各科室：

根据鲁医会[2023]47号《关于推荐2023年度山东医学科技奖及山东省医学会青年科技奖、新技术奖、疑难急危重病例诊治奖的通知》要求，我院拟推荐《基于多模态深度学习的甲状腺影像诊断关键问题研究》项目申报2023年山东医学科技奖，按照工作流程，需对项目进行公示，公示期为5个工作日（2023年8月1日至8月7日）。

公示期间，对公示内容持有异议的，请在公示期内以书面的方式提出。异议应认真负责，实事求是，内容和理由应具体明确，且附旁证材料。为保证异议处理的客观、公开，便于核实、查证，异议提出者应标明真实身份。异议意见请以书面形式送达科教科，联系电话0631-5271501。

附件：项目基本情况

                                                                                                                                                                      科教科

                                                                                                                                                                2023年8月1日                                                                                                                                                                                                                                                                                                                                                                                                                                                                                      

附件：

项目基本情况

甲状腺是人体的重要器官之一。它产生的甲状腺激素对蛋白质产生，体温调节和能量产生以及人体调节具有重要作用。因此，如果甲状腺患病，人体的新陈代谢和调节将失去必要的控制，并且在严重的情况下可能危及生命。其中，对于甲状腺结节的诊断和分类，医生通常依靠超声影像、核磁共振和其他医学影像学技术进行判断。因此，本项目旨在利用多模态深度学习方法，结合多种影像数据，提高甲状腺结节的自动化诊断准确度，以改善患者诊疗效果，实现早期发现和干预。

本项目首先针对基于深度学习的影像辅助诊断甲状腺疾病开展研究工作。多模态影像能够反映甲状腺的功能和体内的代谢信息，在组织结构出现异常之前就较早地发现疾病。应用深度学习通过图像对甲状腺疾病进行计算机辅助诊断，可以有效地辅助医生提高诊断准确性降低工作强度、提高工作效率，对甲状腺疾病的诊断和治疗具有重要意义。其次，本项目提出了一种带权的卷积神经网络结构改进方法。分析了图像数据集的特点，并针对数据量较少的问题设计了数据增广方法。基于DenseNet 网络进行了网络结构改进，在跨层连接的通路上添加可训练的权重参数，提高网络特征表达和提取的灵活性。引入迁移学习方法，先使用 ImageNet 大规模数据集对网络参数进行预训练，随后使用数据集对网络参数进行微调。实验结果表明改进的 DenseNet 在数据集上相对几种已有的分类模型能够更好的提取图像的特征,具有更好的分类效果。

再次，本项目提出了一种基于优化的卷积神经网络训练算法。通过在随机梯度下降算法中引入一种群体智能优化算法——花朵授粉算法，将每个批次数据上的损失函数作为花朵授粉算法的适应度函数，训练过程中的超参数作为适应度函数的自变量，使用花朵授粉算法对这些超参数进行优化，从而使训练过程中每个批次数据的损失函数值充分降低。实验结果表明该算法相对传统的随机梯度下降算法能够自动搜索出更合适的超参数,使损失函数得到进一步优化,从而使辅助诊断模型达到更高的精度。

本项目核心成果被成功应用于 5G 人工智能方舱，为甲状腺结节的自动化诊断提供重要支持，提高诊断准确度和个性化治疗水平。此外，本项目所构建的多模态深度学习方法可以为其他医学影像诊断问题提供借鉴和启示。该项目以其科技创新性、实用价值和社会效益，为医学科技领域作出了积极贡献，具有很好的推广应用价值。

以上发表 SCI 论文 4篇 ，核心期刊15篇。授权国家发明专利 1项，软著1项。获得省级一等奖2项，其他奖励2项。培养博士、硕士研究生共 2 名。在 3 家三甲医院和2家科技有限公司应用推广，取得了良好的社会效益。