,干预内容主要包括网络健康信息鉴别重要性、鉴别网络健康信息的方法、检索高质量健康信息的策略以及微信健康类谣言的鉴别方法4个方面;干预频次为每周2次,每次20～25分钟,共6次;可行性评价包括定量评价和定性评价2个方面,其中,定量评价指标包括招募率、完成率和满意度,效果评价指标为网络健康信息鉴别能力与电子健康素养。2.方案意见征询会议:形成《SLE患者网络健康信息鉴别能力干预方案—函询版》。干预内容主要包括系统性红斑狼疮基本知识、网络健康信息鉴别的重要性、网站健康信息鉴别的方法、检索高质量健康信息的策略以及微信健康信息的鉴别方法5个方面,干预形式为钉钉在线课程培训,干预人员为4名研究小组成员;干预次数为6次,干预时间为双休日晚8点,每次20～25分钟。3.德尔菲专家咨询:2轮专家咨询的专家积极系数均为100%,专家权威系数分别为0.89和0.90,Kendall’s W值均有统计学意义（P<0.01）。2轮专家咨询后,各指标的重要性赋值为4.13～4.93分,变异系数为0.05～0.18。干预内容主要包括系统性红斑狼疮基本知识、网络健康信息的特征与质量、获取高质量网络健康信息的方法以及鉴别网络健康信息的方法4个方面,包含4个一级指标,13个二级指标以及32个三级指标。第二阶段:SLE患者网络健康信息鉴别能力干预的预试验研究预实验:共纳入43名SLE患者,两组患者的一般资料、干预前网络健康信息鉴别能力与电子健康素养得分差异均无统计学意义（P>0.05）,具有可比性。干预后实验组网络健康信息鉴别能力评分为（12.85±2.18）分（t=8.175,P<0.001）、电子健康素养评分为（33.67±3.26）分（t=5.526,P<0.001）,均优于对照组,差异均有统计学意义。干预结束后,共有15名SLE患者和3名干预人员针对干预过程提出了意见和建议,可行性评价结果显示,招募率、完成率、满意度分别为100%,95.34%,100%。结论 本研究结合SLE患者自身特点与需求,采用理论介绍和实践操作相结合的授课方式,运用在线直播平台对SLE患者网络健康信息鉴别能力进行干预。采用5次在线培训,培训内容包括SLE基本知识、网络健康信息的特征与质量、获取高质量网络健康信息的方法以及鉴别网络健康信息的方法4个方面。干预方案构建过程具有系统性和科学性,构建出的干预方案具有一定的针对性、实用性及可行性。下一步研究将开展临床正式干预试验以评价干预方案的效果,以期为临床护理人员进行网络健康信息鉴别能力的干预提供依据。
尚丽维[5]（2020）在《在线医疗社区信息交互关系网络关键节点影响力研究》文中认为在线医疗社区作为践行新医改背景下“健康中国”建设的重要支撑,是现代医疗领域中知识交流与分享的新平台,社区成员的信息交互过程能够促进医疗知识高效扩散,关键节点成为在线医疗社区信息交互关系网络中的重要力量。在线医疗社区能够助力医生患者信息交互实现信息互联互通,它的健康发展需要关键节点影响力的正向推动。在线医疗社区是现阶段医疗服务系统变革过程中的新兴事物,对提升人民健康水平、促进医疗服务发展和全面贯彻落实总体国家安全观具有重要意义,如何准确把握在线医疗社区信息交互关系网络关键节点影响力提升的重要性,全面总结出在线医疗社区信息交互关系网络关键节点影响力机理认识、关键节点识别方法、关键节点动态演化规律以及关键节点影响力评价工作中存在的提升困境,从而提出在线医疗社区信息交互关系网络关键节点影响力提升策略的建议,需要政府和平台管理者注意到新兴事物中蕴含的一系列新现象以及底层逻辑,这些从关键节点影响力视角探究发现的在线医疗社区信息交互关系网络中的新现象和新规律能够更好地指导未来在线医疗社区的实践提升工作。本文以在线医疗社区信息交互关系网络关键节点为研究对象,在系统梳理国内外在线医疗社区信息交互关系网络关键节点相关研究的基础上,运用文献分析、实证分析、比较分析和社会网络分析等研究方法,结合信息负载理论和约束理论,对在线医疗社区信息交互关系网络关键节点进行了深入研究,提出关键节点影响力的机理框架和解释模型,挖掘在线医疗社区信息交互关系网络关键节点及演化规律,探索以在线医疗社区信息交互关系动态网络为基础的关键节点影响力的评价方法,并提出关键节点影响力提升策略的相关建议。本文的研究工作主要有:第一,对在线医疗社区信息交互行为进行分析。首先,本章对在线医疗社区成员信息交互行为的内涵进行了系统的梳理,提出本文所认为在线医疗社区成员信息交互行为的定义;其次,分析了在线医疗社区成员信息交互行为的角色,对各类角色的属性、作用和价值进行讨论;接着,思考了在线医疗社区成员信息交互行为的过程,并按照具体类型进行区分和整合;最后,总结出在线医疗社区成员信息交互行为的特征,分别论述各自特征的含义与内容。第二,探究在线医疗社区信息交互关系网络关键节点影响力的形成机理。首先对在线医疗社区、信息交互、信息交互关系网络、关键节点和约束理论的理论基础进行了阐述,综合提出在线医疗社区信息交互关系网络关键节点影响力机理框架;其次,借鉴约束理论,构建了在线医疗社区信息交互关系网络关键节点影响力模型,阐述了信息交互能力、信息交互关系强度以及信息负载能力与关键节点影响力之间的内在关系;最后,在该理论框架和模型的指导下,通过Python语言编程获取百度贴吧HPV主题的用户数据,利用社会网络分析工具Gephi,构建百度贴吧HPV主题的信息交互关系网络,并对在线医疗社区信息交互关系网络关键节点影响力模型进行检验。第三,挖掘百度贴吧HPV主题的信息交互关系网络关键节点及演化规律。首先,界定了在线医疗社区信息交互关系网络关键节点影响力的基础概念、明确了关键节点及演化规律的研究方法和技术路线;其次,通过反复开展探索性实验,利用社会网络分析方法,以百度贴吧用户关注关系作为构建信息交互关系网络的基础,对节点中心性进行分析,对关键节点的现实身份进行细分;对信息交互关系网络主导结构分析,对关键节点特征值的分布规律作进一步判断;对关键节点进行分析,从关键节点类型构成将关键节点划分为信息交互达人型、信息交互主动型、信息交互被动型和信息交互懒惰型四种类型,并通过对用户发帖和回帖内容、以及访问用户主页判断关键节点的现实身份。最后,对实验结果进行讨论,发现未曾受重视却具有现实启发意义的现象,需要政府和平台管理者注意到这类新现象。第四,基于信息交互关系动态网络的在线医疗社区关键节点影响力评价研究。首先,对相关概念及理论进行阐述,其次,构建在线医疗社区关键节点影响力评价模型。根据信息交互过程确定两类在线医疗关键节点影响力评价指标,并对具体评价指标释义;利用一种改进的熵权法来确定具有传递性质的指标权重,具有权重分配合理、符合网络动态规律等特点;根据社会网络分析方法计算在线医疗社区关键节点的每个具体指标的观测值实现对评价过程的优化。最后,选取HPV吧开展实证研究,反复爬取社区成员的用户数据,从不同实验权重结果对比分析、不同组别评价结果对比分析、不同时间评价结果对比分析三种不同维度对在线医疗社区关键节点影响力进行动态评价。第五,在线医疗社区信息交互关系网络关键节点影响力提升策略。论述在线医疗社区信息交互关系网络关键节点影响力提升的重要性,针对我国在线医疗社区信息交互关系网络关键节点影响力机理认识、关键节点识别方法、关键节点动态演化规律以及关键节点影响力评价工作中存在的提升困境,利用前文章节得到的机理模型、动态识别思路、演化规律发现、长期评价方案,提出在线医疗社区信息交互关系网络关键节点影响力提升策略的相关建议。既有助于促进在线医疗社区信息交互关系网络的知识分享效率,又有助于减少在线医疗社区中一系列的不安全因素,使在线医疗社区赖以生存和发展的健康信息资源的可信性和科学性得到保障,引领在线医疗社区获得长期的、稳定的运营与发展。本文从理论层面丰富了在线医疗社区信息交互关系网络关键节点的理论体系,深化了社会网络理论的应用领域和范围,为在线医疗社区信息交互关系网络关键节点研究提供科学方法和理论依据,并为在线医疗社区信息交互行为研究提供了新的理论视角。在实践层面,本文为增强在线医疗社区关键节点影响力提供参考依据和建议,为在线医疗环境下关键节点影响力的提升提供方法支持,为在线医疗社区健康发展提供实践启示。在以后的研究中,将继续应用网络爬虫技术获取不同类型的在线医疗社区用户数据,采用社会网络分析方法对不同类型的在线医疗社区关键节点影响力进行分析和刻画,为具有多源异构的特征的不同类型的在线医疗社区的信息交互服务提供更有针对性的指导建议。
柳庆莉[6]（2020）在《背景信息辅助SEQ2SEQ导医台自动问答系统》文中进行了进一步梳理随着现代医疗体系的日益成熟,越来越多的新兴技术应用于医疗系统中。其中,自动问答技术就给医患沟通带来很大帮助。基于深度学习的生成式问答系统一般使用序列到序列（Sequence to Sequence,Seq2Seq）框架搭建问答模型,但是该模型无法充分利用相关情景下的文本信息,生成的一些回答较为简单。为使模型生成的回复更加丰富,本文采用一种将医疗背景信息与Seq2Seq问答模型相结合的新型导医台问答模型。论文首先研究了中文语料预处理技术以及中文词向量表达形式与训练方法,采用了word2vec训练工具训练分布式词向量,相比稀疏词向量表示方法降低了词向量维度,减少了网络的计算量。其次,对结合Attention机制的Seq2Seq问答模型进行研究,模型中分别使用多种循环神经网络作为编码器与解码器,对比多组实验,选择模型训练效果最好的网络作为问答模型的编解码器。然后,为了提高问答模型生成回复的准确率与多样性,在Seq2Seq问答模型的基础上增加了医学背景信息模型。将Seq2Seq问答模型作为预训练模型,增加背景信息后进行再训练,使得模型不仅与问答语句有关也充分学习了背景信息的特征,生成的回复更加丰富真人化。最后,由于传统的问答模型评价指标没有涉及句子的语义层次,与人工评价指标具有差异,因此本文采用一种相关性与相似性综合评价指标（RSEB）。该评价指标结合生成回复与参考回复之间相似度以及生成回复与问题之间相关度,对模型回复语句进行综合评价。通过Tensorflow深度学习算法框架搭建自动问答模型,对比背景信息问答模型与Seq2Seq问答模型回复效果。实验结果表明,本文所用模型生成的回复语义更加丰富完整,质量高于传统问答模型生成的回复,因此背景信息辅助的导医台自动问答模型更适用于医院导医台。并且通过模型测试效果对比,发现本文所用的RSEB指标相比PPL指标更具有优势。
张筱晗[7]（2020）在《高职医学生电子健康素养现状的混合性研究 ——以淮安市某高职医学院为例》文中研究表明随着人们对自身健康关注度的不断提高,人们逐渐转变为自我健康的首要责任人,个体的健康越来越多地依赖于其自身采取健康促进行为的意愿和能力。电子健康素养是搜寻、理解、评价并运用网络健康知识进行健康决策以促进个人健康的能力。信息时代,网络成为健康知识的载体。如何在纷杂的网络环境中搜索、理解、评价、运用网络健康知识以促进个体健康决策的达成是信息时代人们面临的重要任务,电子健康素养的培养和提升就显得尤为重要。高职医学生既是全民健康的主体人群,也是促进全民健康的主体人群,其健康行为有待提升。电子健康素养对健康行为有促进作用,因此开展干预措施提高电子健康素养水平可促进学生的健康行为,从而提升学生的健康水平。研究表明要对学生进行教育干预,最先应该深入了解学生的现状和需求,必须要首先明确什么样的干预措施适合学生。因此,本研究的重点在于高职医学生电子健康素养现状的研究。目的:验证电子健康素养量表EHLS在高职医学生中的适用性;了解高职医学生电子健康素养现状,包括高职医学生电子健康素养水平、影响因素、电子健康实践情况、电子健康素养对电子健康实践的影响和电子健康实践对健康行为的影响,以期对后续干预措施的研制提出针对性建议。方法:采用混合性研究。对电子健康素养量表EHLS进行信效度检验。采用分层抽样的方法抽取淮安某所高职医学院学生进行自填式问卷调查,并选取15名学生进行半结构化访谈。量性研究主要采用频数百分比、均值、标准差、t检验、相关性分析、方差分析、多重回归分析、验证性因子分析等统计方法对数据进行分析。质性研究采用主题分析对访谈内容进行主题探索。结果:（1）电子健康素养量表EHLS Cronbach’sα系数为0.81,功能性、互动性和批判性电子健康素养分量表的Cronbach’sα系数分别为0.68、0.71和0.80。各拟合指标结果良好:卡方值（χ2）为97.67,卡方/自由度（c2/（91））为1.92,拟合优度指数（GFI）为0.93,调整拟合优度指数（AGFI）为0.89,残差均方和平方根（RMR）为0.048,渐进残差均方和平方根（RMSEA）为0.066,标准化残差均方和平方根（SRMR）为0.054,非规范拟合指数（NNFI）为0.95,比较拟合指数（CFI）为0.96,增值拟合指数（IFI）为0.96,个别项目信度在0.3至0.64之间,功能性、互动性和批判性电子健康素养分量表的组合信度分别为0.70、0.71和0.80,平均变异抽取量分别为0.43、0.40和0.45,在高职医学生中验证了量表原有的理论结构。（2）高职医学生电子健康素养具备率为33.2%,电子健康素养、功能性电子健康素养、互动性电子健康素养、批判性电子健康素养得分分别为44.05±7.13分、10.01±2.65分、14.77±2.99分、19.27±3.73分。（3）84.5%的高职医学生报告至少每月数次使用互联网搜索健康知识;高职医学生获取网络健康知识最常用的途径是百度一下（78.3%）;高职医学生搜索网络健康知识的内容最多的是疾病诊断治疗（77.6%）和健康生活方式（69.3%）。质性研究结果显示高职医学生搜索网络健康知识的动机主要是解决健康问题和学习医学知识。（4）高职医学生评价网络健康知识最常用的方法是向卫生技术人员或老师请教（54.9%）、向有相同经验的人请教（45.8%）、查阅相关书籍和论文（45.1%）,质性研究也得到相同的结果,且增加了“亲身实践检验正确性”这一途径。（5）64.3%的高职医学生报告自己过去12个月在网络上进行过健康知识的创造与交流;86.3%的高职医学生认为电子健康对促进健康是有用的,质性研究中受访者也表示电子健康素养的重要性;76.5%的高职医学生认为自己有能力参与电子健康实践,质性研究显示高职医学生在电子健康实践时遇到的困难有“检索方法难以使用”、“专业术语难以理解”、“健康问题难以描述”和“健康知识难以评价”。（6）电子健康素养的影响因素有年级、是否为独生子女、健康关注度、电子健康的有用性、自我效能感和注册过的社交网络种类。（7）不同电子健康素养水平的高职医学生在“网络健康知识创造与交流”和“获取网络健康知识的途径”方面均有差异,且差异有显着性。（8）搜索网络健康知识的频率（r=0.153,P=0.011）、网络健康知识创造与交流（r=0.123,P=0.041）和搜索网络健康知识的途径（r=0.127,P=0.034）与健康行为均呈现正相关,且具有统计学意义。且质性研究结果显示高职医学生认为电子健康实践主要帮助他们解决健康小问题和养成健康好习惯。（9）质性研究结果显示高职医学生期待的电子健康的呈现方式应具有“传播性”、“互动性”、“科学性”、“可读性”和“针对性”。结论:电子健康素养量表EHLS在高职医学生中有良好的适用性。高职医学生电子健康水平欠佳,在电子健康实践中存在搜索、理解、评价等方面的困难。年级、是否为独生子女、健康关注度、电子健康的有用性、自我效能感和注册过的社交网络种类是高职医学生电子健康素养的影响因素。高电子健康素养的人获取健康知识的途径更多,更乐于通过社交网络分享网络健康知识。电子健康实践对健康行为有促进作用。高职医学生电子健康素养及其影响因素、电子健康实践和健康行为之间的关系符合电子健康使用互动模型的理论,在制定教育措施前,应充分考虑电子健康素养的影响因素和学生需求。建议:对电子健康资源研发者的建议:研发者应在电子健康资源开发过程中力求做到电子健康资源的可读性、科学性、传播性、针对性和互动性。对高校电子健康素养提升教育的建议:高校在制定提升计划时,应将教育重点落实在教授有效的检索方法,教授权威的健康知识发布网站,教授医学知识时更加系统全面,教授图书检索方法和论文检索方法以及教授心理调适方法上。对政府规范或创建高质量电子健康环境的建议:应给民众创建了一个集辅助健康知识检索、理解、评价和运用的国民健康知识及服务网络,为民众的电子健康素养培训和提升服务,为民众的健康自我管理服务。
俞凯[8]（2020）在《基于图割/图搜索的医学影像分割算法研究及应用》文中研究说明随着医学成像技术的飞速发展,医学影像在临床疾病诊断与分析过程中发挥了越来越大的作用,其中,精准的组织器官与病灶区域量化分析为临床诊断、疗效评估等提供了强有力的科学保障。因此,临床医生亟需计算机辅助诊断分析软件,对组织器官和病灶区域实现精准的分割量化,以提高临床诊断与分析的效率和准确率。目前,研究人员针对医学影像普遍存在的灰度不均匀、噪声干扰等问题提出了一系列分割算法,而医学影像的多模态特性和组织器官固定拓扑结构特性使得这些图像分割算法依然面临着挑战。另一方面,近年来基于图论的分割算法表现突出,这是由于图论中的图结构能够有效建立图像中像素点的相互关系,并通过特定建图方式实现固定拓扑结构的分割效果,因此更加适用于多模态和固定拓扑结构的医学影像分割任务。本文深入研究了图论中图割和图搜索算法的原理与实现,并以此为算法基础针对医学影像的多模态和分割目标的固定拓扑结构等特性提出了改进与创新。本文的主要研究内容与创新点总结如下:1、针对双模态肺肿瘤分割难点问题,本文提出了一种基于双模态的分割算法,优化了建图模式,改进了代价函数。该算法通过随机游走算法为图割算法扩增了种子点区域,并提出了随机游走能量项和高斯混合模型能量项,充分利用了两个模态的结构信息和功能信息,最终通过建立双子图图割模型,实现了双模态下肺肿瘤的准确分割。本文收集了 25位肺肿瘤患者的双模态影像数据进行了算法验证,并取得了不错的分割结果,验证了该算法的可行性且为多模态医学影像的分割任务提供了有效的分割方案。2、针对三维视网膜层结构分割任务,本文提出了一种自适应动态约束的分割算法,改进了建图模式。该算法根据形状先验信息完成自适应建图,并实现目标表面层的准确分割。该算法相对于传统图搜索算法具有更强的灵活性和适应性,能够在形态差异巨大且变化剧烈的分割任务上实现准确的分割。本文分别在10个正常眼和10个青光眼数据的视盘区域内界膜分层任务上进行算法验证,并取得了 5.38微米的平均绝对距离误差,表明了该算法的准确性,同时为更广泛的目标表面分割任务提供了改进和优化方案。3、针对三维视网膜视盘区域的视杯盘分割任务,本文提出了一种基于自适应动态约束图搜索结合随机森林的分割算法。该算法利用极坐标重采样操作克服了血管阴影等因素所导致的视盘边界模糊且难以界定的问题,并结合动态约束图搜索算法提取了视盘边界有效特征。最终该算法在30个正常眼和35个青光眼数据上进行了测试,分割Dice系数为0.925,进一步验证了该算法的准确性,同时该算法也开发成了软件,并在眼科医院进行了临床和科研的应用。4、针对视盘区域视网膜层的孔洞拓扑结构特点,本文提出了一种具有固定拓扑约束的三维视网膜层分割算法,改进了建图模式。该算法充分利用了形状先验信息,提升了分割准确率,并通过设立共享孔洞边限定了分割结果的拓扑结构,在视网膜分层任务中避免了分层错乱的问题,实现了更准确的视网膜分层。在本文实验阶段,该算法在10个正常眼和10个青光眼数据上实现了8层视网膜准确分层,且平均绝对距离误差为7.51微米,进一步验证了该算法的准确率以及通过建立共享孔洞边实现拓扑约束的可行性,并为其他具有特定拓扑结构的目标分割任务提供了解决思路。
邬宗玲[9]（2020）在《非结构化医学病历信息抽取的方法研究》文中进行了进一步梳理医疗领域的数字信息化在科技与大数据的发展中正在不断被推动进步着。它的运营模式愈发转向电子病历,并以电子病历作为重要的信息资源,结合先进技术进一步挖掘探索,使得我国医疗事业不断完善。这些医学病历记录了病人在就诊期间的详细记录,涵盖了丰富的医学知识,可以给病人或医生提供查询及决策支持,也给之后进一步的医学研究奠定了数据基础。但是经调研,约80%的医学病历是处于非结构化状态的,难以直接被利用而造成了大量医学资源浪费。为了解决这样的问题,本文就医学病历非结构化的特点,对其进行信息抽取方法的研究,主要分为以下三个方面:（1）运用自然语言处理（Natural Language Processing,NLP）技术,提出一种基于逻辑标注策略的实体与关系联合抽取的方法完成信息抽取任务。通过几种常用序列标注模型的对比结果,确定本次研究所使用的模型为基于逻辑标注策略的Bi-LSTM-CRF。在600份医学病历、41类标签的情况下得到的F1 score为76%。在完成实体与关系的联合抽取后,最终基本实现了医学病历文本知识从非结构化到具有逻辑推理结构化的转变。（2）运用Neo4j图数据库存储抽取的信息,采用图表示的方法构建以疾病为中心的医学知识图谱。对抽取到的结构化信息进行可视化,同时考虑后续怎样以医学知识检索推理的方式将构建的知识图谱应用于实际场景中。（3）疾病预测与健康推荐系统的模型设计。在完成非结构化医学病历信息抽取后,我们将其应用于实际应用场景来实现医学病历信息抽取的价值。这个系统针对新输入的非结构化病历文本,分为预处理、基于疾病为中心的知识图谱的搜索匹配、合理性评估三大模块,最终给出相应的疾病预测和健康推荐。为了评估本次医学病历信息抽取在疾病预测与健康推荐系统这样的实际应用场景中取得的效果,我们已经将该系统应用于福建省近1000个乡镇的基层诊所中并通过收集医生在使用过程中的反馈来评估系统疾病预测的能力。最终对比系统预测得到的疾病与专业医生校正的数据集中对应疾病的一致性,可以得出在常见疾病的预测上,系统的预测准确度几乎能达到90%以上,证明了该系统在一定程度上能够辅助医生进行疾病的推测。
李锐[10]（2020）在《基于神经网络架构搜索的医学超声图像分类和分割》文中提出医学超声是一种在临床实践中广泛应用的成像模态,因其实时、廉价、无害等独特的优点,发展迅速。近年来,随着深度学习在计算机视觉领域的发展,超声图像分析中深度学习也得到广泛的应用,并取得了巨大的成功。如在病灶/结节分类,器官分割,胎儿标准面检测等任务中,基于深度学习的方法都取得了超越传统手动特征提取的方法的性能。然而传统深度学习中采用的深度神经网络多通过专家手动设计,这是一个试错的过程,高度依赖专家经验,耗时耗力。且往往手工设计的深度神经网络存在较大的冗余,如参数较多,模型较大等。医学图像分析领域的深度神经网络设计多借鉴自然图像处理中的成功经验,如Resnet和mask-RCNN,并利用迁移学习应用到特定的分析任务上,但同样存在类似问题。自动化机器学习旨在减少数据驱动的深度学习项目中的人工成本,将数据预处理、网络结构选择、超参数优化等模块自动化。作为其中的一部分,神经网络架构搜索得到越来越多的关注。神经网络架构搜索即在指定任务和数据集上,从神经网络架构参数空间中选择一套参数使得得到的神经网络具有较高的性能,较少的参数。本论文提出一种混合神经网络架构搜索方法,将神经网络架构自动搜索与传统神经网络架构经验设计相结合,融合迁移学习与梯度下降搜索算法。在网络架构搜索过程中,将训练数据集分成训练集和验证集,通过双重优化迭代更新网络权重参数和网络结构参数。搜索策略上,利用渐进式搜索方法,逐步增加网络深度,降低搜索空间冗余,提高搜索效率。本论文分别在超声图像中的肝包虫病分类和卵巢卵泡分割两种基础任务上进行了实验验证。在分类任务中,首先分析baseline网络各个模块的参数量和运行时资源占用,将冗余较多的模块替换成由基础网络单元Cell叠加的超网络,在Cell操作集合中加入新提出的Mixture convolution扩展搜索空间。在验证阶段,利用Dense连接构成Dense Cell提高梯度传导效率。在分割任务中,以轻量化网络DeepLab-v3+为基础利用NAS方法搜索Decoder部分的网络架构,通过对ASPP多尺度融合模块进行扩展,构成ASPP Cell进一步提高特征融合能力。综合实验结果表明,在分类任务上,混合神经网络架构搜索使得搜索得到的网络相对于基础网络,参数减少了50%,分类F1分数提高了1%,且在融入传统Dense连接思想后,性能进一步提升。在卵巢卵泡分割任务上,该方法使得网络参数在基础轻量网络基础上减少50%,得到的分割网络参数约为12M,且分割的dice系数提高了0.5%。神经网络架构搜索具有超越人手工设计的网络的性能,将是接下来深度学习中神经网络架构设计的趋势和热点。本研究尝试将其应用于医学超声图像分析,并取得了不错的结果,这显示出该方法的先进性和较大的发展潜力。
二、网络与医学信息搜索（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、网络与医学信息搜索（论文提纲范文）
（1）中老年人健康信息甄别能力研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 健康信息甄别相关研究 |
| 1.2.2 健康信息素养相关研究 |
| 1.2.3 自我效能相关研究 |
| 1.2.4 信息搜索影响因素研究 |
| 1.2.5 研究述评 |
| 1.3 研究内容 |
| 1.4 研究方法与研究思路 |
| 1.4.1 研究方法 |
| 1.4.2 研究思路 |
| 1.5 论文创新点 |
| 第2章 相关理论基础 |
| 2.1 健康信息素养 |
| 2.1.1 健康信息素养的概念内涵 |
| 2.1.2 健康信息素养理论 |
| 2.1.3 健康信息素养的影响 |
| 2.2 自我效能 |
| 2.2.1 自我效能的概念内涵 |
| 2.2.2 自我效能论 |
| 2.2.3 自我效能的影响 |
| 2.3 健康信息甄别 |
| 2.4 本章小结 |
| 第3章 研究假设和实验设计 |
| 3.1 研究假设 |
| 3.2 实验对象 |
| 3.3 实验任务 |
| 3.4 测量工具 |
| 3.4.1 健康信息素养量表 |
| 3.4.2 一般性自我效能感量表 |
| 3.4.3 健康信息甄别能力量表 |
| 3.5 实验流程 |
| 3.6 本章小结 |
| 第4章 数据分析及结果讨论 |
| 4.1 人口统计学变量分析 |
| 4.2 健康信息甄别者分组 |
| 4.2.1 健康信息素养 |
| 4.2.2 自我效能 |
| 4.3 健康信息素养对中老年人甄别能力的影响 |
| 4.3.1 健康信息素养对中老年人健康信息甄别能力的影响 |
| 4.3.2 健康信息素养对中老年人健康信息甄别能力各维度的影响 |
| 4.3.3 健康信息素养对搜索后中老年人健康信息甄别能力变化的影响 |
| 4.4 自我效能对中老年人甄别能力的影响 |
| 4.4.1 自我效能对中老年人健康信息甄别能力的影响 |
| 4.4.2 自我效能对中老年人健康信息甄别能力各维度的影响 |
| 4.4.3 自我效能对搜索后中老年人健康信息甄别能力变化的影响 |
| 4.5 健康信息素养和自我效能对中老年人健康信息甄别能力的交互影响 |
| 4.5.1 健康信息素养和自我效能对中老年人健康信息甄别能力的交互影响 |
| 4.5.2 健康信息素养和自我效能对中老年人健康信息甄别能力各维度的交互影响 |
| 4.5.3 健康信息素养和自我效能对搜索后中老年人健康信息甄别能力变化的交互影响 |
| 4.6 结果讨论 |
| 4.6.1 相关分析 |
| 4.6.2 研究假设讨论 |
| 4.6.3 研究启示及建议 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 研究局限与展望 |
| 附录 |
| 附录1:基本信息和健康信息素养量表 |
| 附录2:一般性自我效能量表 |
| 附录3:健康信息甄别能力量表 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文和其它科研情况 |
（2）基于深度学习的肺结节自动检测和诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 肺结节检测技术 |
| 1.2.2 肺结节分割技术 |
| 1.2.3 肺结节分类技术 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构及内容安排 |
| 第2章 相关理论 |
| 2.1 医学影像相关技术 |
| 2.1.1 肺结节的特征 |
| 2.1.2 计算机断层扫描 |
| 2.1.3 计算机辅助诊断技术 |
| 2.2 神经网络与深度学习理论 |
| 2.2.1 人工神经网络 |
| 2.2.2 卷积神经网络 |
| 2.2.3 神经架构搜索 |
| 2.3 本章小结 |
| 第3章 基于注意力特征融合的多任务肺结节检测与分割算法 |
| 3.1 引言 |
| 3.2 多任务模型 |
| 3.2.1 结节检测 |
| 3.2.2 结节分割 |
| 3.3 注意力特征融合 |
| 3.3.1 多尺度通道和空间注意力机制 |
| 3.3.2 残差注意力特征融合模块 |
| 3.4 多任务损失函数的设计 |
| 3.5 实验结果与分析 |
| 3.5.1 数据集及评价指标 |
| 3.5.2 结果评估 |
| 3.5.3 多任务学习的作用 |
| 3.5.4 注意力特征融合的作用 |
| 3.5.5 多任务损失函数权重的影响 |
| 3.5.6 与其他方法的比较 |
| 3.6 本章小结 |
| 第4章 基于神经网络架构搜索的肺结节分类算法 |
| 4.1 多尺度注意力模块 |
| 4.2 神经网络架构搜索 |
| 4.2.1 搜索空间 |
| 4.2.2 搜索策略 |
| 4.3 模型集成 |
| 4.3.1 基于加权投票的多模型融合 |
| 4.3.2 基于堆叠法的多模型融合 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集和参数配置 |
| 4.4.2 评价指标 |
| 4.4.3 与最新方法的比较 |
| 4.4.4 消融实验 |
| 4.4.5 注意力机制分析 |
| 4.4.6 神经架构搜索分析 |
| 4.4.7 多模型融合策略分析 |
| 4.5 本章小结 |
| 第5章 基于web的CT肺结节辅助诊断系统设计与实现 |
| 5.1 系统需求分析 |
| 5.1.1 功能需求分析 |
| 5.1.2 非功能需求分析 |
| 5.2 系统总体设计 |
| 5.2.1 系统业务逻辑 |
| 5.2.2 系统技术架构 |
| 5.2.3 系统功能架构 |
| 5.3 系统详细设计 |
| 5.3.1 功能模块设计 |
| 5.3.2 数据库设计 |
| 5.4 系统实现与测试 |
| 5.4.1 模块功能实现 |
| 5.4.2 系统测试 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）基于注意力机制的医学图像自动分割算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统技术的医学图像分割方法 |
| 1.2.2 基于深度学习的医学图像分割方法 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织架构 |
| 第二章 基础知识 |
| 2.1 引言 |
| 2.2 全卷积神经网络 |
| 2.3 基于UNet神经网络架构 |
| 2.4 基于卷积的注意力机制 |
| 2.5 本章小结 |
| 第三章 基于级联高低级特征增强的医学图像分割 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 基于FCN的医学图像分割 |
| 3.2.2 基于注意力机制的医学图像分割 |
| 3.2.3 基于特征融合的语义分割 |
| 3.2.4 相关工作的不足和改进 |
| 3.3 级联特征增强网络 |
| 3.3.1 方法概述 |
| 3.3.2 低级特征增强 |
| 3.3.3 高级特征增强 |
| 3.3.4 实施细节 |
| 3.4 试验结果与分析 |
| 3.4.1 核磁共振图像的大脑肿瘤分割 |
| 3.4.2 皮肤镜图像的皮肤病变分割 |
| 3.4.3 核磁共振图像的3 维椎体分割 |
| 3.5 本章小结 |
| 第四章 基于跨层注意力融合的风险器官分割 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 基于FCN的 OARs自动分割方法 |
| 4.2.2 医学图像分割中的损失函数 |
| 4.3 跨层注意力融合网络 |
| 4.3.1 方法概述 |
| 4.3.2 通道注意力模块 |
| 4.3.3 跨层空间注意力融合架构 |
| 4.3.4 Top-K指数对数 Dice损失函数 |
| 4.4 实验结果与分析 |
| 4.4.1 实施细节 |
| 4.4.2 头颈部OARs自动分割 |
| 4.4.3 肺部OARs自动分割 |
| 4.5 本章小结 |
| 第五章 基于神经网络架构搜索的深度注意力细胞核分割 |
| 5.1 引言 |
| 5.2 基于神经网络架构搜索的深度注意力网络 |
| 5.2.1 基于神经网络架构搜索的空间和通道联合注意力模块 |
| 5.2.2 搜索空间 |
| 5.2.3 同步搜索策略 |
| 5.3 试验结果与分析 |
| 5.3.1 数据描述 |
| 5.3.2 实施细节 |
| 5.3.3 试验结果 |
| 5.3.4 可视化分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的相关成果 |
（4）系统性红斑狼疮患者网络健康信息鉴别能力干预方案的构建（论文提纲范文）
| 英文缩略词 |
| 摘要 |
| Abstract |
| 第一部分 前言 |
| 一、研究背景 |
| 1 获取网络健康信息已成为慢性病患者实现自我健康教育的重要途径 |
| 2 网络健康信息质量良莠不齐,慢性病患者信息鉴别能力不足 |
| 3 系统性红斑狼疮患者对网络健康信息的鉴别能力较弱 |
| 4 网络健康信息鉴别能力的研究现状 |
| 4.1 网络健康信息鉴别能力的内涵 |
| 4.2 用户网络健康信息的鉴别现况 |
| 4.3 网络健康信息鉴别能力的干预现状 |
| 二、研究目的 |
| 三、研究意义 |
| 四、技术路线图 |
| 第二部分 SLE患者网络健康信息鉴别能力干预方案的构建 |
| 一、文献研究 |
| 1 资料与方法 |
| 1.1 纳入与排除标准 |
| 1.2 文献检索策略 |
| 1.3 文献筛选 |
| 1.4 文献质量评鉴 |
| 1.5 资料分析 |
| 1.6 质量控制 |
| 2 结果 |
| 2.1 文献检索结果 |
| 2.2 纳入研究的一般情况 |
| 2.3 纳入研究的方法学质量评价 |
| 2.4 文献分析结果 |
| 2.5 干预方案初稿形成 |
| 二、方案意见征询会议 |
| 1 资料与方法 |
| 1.1 参会人员 |
| 1.2 会议前准备 |
| 1.3 会议流程 |
| 1.4 资料的整理与分析 |
| 1.5 质量控制 |
| 2 结果 |
| 2.1 参会人员的一般资料 |
| 2.2 会议讨论结果 |
| 2.3 干预方案的修订内容 |
| 3 讨论 |
| 三、德尔菲专家咨询 |
| 1 资料与方法 |
| 1.1 专家遴选 |
| 1.2 专家人数确定 |
| 1.3 专家咨询问卷编制 |
| 1.4 问卷咨询与反馈 |
| 1.5 统计分析 |
| 1.6 指标删除标准 |
| 1.7 质量控制 |
| 2 结果 |
| 2.1 专家的一般资料 |
| 2.2 专家积极性 |
| 2.3 专家权威程度 |
| 2.4 第一轮德尔菲专家咨询 |
| 2.5 第二轮德尔菲专家咨询 |
| 2.6 两轮专家咨询结束后的最终结果 |
| 3 讨论 |
| 3.1 SLE患者网络健康信息鉴别能力干预方案的科学性 |
| 3.2 SLE患者网络健康信息鉴别能力在线课程教学内容的可靠性 |
| 第三部分 SLE患者网络健康信息鉴别能力干预方案的预试验研究 |
| 1 资料与方法 |
| 1.1 研究对象 |
| 1.2 干预方案 |
| 1.3 可行性评价 |
| 1.4 效果评价 |
| 1.5 统计学方法 |
| 1.6 质量控制 |
| 1.7 伦理原则 |
| 2 结果 |
| 2.1 干预方案可行性评价结果 |
| 2.2 干预效果评价结果 |
| 3 讨论 |
| 3.1 干预方案具有一定的可行性 |
| 3.2 干预方案具有一定的有效性 |
| 3.3 局限与改进 |
| 第四部分 结论 |
| 1 研究结论 |
| 2 创新之处 |
| 3 研究的局限性 |
| 参考文献 |
| 附录 |
| 附录1 文献质量评价工具 |
| 附录2 《SLE 患者网络健康信息鉴别能力干预方案的构建》——德尔菲函询专家征求意愿信 |
| 附录3 德尔菲专家意见咨询表 |
| 附录4 知情同意书 |
| 附录5 调查工具 |
| 附录6 个人简介 |
| 致谢 |
| 综述 慢性病患者电子健康素养影响因素及干预的研究进展 |
| 参考文献 |
（5）在线医疗社区信息交互关系网络关键节点影响力研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 在线医疗社区研究现状 |
| 1.2.2 信息交互研究现状 |
| 1.2.3 关键节点研究现状 |
| 1.2.4 研究评述 |
| 1.3 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 研究技术路线 |
| 1.5 论文创新点 |
| 第2章 相关概念及理论基础 |
| 2.1 在线医疗社区 |
| 2.1.1 在线医疗社区的概念 |
| 2.1.2 在线医疗社区的类型 |
| 2.1.3 在线医疗社区的信息内容 |
| 2.2 信息交互 |
| 2.2.1 信息交互的内涵 |
| 2.2.2 信息交互关系 |
| 2.2.3 信息交互关系网络 |
| 2.3 关键节点 |
| 2.3.1 关键节点的内涵 |
| 2.3.2 关键节点的角色 |
| 2.3.3 关键节点的作用 |
| 2.4 信息负载理论 |
| 2.4.1 信息负载理论的起源--信息传播 |
| 2.4.2 信息负载理论的内容 |
| 2.4.3 信息负载理论的延伸--信息过载 |
| 2.5 约束理论 |
| 2.5.1 约束理论的形成和发展 |
| 2.5.2 约束理论的基本概念 |
| 2.5.3 约束理论的特点 |
| 2.5.4 约束理论的性质 |
| 2.5.5 约束理论运用的基本步骤 |
| 2.6 社会网络分析 |
| 2.6.1 社会网络理论 |
| 2.6.2 社会网络分析方法 |
| 2.7 本章小结 |
| 第3章 在线医疗社区信息交互行为分析 |
| 3.1 问题的提出 |
| 3.2 在线医疗社区信息交互行为内涵 |
| 3.3 在线医疗社区信息交互行为的角色 |
| 3.4 在线医疗社区信息交互行为的过程 |
| 3.5 在线医疗社区信息交互行为的特征 |
| 3.6 本章小结 |
| 第4章 在线医疗社区信息交互关系网络关键节点影响力形成机理 |
| 4.1 问题的提出 |
| 4.2 在线医疗社区信息交互关系网络关键节点影响力分析 |
| 4.2.1 在线医疗社区信息交互关系网络的内涵与结构 |
| 4.2.2 在线医疗社区信息交互关系网络关键节点的内涵与影响力 |
| 4.3 在线医疗社区信息交互关系网络关键节点影响力机理框架 |
| 4.3.1 信息交互能力对关键节点影响力的作用 |
| 4.3.2 信息交互关系强度对关键节点影响力的作用 |
| 4.3.3 信息负载能力对关键节点影响力的作用 |
| 4.3.4 在线医疗社区信息交互关系网络关键节点影响力机理分析 |
| 4.4 在线医疗社区信息交互关系网络关键节点影响力机理模型 |
| 4.4.1 模型条件 |
| 4.4.2 模型变量 |
| 4.4.3 模型表示 |
| 4.5 在线医疗社区信息交互关系网络关键节点影响力机理实证分析 |
| 4.5.1 样本选择与数据获取 |
| 4.5.2 数据处理 |
| 4.5.3 讨论分析 |
| 4.5.4 实践启示 |
| 4.6 本章小结 |
| 第5章 在线医疗社区信息交互关系网络关键节点识别及演化规律 |
| 5.1 问题的提出 |
| 5.2 在线医疗社区信息交互关系网络关键节点识别的基础 |
| 5.2.1 在线医疗社区信息交互关系网络关键节点识别的依据 |
| 5.2.2 在线医疗社区信息交互关系网络关键节点识别的相关指标 |
| 5.2.3 在线医疗社区信息交互关系网络关键节点识别的技术路线 |
| 5.3 关键节点识别实验与演化规律分析 |
| 5.3.1 数据获取 |
| 5.3.2 节点中心性分析 |
| 5.3.3 信息交互关系网络关键结构分析 |
| 5.3.4 关键节点分析 |
| 5.4 结果讨论 |
| 5.4.1 在线医疗社区信息交互关系网络有均匀化演进可能 |
| 5.4.2 在线医疗社区关键力量构成或可成为健康性指标 |
| 5.4.3 泛“药贩”掌权现象亟需在线医疗社区管理者关注 |
| 5.5 本章小结 |
| 第6章 在线医疗社区信息交互关系网络关键节点影响力评价 |
| 6.1 问题的提出 |
| 6.2 在线医疗社区信息交互关系网络关键节点影响力评价概述 |
| 6.2.1 评价的对象 |
| 6.2.2 评价的原则 |
| 6.2.3 评价的指标 |
| 6.2.4 评价的方法 |
| 6.2.5 评价的程序 |
| 6.3 在线医疗社区信息交互关系网络关键节点影响力评价模型 |
| 6.4 在线医疗社区信息交互关系网络关键节点影响力评价实证 |
| 6.4.1 数据获取 |
| 6.4.2 数据处理 |
| 6.4.3 “HPV吧”关键节点影响力评价 |
| 6.5 讨论与分析 |
| 6.5.1 不同实验权重结果对比分析 |
| 6.5.2 不同组别评价结果对比分析 |
| 6.5.3 不同时间评价结果对比分析 |
| 6.6 本章小结 |
| 第7章 在线医疗社区信息交互关系网络关键节点影响力提升策略 |
| 7.1 在线医疗社区信息交互关系网络关键节点影响力提升的重要性 |
| 7.1.1 关键节点本身视角关键节点影响力提升重要性 |
| 7.1.2 信息受众视角关键节点影响力提升重要性 |
| 7.1.3 在线医疗社区视角关键节点影响力提升重要性 |
| 7.1.4 国家安全视角关键节点影响力提升重要性 |
| 7.2 在线医疗社区信息交互关系网络关键节点影响力提升的困境 |
| 7.2.1 信息交互关系网络关键节点影响力机理认识不确切 |
| 7.2.2 信息交互关系网络关键节点识别方法不科学 |
| 7.2.3 信息交互关系网络关键节点动态演化规律不清晰 |
| 7.2.4 信息交互关系网络关键节点影响力评价不合理 |
| 7.3 在线医疗社区信息交互关系网络关键节点影响力提升策略的建议 |
| 7.3.1 坚持以在线医疗社区关键节点影响力机理作为制定策略前提 |
| 7.3.2 提升在线医疗社区管理者对关键节点的动态识别能力 |
| 7.3.3 丰富在线医疗社区管理者对关键节点的演化规律认识 |
| 7.3.4 建立在线医疗社区管理者对关键节点影响力的长期评价方案 |
| 7.4 本章小结 |
| 第8章 研究结论与展望 |
| 8.1 研究结论 |
| 8.2 研究局限与展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（6）背景信息辅助SEQ2SEQ导医台自动问答系统（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 自动问答系统国内外研究现状 |
| 1.3 主要研究内容及论文结构 |
| 2 导医语料数据处理 |
| 2.1 实验数据描述 |
| 2.2 数据预处理 |
| 2.2.1 中文分词 |
| 2.2.2 数据清洗 |
| 2.2.3 词性标注 |
| 2.3 关键词提取及匹配 |
| 2.3.1 关键词提取 |
| 2.3.2 关键词匹配 |
| 2.4 中文词向量训练 |
| 2.4.1 词向量表示 |
| 2.4.2 词向量生成 |
| 2.5 本章小结 |
| 3 基于RNN和 SEQ2SEQ自动问答模型 |
| 3.1 循环神经网络 |
| 3.2 Seq2Seq自动问答模型 |
| 3.2.1 Encoder-Decoder模型结构 |
| 3.2.2 基于Attention的 Seq2Seq模型 |
| 3.3 实验与结果分析 |
| 3.3.1 实验设计 |
| 3.3.2 实验评价指标 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 引入医学背景信息的导医台问答模型 |
| 4.1 背景信息引入 |
| 4.2 医学背景信息导医台问答模型 |
| 4.2.1 记忆网络 |
| 4.2.2 背景信息导医台问答模型搭建 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设计 |
| 4.3.2 RSBE综合评价指标 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 5 导医台问答系统设计与实现 |
| 5.1 导医台问答系框架 |
| 5.2 系统实现 |
| 5.2.1 系统环境搭建 |
| 5.2.2 系统前后端搭建 |
| 5.3 生成问答界面 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 研究生期间取得的学术成果 |
（7）高职医学生电子健康素养现状的混合性研究 ——以淮安市某高职医学院为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 前言 |
| 2 对象与方法 |
| 2.1 研究对象 |
| 2.2 研究方法 |
| 2.3 质量控制 |
| 3 结果 |
| 3.1 电子健康素养量表EHLS的信效度检验 |
| 3.2 现况调查对象基本情况 |
| 3.3 高职医学生电子健康素养现状分析 |
| 3.4 不同电子健康素养水平的高职医学生电子健康实践的差异 |
| 3.5 电子健康实践与健康行为的相关性分析 |
| 3.6 质性研究受访者基本情况 |
| 3.7 质性研究主题分析结果 |
| 4 讨论和建议 |
| 4.1 电子健康素养量表EHLS信效度良好,适用于高职医学生 |
| 4.2 高职医学生电子健康素养水平欠佳,有待进一步提升 |
| 4.3 高职医学生电子健康素养的影响因素 |
| 4.4 不同电子健康素养水平的学生电子健康实践存在差异 |
| 4.5 电子健康实践对健康行为具有促进作用 |
| 4.6 提升高职医学生电子健康素养水平的建议 |
| 5 小结 |
| 6 研究局限和展望 |
| 参考文献 |
| 综述 大学生电子健康素养研究进展 |
| 参考文献 |
| 附录 |
| 攻读学位期间发表文章情况 |
| 致谢 |
（8）基于图割/图搜索的医学影像分割算法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 医学影像分割概述 |
| 1.3 医学影像分割方法分类 |
| 1.3.1 基于阈值的分割方法 |
| 1.3.2 基于边缘的分割方法 |
| 1.3.3 基于区域的分割方法 |
| 1.3.4 基于能量泛函的分割方法 |
| 1.3.5 基于图论的分割方法 |
| 1.3.6 基于机器学习的分割方法 |
| 1.4 本文主要研究内容及结构安排 |
| 1.4.1 本文主要的研究内容与创新点 |
| 1.4.2 本文的结构安排 |
| 第二章 基于图论的图像分割 |
| 2.1 引言 |
| 2.2 图论基础原理 |
| 2.2.1 基本概念 |
| 2.2.2 医学影像与图 |
| 2.2.3 最大流与最小割 |
| 2.3 图割算法 |
| 2.3.1 算法原理与实现 |
| 2.3.2 算法分析 |
| 2.4 图搜索算法 |
| 2.4.1 算法原理与实现 |
| 2.4.2 算法分析 |
| 2.5 本章小结 |
| 第三章 基于三维图割算法的PET-CT双模态肺肿瘤分割方法 |
| 3.1 引言 |
| 3.2 肺肿瘤分割方法概述 |
| 3.2.1 基于CT影像的肺肿瘤分割方法 |
| 3.2.2 基于PET影像的肺肿瘤分割方法 |
| 3.2.3 基于PET-CT双模态影像的肺肿瘤分割方法 |
| 3.3 基于三维图割算法的双模态肺肿瘤分割方法 |
| 3.3.1 双模态影像预处理 |
| 3.3.2 基于随机游走的肺肿瘤区域提取 |
| 3.3.3 基于高斯混合模型的肺肿瘤建模 |
| 3.3.4 双子图建图与分割 |
| 3.4 双模态肺肿瘤分割实验 |
| 3.4.1 实验数据与参数 |
| 3.4.2 实验对照组设计 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于自适应动态约束图搜索的视网膜分层方法 |
| 4.1 引言 |
| 4.2 视网膜分层方法概述 |
| 4.3 自适应动态约束图搜索视网膜分层 |
| 4.3.1 OCT影像预处理 |
| 4.3.2 基于大津阈值的视网膜平滑参数获取 |
| 4.3.3 动态约束图搜索建图 |
| 4.4 视网膜内界膜分层实验 |
| 4.4.1 实验数据 |
| 4.4.2 实验对照组设计 |
| 4.4.3 实验结果与分析 |
| 4.4.4 模拟数据验证 |
| 4.5 本章小结 |
| 第五章 基于图搜索结合随机森林的视杯盘分割方法 |
| 5.1 引言 |
| 5.2 视杯盘分割方法概述 |
| 5.3 自适应动态约束图搜索结合随机森林的视杯盘分割 |
| 5.3.1 OCT影像预处理 |
| 5.3.2 视网膜B-scan对齐 |
| 5.3.3 三维OCT影像极坐标重采样 |
| 5.3.4 特征提取 |
| 5.3.5 视杯盘分割 |
| 5.4 视盘分割实验 |
| 5.4.1 实验数据 |
| 5.4.2 实验对照组设计 |
| 5.4.3 实验结果与结果分析 |
| 5.5 视杯盘分割软件 |
| 5.6 本章小结 |
| 第六章 基于三维共享孔洞图搜索的视网膜分层方法 |
| 6.1 引言 |
| 6.2 视盘区域视网膜分层方法概述 |
| 6.3 基于三维共享孔洞图搜索的视网膜分层 |
| 6.3.1 OCT影像预处理 |
| 6.3.2 视网膜B-scan对齐 |
| 6.3.3 共享孔洞图搜索建图 |
| 6.3.4 多尺度视网膜分层 |
| 6.4 视盘区域视网膜分层实验 |
| 6.4.1 实验数据 |
| 6.4.2 实验对照组设计 |
| 6.4.3 实验结果与分析 |
| 6.4.4 模拟数据验证 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间完成的学术成果 |
| 攻读博士学位期间获得的主要奖励 |
| 攻读博士学位期间参与的科研课题 |
| 致谢 |
（9）非结构化医学病历信息抽取的方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 医学病历国内外研究现状 |
| 1.3.2 信息抽取国内外研究现状 |
| 1.3.3 医学知识图谱国内外研究现状 |
| 1.3.4 医疗决策辅助系统国内外研究现状 |
| 1.4 本课题的研究工作 |
| 1.5 本文章节安排 |
| 第2章 信息抽取相关技术 |
| 2.1 引言 |
| 2.2 信息抽取概述 |
| 2.2.1 信息抽取概念 |
| 2.2.2 中文分词技术 |
| 2.2.3 医学病历信息抽取任务 |
| 2.3 命名实体识别方法 |
| 2.3.1 基于规则的方法 |
| 2.3.2 基于统计的方法 |
| 2.3.3 基于神经网络的方法 |
| 2.4 实体关系抽取方法 |
| 2.4.1 基于特征工程的关系抽取 |
| 2.4.2 基于神经网络的关系抽取 |
| 2.5 命名实体与实体关系联合抽取 |
| 2.6 知识图谱构建 |
| 2.6.1 知识图谱建模 |
| 2.6.2 图数据库Neo4j |
| 2.7 本章小结 |
| 第3章 基于逻辑标签策略的实体与关系联合抽取 |
| 3.1 引言 |
| 3.2 逻辑标签设计 |
| 3.2.1 逻辑标签 |
| 3.2.2 标注工具及标注数据评估 |
| 3.3 词表示模型word2vec |
| 3.4 NLP模型 |
| 3.4.1 Bi-LSTM-CRF |
| 3.4.2 实体与关系联合抽取 |
| 3.5 实验与结果 |
| 3.5.1 实验数据集及预处理 |
| 3.5.2 模型训练 |
| 3.5.3 模型评估指标 |
| 3.5.4 实验结果 |
| 3.6 结果分析 |
| 3.7 本章小结 |
| 第4章 基于逻辑推理的知识图谱构建 |
| 4.1 引言 |
| 4.2 数据质量评估 |
| 4.3 知识融合 |
| 4.4 数据建模 |
| 4.5 知识图谱可视化结果 |
| 4.6 本章小结 |
| 第5章 疾病预测和健康推荐系统构建 |
| 5.1 引言 |
| 5.2 系统设计框图 |
| 5.2.1 数据预处理模块 |
| 5.2.2 搜索匹配模块 |
| 5.2.3 合理性评估模块 |
| 5.3 疾病预测结果与分析 |
| 5.3.1 测试数据获取 |
| 5.3.2 评估方法及结果 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 课题总结 |
| 6.2 课题展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
| 个人简历 |
| 发表的学术论文 |
（10）基于神经网络架构搜索的医学超声图像分类和分割（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习与医学超声 |
| 1.2.2 NAS方法 |
| 1.2.3 NAS与医学图像分析 |
| 1.3 本论文的目标与挑战 |
| 1.4 本论文的研究设想 |
| 1.5 本论文的内容组织 |
| 第2章 神经网络架构搜索(NAS) |
| 2.1 深度神经网络 |
| 2.2 神经网络架构搜索方法(NAS) |
| 2.3 混合神经网络架构搜索(HYBRID-NAS) |
| 2.4 本章小结 |
| 第3章 基于HYBRID-NAS的肝包虫病分类 |
| 3.1 肝包虫病病灶分类的临床背景 |
| 3.2 肝包虫病数据 |
| 3.3 HYBRID-NAS-CLS框架 |
| 3.4 NAS-CLS的实验及分析 |
| 3.5 本章小结 |
| 第4章 基于HYBRID-NAS的卵巢卵泡分割 |
| 4.1 卵巢卵泡分割的临床背景 |
| 4.2 实验数据 |
| 4.3 HYBRID-NAS-SEG框架 |
| 4.4 NAS-SEG的实验及分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 本文的主要贡献 |
| 5.3 不足与展望 |
| 参考文献 |
| 指导教师对研究生学位论文的学术评语 |
| 答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
四、网络与医学信息搜索（论文参考文献）
- [1]中老年人健康信息甄别能力研究[D]. 申子阳. 山西财经大学, 2021(09)
- [2]基于深度学习的肺结节自动检测和诊断[D]. 肖毅. 太原理工大学, 2021(01)
- [3]基于注意力机制的医学图像自动分割算法研究[D]. 王欢. 电子科技大学, 2021(01)
- [4]系统性红斑狼疮患者网络健康信息鉴别能力干预方案的构建[D]. 许良梅. 安徽医科大学, 2021(01)
- [5]在线医疗社区信息交互关系网络关键节点影响力研究[D]. 尚丽维. 吉林大学, 2020(01)
- [6]背景信息辅助SEQ2SEQ导医台自动问答系统[D]. 柳庆莉. 西安科技大学, 2020(01)
- [7]高职医学生电子健康素养现状的混合性研究 ——以淮安市某高职医学院为例[D]. 张筱晗. 南京医科大学, 2020(07)
- [8]基于图割/图搜索的医学影像分割算法研究及应用[D]. 俞凯. 苏州大学, 2020(06)
- [9]非结构化医学病历信息抽取的方法研究[D]. 邬宗玲. 华侨大学, 2020(01)
- [10]基于神经网络架构搜索的医学超声图像分类和分割[D]. 李锐. 深圳大学, 2020(10)