简介:【摘要】目的:比较放大镜与显微镜辅助下瓷贴面牙体预备效果。方法:抽选口腔科接受口腔科年轻医师10名参与研究,分别应用2.5倍头戴式放大镜与8倍医用显微镜并以A组与B组进行命名,评估主观疼痛感、操作时间、预备体质量、预备准确度。结果:A组的主观疼痛感(8.15±0.92)高于B组主观疼痛感(5.41±0.95)分,A组的操作时间(393.15±15.15)s短于B组操作时间(442.65±14.58)s,A组的预备体质量(12.85±0.99)分高于B组预备体质量(11.25±0.95)分,两组间比较有明显统计差异(P0.05)。结论:针对口腔科年轻医师而言,开展瓷贴面牙体预备时应用放大镜辅助的预备体效率与质量越理想,而显微镜辅助的操作的难度较大,需要接受一段时间学习锻炼方可适应。
简介:【摘要】目的:总结染色放大内镜检验中的护理配合经验,分析护理配合的要点。 方法:将2021年1月到2021年3月间在我院接受染色放大内镜检查的患者109例作为研究对象,回顾分析患者的临床资料、护理方法及护理效果,总结护理经验,分析护理要点。结果:护理后患者的SAS评分、SDS评分均显著降低,与护理前的比较存在统计学差异(P<0.05)。患者的检查均顺利进行,检查成功率100.0%。共筛出早期食道癌1例、早期胃癌4例,检出率为4.59%。检查中,无一例出现严重不良反应,护理满意度评分为(97.6±4.5)分。结论:在染色放大内镜检查的整个过程中,把握护理要点,通过全方位的护理干预可以提升诊断效果。
简介:摘要目的评估人工智能(artificial intelligence,AI)辅助胃癌诊断系统在实时染色放大内镜视频中对内镜医师识别胃癌能力的影响。方法回顾性收集2017年3月—2020年1月武汉大学人民医院和公开数据集中的早期胃癌和非癌染色放大内镜图片作为训练集和独立测试集,其中训练集包括4 667张图片(1 950张早期胃癌和2 717张非癌),测试集包括1 539张图片(483张早期胃癌和1 056张非癌)。利用深度学习进行模型训练。前瞻性收集2020年6月9日—2020年11月17日来自北京大学肿瘤医院和武汉大学人民医院的100例患者的染色放大内镜视频(包含38例癌和62例非癌)作为视频测试集。纳入来自另外4家医院的4名不同年资内镜医师,分2次(无或有AI辅助)对视频测试集进行诊断,评估AI对内镜医师判断胃癌能力的影响。结果无AI辅助时,内镜医师诊断视频测试集中胃癌的准确率、敏感度和特异度分别为81.00%±4.30%、71.05%±9.67%和87.10%±10.88%;在AI辅助下,内镜医师辨认胃癌的准确率、敏感度和特异度分别为86.50%±2.06%、84.87%±11.07%和87.50%±4.47%,诊断准确率(P=0.302)和敏感度(P=0.180)较无AI辅助时均有提升。AI在视频测试集中辨认胃癌的准确率为88.00%(88/100),敏感度为97.37%(37/38),特异度为82.26%(51/62),AI的敏感度高于内镜医师平均水平(P=0.002)。结论AI辅助诊断系统是染色放大内镜模式下辅助诊断胃癌的有效工具,可提高内镜医师对胃癌的诊断能力。它能实时提醒内镜医师关注高风险区域,以降低漏诊率。
简介:摘要目的研制基于深度卷积神经网络的放大蓝激光成像(ME-BLI)和放大窄带成像(ME-NBI)模式下早期胃癌识别系统,比较2种模式下模型的性能差异,并探讨模型训练方式对准确度的影响。方法回顾性收集ME-BLI和ME-NBI下的胃良性病灶和早期胃癌的内镜图像,共收集5个数据集和3个测试集:数据集1包括2 024张非癌和452张早期胃癌ME-BLI图片,数据集2包括2 024张非癌和452张早期胃癌ME-NBI图片,数据集3是数据集1和2的合集(共4 048张非癌、904张早期胃癌ME-BLI和ME-NBI图片),数据集4在数据集2的基础上增加62张非癌和2 305张早期胃癌ME-NBI图片(共2 086张非癌和2 757张早期胃癌ME-NBI图片),数据集5在数据集3的基础上增加62张非癌和2 305张早期胃癌ME-NBI图片(共4 110张非癌、3 209张早期胃癌ME-BLI和ME-NBI图片);测试集A包括422张非癌和197张早期胃癌ME-BLI图片,测试集B包括422张非癌和197张早期胃癌ME-NBI图片,测试集C是测试集A和测试集B的合集(共844张非癌、394张早期胃癌ME-BLI和ME-NBI图片)。根据5个数据集分别构建5个模型,分别评估其在3个测试集中的表现。通过以病灶为单位的视频测试,比较ME-NBI和ME-BLI模式下早期胃癌识别模型在临床环境下的性能差异,并与4名资深内镜医师进行比较。主要终点指标为早期胃癌的诊断准确度、灵敏度和特异度。采用卡方检验进行统计学分析。结果模型1在测试集A的表现最佳,准确度、灵敏度、特异度分别为76.90%(476/619)、63.96%(126/197)、82.94%(350/422);模型2在测试集B的表现最佳,准确度、灵敏度和特异度分别为86.75%(537/619)、92.89%(183/197)、83.89%(354/422);模型3在测试集B中的表现最佳,准确度、灵敏度和特异度分别为86.91%(538/619)、84.26%(166/197)、88.15%(372/422);模型4在测试集B的表现最佳,准确度、灵敏度和特异度分别为85.46%(529/619)、95.43%(188/197)、80.81%(341/422);模型5在测试集B的表现最佳,准确度、灵敏度和特异度分别为83.52%(517/619)、96.95%(191/197)、77.25%(326/422)。根据图片识别早期胃癌,模型2~5的准确度均高于模型1,差异均有统计学意义(χ2=147.90、149.67、134.20、115.30,P均<0.01);模型2和3的灵敏度和特异度均高于模型1,模型2的特异度低于模型3,差异均有统计学意义(χ2=131.65、64.15、207.60、262.03、96.73,P均<0.01);模型4和5的灵敏度均高于模型1~3,模型4和5的特异度均低于模型1~3,差异均有统计学意义(χ2=151.16、165.49、71.35、112.47、132.62、153.14,176.93、74.62、14.09、15.47、6.02、5.80,P均<0.05)。以病灶为单位的视频测试结果显示,医师1~4的平均准确度为68.16%;模型1~5的准确度分别为69.47%(66/95)、69.47%(66/95)、70.53%(67/95)、76.84%(73/95)和80.00%(76/95)。模型1~5之间、模型1~5与医师1~4之间的准确度比较差异均无统计学意义(P均>0.05)。结论基于深度学习的ME-BLI早期胃癌识别模型具有较好的准确度,但诊断效果略差于ME-NBI模型;ME-NBI联合ME-BLI早期胃癌识别模型的诊断效果优于单独模式下的模型;增加ME-NBI图片数量,尤其是早期胃癌图片,可以提高ME-NBI模型的灵敏度,但特异度有所下降。
简介:摘要:随着信息科技技术的不断发展,大学校园内的教学方式突破了传统的教学模式,逐渐熟练运用微课程等学习方式,这种学习方式不受环境和时间的限制,学习者能够充分利用时间,无时无刻只要想学习就能拥有更好的学习平台供学生去学习。随之,作为微课程的实物载体,手机和智能设备也广受学生欢迎。如今随着社会的发展,大学不断开放化,在这种环境下,微课程的学习模式在高校学生当中广为流行,为高校学生提供了自由、无限时、多内容的学习平台。本文以大学逐渐开放化为背景,表述了在高校开放过程中微课程起到的重要影响。同时详细解析了微课程的教学设计和教学特点,针对微课程教学设计中存在的不足之处表述出了作者合理的建议,以此来奠定推行微课程的基础。
简介:摘要:随着新课标的不断深入和改革,小学语文的教学在一定的程度上有了很大的进步,但是目前仍然存在很多的问题。以小学语文写作教学为例,作为母语教学的语文课堂教学中主要是从听、说、读、写四个方面入手,语文作为学生从小接触以及环境的影响,其听和说的基础较为扎实,进而在实施教学的过程中没有障碍。而写作主要运用的是学生对汉字的识和读,因此写作逐渐成为了语文教学中最难学习的一部分。小学生的思维能力正在发展的时期,并且小学生的思维是形象思维,进而小学生的情感需要在一定的情境下才能激发,同时写作又是需要将自身的情感融合其中的。基于此,就需要教师要在写作的教学过程中,通过不断的创设并完善情境教学的方式,调动小学生写作热情的同时,减轻小学生写作的难度,进而促使小学生能在轻松愉快的环境之中完成对于文章的创作,并以此达到理想的教学效果和目的。
简介:摘要:运算放大器用途非常广泛,接入适当的反馈网络,可实现不同用途的电路,本论文主要研究Multisim仿真环境下的集成运算放大器传输特性、集成运算放大器构成的比例运算电路、加减法运算电路。
简介:摘要:光纤通信技术具有成本低、损耗低、高安全及不受电磁干扰等特点,光纤放大器有效的解决了光信号传输中的衰减,在光纤密集组网中广泛应用。光纤放大器是实现光信号放大、延长传输距离的最佳手段,应用极广。光纤放大器的增益及噪声指数指标直接影响着信号传输质量。本文阐述了一种基于光谱分析仪的光纤放大器增益及噪声指数测试分析方法,详细介绍了光纤放大器光谱测试方法及核心参数的提取及分析。
简介:【摘要】本文介绍了一种基于电科思仪的矢量网络分析仪和噪声系数分析仪对低噪声放大器芯片测试的解决方案。 关键词:低噪声放大器;芯片测试。 引言 随着科学技术的发展,硬件电路的高集成对微波芯片测量解决方案提出了更高的要求。晶圆上测试设备广泛应用于低噪放芯片的设计、生产、检查和应用。本文介绍了Ceyear 3986系列噪声系数分析仪(NFA)和Ceyear 3672系列矢量网络分析仪(VNA)的芯片测试解决方案,以实现对低噪放的驻波,插损,噪声系数和增益的测量。 大功率测试方案 开机预热机器,分别给VNA和NFA设置测试频率,扫描点数,S21测量轨迹。 NFA连接噪声源进行校准;VNA进行SOLT校准。 VNA的稳幅稳相电缆连接探针,在探针台上用晶圆校准套件做直通校准。 图1 芯片直通校准 NFA校准后,因为连接了探针,所以在噪声源和被测件之间(称被测件前),以及被测件和NFA之间(称被测件后)存在损耗,因此测量过程之间必须进行损耗补偿,以消除损耗的影响。这时就需要用到VNA去测量电缆和探针组合的S21,然后使用标准二分法:-| S21 | / 2,计算出补偿损耗值,这就需要一对稳幅稳相电缆和芯片探针的一致性较好。