简介:摘要循证医学起源于流行病学之时便已经形成了一系列严格的方法。这些方法可用于评估基于假设的实证研究在评价诊断试验、结局预测工具和干预措施方面的有效性、影响力和适用性。机器学习是人工智能的一部分,它使用计算机程序识别海量数据集中的模式和关联,然后将这些模式和关联整合到用于辅助诊断和预测结局(包括对治疗的反应)的算法中。这两个领域如何相互关联?他们有何异同,如何各有千秋?两者可否相互借鉴和补充以使临床决策更为明智和有效?
简介:摘要近年来,大数据、人工智能和云计算等技术的快速发展给医疗健康领域带来巨大机遇和挑战。以深度学习(deep learning,DL)为代表的人工智能研究方法在耳鼻咽喉头颈外科疾病诊疗、预后分析及病因研究等方面发挥日益重要的作用。DL不仅与专家诊断水平相当,而且节约时间和经济成本,但也存在获取高质量大数据和临床推广运用等多方面难题。本文对其相关研究进行回顾分析,探讨其临床运用价值及面临的挑战。
简介:摘要机器学习作为人工智能的主要技术方向,可帮助眼科医生解读与分析成像设备产生的大量数据,简化诊疗过程。圆锥角膜的分类和早期诊断是机器学习的一个重要应用实例。机器学习用于辅助诊断圆锥角膜的建模方式通常有神经网络法、决策树法,这些模型的敏感性和特异性均在85%以上,但由于圆锥角膜的研究参数不一致,且缺乏公共数据集来衡量算法的优劣,限制了其在临床上的普遍推广。角膜屈光手术术前评估存在数据量大、决策困难的临床问题,机器学习可辅助评估患者是否适合进行屈光手术,其特异性、敏感性均在90%以上,并可通过术前各种眼部参数预测术后视觉质量。另外机器学习在角膜内皮细胞密度计数、角膜上皮损伤程度评估方面都有应用。通过机器学习及大数据建模可协助医生进行角膜病的精准诊断和个性化评估,为角膜病诊疗奠定数据基础。本文对近年来机器学习在角膜相关疾病中的应用进展进行综述。
简介:摘要加拿大英属哥伦比亚大学的灵活学习计划包括创新教学方法、强化学生体验、拓展继续教育、扩展桥梁计划和加强国际学术合作。这种教学策略为我国高等医学院校实施"以学生为中心"的教学改革提供了诸多借鉴,可以从更新教育理念、采取符合学生认知的教学改革、针对学生的个体差异实施多样化教学等方面完善我们的教学改革。
简介:摘要目的开发一种基于深度学习网络的乳腺癌调强放疗计划剂量分布预测的方法,并评估将其用于自动计划的可行性。方法从复旦大学附属肿瘤医院选取240例左侧乳腺癌患者,200例作为训练集,20例作为验证集,另外20例作为测试集。应用深度学习网络建立患者CT影像、靶区和危及器官的勾画图像与剂量分布的相互关系,达到预测新患者剂量分布的目的,并尝试将预测的剂量分布作为目标函数优化并生成治疗计划。结果临床治疗计划的剂量分布和预测的剂量分布相比,靶区(除同步加量的PTV48Gy)和危及器官的剂量值相近,且基于预测的剂量分布生成的治疗计划与预测结果基本相同。结论本研究实现了一种基于深度学习网络的乳腺癌调强计划剂量分布预测方法,有助于进一步实现自动设计治疗计划的目标。
简介:摘要目的探索"基于器官系统学习"的临床实习教学模式改革实施的效果。方法本研究采用试验对照方法。2017年6月至2019年5月,选取南通大学和苏州大学2013级和2014级五年制临床医学专业147名实习生为研究对象,将2014级74名实习生设为试验组,采用"基于器官系统学习"的临床实习教学模式,除了床旁示教之外,引入基于团队学习的教学方法;将2013级73名实习生设为对照组,采用"以学科为中心"的临床实习教学模式,仅采用床旁示教的教学方式。通过两组实习生的考试成绩、Mini-CEX评分结果和对试验组实习生的问卷调查评价教学模式改革效果。结果试验组实习生和对照组实习生的理论知识考试成绩[(74.24±7.21)分比(68.23±7.86)分]、临床技能操作考核成绩[(89.68±5.36)分比(85.29±4.37)分]、病历书写成绩[(94.45±2.78)分比(87.29±4.05)分]和Mini-CEX总评分成绩[28(25, 30)分比22(21, 24)分]比较,其差异均具有统计学意义(均P<0.01)。81.1%(60/74)的实习生对"基于器官系统学习"的临床实习教学模式实施效果予以肯定和好评。结论"基于器官系统学习"的临床实习教学模式改革有助于提高实习生的学习成绩和实习质量,得到了实习生的认可。
简介:摘要目的观察分析基于深度学习的眼底图像视盘定位与分割方法的准确性。方法在ORIGA数据集上训练和评估基于深度学习的视盘定位和分割方法。在深度学习的Caffe框架上构建深度卷积神经网络(CNN)。采用滑动窗口将ORIGA数据集的原图切割成许多小块图片,通过深度CNN判别各个小块图片是否包含完整视盘结构,从而找到视盘所在区域。为避免血管对视盘分割产生影响,在分割视盘边界之前去除视盘区域的血管。采用基于图像像素点分类的视盘分割深度网络,实现眼底图像视盘的分割。计算基于深度学习的眼底图像视盘定位与分割方法的准确性。定位准确率=T/N,T代表视盘定位正确的眼底图像数量,N代表总共用于定位的眼底图像数量。采用重叠误差(overlap error)比较视盘分割结果与实际视盘边界的误差大小。结果基于深度学习的眼底图像视盘定位方法其定位准确率为99.6%;视盘分割平均重叠误差为7.1%;对青光眼图像和正常图像的平均杯盘比的计算误差分别为0.066和0.049;每幅图像的视盘分割平均花费10 ms。结论基于深度学习的眼底图像视盘定位方法能快速并准确地定位视盘区域,同时也能够较为精准地分割出视盘边界。
简介:摘要急性胰腺炎(acute pancreatitis, AP)是临床医生面临的常见疾病,其中重症急性胰腺炎(severe acute pancreatitis,SAP)病死率较高,因此早期识别可能发展为SAP的患者对于指导治疗意义重大。机器学习是一种多层描述的表征学习,从已有数据中分析挖掘获得规律,并利用这些规律对未知数据做出预测的算法。本研究基于机器学习建立了一个SAP预测评分系统,其可在入院24 h对患者SAP风险进行预测,预测准确率高达87.36%,AUC 94.11%。该模型可以更好的辅助临床决策和治疗,指导医生更早的进行相关干预。
简介:摘要目的验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法选取535例宫颈癌CT影像,参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV),经专家审查后作为参考勾画,用于自动分割勾画训练和测试。另从测试组中随机挑选根治4例及术后6例,分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试,以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时,分别记录算法和手动勾画耗时。结果数据经VB-Net网络训练得到根治CTV1(dCTV1)、dCTV2、术后CTV1(pCTV1)自动分割模型,自动勾画结果与参考勾画具有较好的一致性(DSC:0.88、0.70、0.86;MSD:1.32、2.42、1.15 mm;HD:21.6、22.4、20.8 mm)。dCTV1算法与三组医师勾画相近(P>0.05);dCTV2及pCTV1算法均优于初中级医师勾画(P<0.05),自动分割勾画耗时较手动勾画显著缩短。结论基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当,应用于临床中将有助于大幅提高工作效率,具有提高勾画一致性和准确性的潜能。