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。
简介:摘要目的基于急性脑卒中弥散加权成像(diffusion weighted imaging,DWI)和液体衰减反转恢复序列(fluid attenuated inversion recovery,FLAIR)的影像组学特征,通过机器学习构建急性脑卒中发病时间的预测模型。材料与方法回顾性分析188例急性脑卒中患者的MRI图像。采用ITK-SNAP软件对DWI上高信号梗死区和FLAIR上对应的急性梗死区进行分割,并应用人工智能应用平台(artificial intelligent kit,A.K.)进行影像组学特征提取和降维,最终使用最小绝对收缩与选择算子算法(least absolute shrinkage and selection operator,LASSO)确定发病时间相关的最佳影像组学特征,通过支持向量机分类器评估其在发病时间预测中的价值,并与人工识别的结果进行比较。结果共筛选出10个(7个DWI特征及3个FLAIR特征)与卒中发病时间密切相关的影像组学特征。人工识别受试者操作特征(receiver operating characteristic,ROC)分析显示DWI-FLAIR不匹配预测急性脑卒中发病时间的曲线下面积(area under curve, AUC)为0.634,敏感度和特异度分别为0.667、0.622。ROC分析显示该模型预测训练集患者发病时间的AUC为0.975,敏感度和特异度分别为0.932、0.950;预测测试集患者发病时间的AUC为0.915,敏感度和特异度分别为0.868、0.852。结论基于DWI和FLAIR影像组学的机器学习,能够较为准确地预测急性脑卒中患者的发病时间,为临床静脉溶栓治疗的选择提供影像指导。
简介:摘要目的采用血清代谢指纹采集方法筛选肺癌相关差异调控代谢物,为肺癌诊断提供候选标志物。方法在上海长海医院开展队列入组工作,共纳入2021年1月27日至6月4日的228例受试者,其中包括初诊确认肺癌患者97例和健康体检人群131名。根据标准流程采集入组队列血清样本,并通过分层随机抽样,将入组队列分为训练集和完全独立的验证集。采用纳米辅助激光解吸电离质谱对血清样品进行代谢指纹图谱采集。对训练集样本年龄、性别进行质量控制后,通过机器学习算法构建基于血清代谢指纹图谱的诊断模型,并采用受试者工作特征(ROC)曲线评价模型的分类效能。结果通过新型纳米辅助激光解吸电离质谱,可在1 min内完成血清样品的代谢指纹提取,过程仅需消耗1 μl原始血清。针对训练集,基于此构建的分类器诊断肺癌的ROC曲线下面积(AUC)为0.92(95%CI 0.87~0.97),敏感度为89%,特异度为89%。在独立验证队列中,AUC为0.96(95%CI 0.90~1.00),敏感度为91%,特异度为94%,没有表现出性能损失。确定了由5个代谢物组成的标志物组合,展示了肺癌患者的独特代谢模式。结论本研究结合血清代谢指纹图谱和机器学习建立了肺癌的诊断模型,用于区分肺癌患者以及健康对照,可用于临床的体外诊断。
简介:摘要目的探讨单术者机器人辅助腹腔镜肾部分切除术的学习曲线。方法回顾性分析2016年2月至2018年4月北京协和医院100例行机器人辅助腹腔镜肾部分切除术治疗的肾肿瘤患者的病例资料。男64例,女36例。平均年龄51.5(18~79)岁。平均体质指数24.9(19~31)kg/m2。TNM分期均为T1N0M0期,具有肾部分切除术指征。肿瘤位于左侧38例,右侧62例。肿瘤平均最大径3.9(1.0~6.7)cm.平均R.E.N.A.L.评分6.7(4~11)分。手术均由单一术者完成,术者拥有10年以上腹腔镜主刀经验,已完成传统腹腔镜手术>1 000台。本组手术为术者开展机器人手术后的前100例。手术平均装机时间14(10~30)min,平均手术时间119.2(60~240)min,平均热缺血时间16.7(0~45)min,平均术中估计出血量105.2(30~500)ml。无中转根治性肾切除术,无中转开腹或普通腹腔镜手术。术后未发生严重并发症(Dindo-Calvein分级≥Ⅲ级)。术后出现下肢肌间静脉血栓、尿瘘、肺部感染、肾周血肿各1例,保守治疗后均痊愈,无需进一步手术或介入治疗。术后病理结果无切缘阳性情况。使用累积和检验(CUSUM)方法对装机时间和手术时间的学习曲线进行拟合,根据曲线的拐点(累积和停止上升、累积和开始下降)判断术者机器人手术的3个不同学习阶段,并比较术者不同学习阶段的手术患者特征和围手术期数据。结果根据CUSUM法拟合的手术时间学习曲线显示,机器人手术的学习曲线为19例。根据手术时间学习曲线的拐点,将100例手术分为3个阶段:1~19例为学习阶段,20~43例为掌握阶段,44~100例为熟练阶段。3个阶段的患者年龄、性别、肿瘤侧别、术中估计出血量、术后病理类型、住院总费用、并发症发生率比较差异均无统计学意义(P>0.05)。学习阶段的患者中位体质指数明显低于掌握阶段和熟练阶段(23kg/m2与26kg/m2、25kg/m2,P=0.02)。学习阶段、掌握阶段、熟练阶段的中位装机时间(20 min与12 min与12 min)、中位手术时间(150 min与120 min与100 min)、中位热缺血时间(21 min与18 min与15 min)均呈逐渐缩短趋势(P<0.001)。学习阶段术后中位住院时间明显长于掌握阶段和熟练阶段(7d与6d和6d,P=0.011)。学习阶段、掌握阶段、熟练阶段的中位肿瘤最大径(3.7 cm与3.9 cm与4.0 cm,P=0.75)和中位R.E.N.A.L.评分(6分与7分与7分,P=0.16)呈逐渐增加的趋势,但差异无统计学意义。结论对于腹腔镜手术经验丰富的术者,机器人辅助腹腔镜肾部分切除术的学习曲线为19例左右。完成学习曲线后,装机时间、手术时间、热缺血时间和患者术后住院时间可较初期明显缩短。
简介:摘要化学交换饱和转移(chemical exchange saturation transfer, CEST)是一种新型的MRI技术,其基本原理是通过水信号的减少来间接实现对特定低浓度溶质分子的检测。采集速度慢、量化速度慢、量化评估不准确等问题影响着CEST MRI在临床中的应用推广,如何改善这些问题也成为研究的重点。深度学习作为人工智能的一种新的研究方向,近几年才应用于CEST MRI技术。本文在广泛调研国内外文献的基础上,对深度学习在临床CEST MRI上应用进行了深入分析与梳理。其中,在量化方面,一方面介绍了通过给深度神经网络(deep neural network, DNN)中输入临床中采集3 T的Z谱数据,预测出高场的CEST参数,进而得到比较明显的CEST信号;另一方面介绍了DNN结合磁化转移指纹识别(magnetization transfer fingerprinting, MTF)技术的方法改善传统量化方法中拟合参数精度低和拟合效率低的问题;在加速方面,一方面介绍深度学习用于CEST MRI加速采集;另一方面介绍了深度学习用于改善传统多池洛伦兹拟合量化速度慢的问题。供对本领域感兴趣者参考及在此基础上进一步地研究开发,加速CEST MRI的临床转换。
简介:摘要目的基于机器学习算法构建3种不同的经外周静脉置入中心静脉导管(PICC)相关性血栓风险预测模型,并比较模型性能,为评估及预防PICC相关性血栓提供依据。方法基于最佳证据和专家函询形成PICC相关性血栓风险因素调查表。采取便利抽样法,选取2016年1月—2020年10月在江苏大学附属医院行PICC置管的626例患者为研究对象收集临床资料,基于机器学习算法,分别采用支持向量机(SVM)、XGBoost和Logistic回归方法构建3种不同的PICC相关性血栓风险预测模型,并进行评价和比较。模型评价指标包括马修斯相关系数(MCC)、F1分数、受试者工作特征曲线下面积(AUC)及Brier得分。结果共30个变量纳入研究,预测因子包括患者的人口学资料、患者病情、治疗因素、导管相关性因素4个方面。测试集上验证后的模型,在MCC、F1分数上,Logistic回归预测模型得分低于XGBoost、SVM预测模型;在AUC上,Logistic回归预测模型得分等于SVM,小于XGBoost;在Brier得分上,Logistic回归预测模型得分高于XGBoost、SVM预测模型。结论基于机器学习算法XGBoost、SVM预测模型性能在敏感性及准确性上优于传统Logistic回归模型。血栓预测因子有助于指导临床医务人员识别高风险患者,降低PICC相关性血栓发生率。
简介:摘要目的探索基于深度学习构建的前列腺癌经直肠超声图像分类网络模型对经直肠超声图像中前列腺组织良恶性分类的应用价值。方法收集2018年5月至2021年5月于暨南大学附属第一医院就诊的203例可疑前列腺癌患者(其中恶性89例,良性114例)的1 462张包含明确病理结果的经直肠前列腺穿刺二维灰阶超声图像(其中恶性图片658张,良性图片804张),将其分为训练集、验证集和测试集,应用训练与验证集训练得到辅助诊断网络模型,再用测试集对网络模型与两位不同年资超声医师进行测试,以病理诊断作为金标准,评估三者的诊断效能。结果①网络模型分类的准确性为80.5%,敏感性为66.7%,特异性为91.9%,阳性预测值为87.1%,ROC曲线下面积为0.922。②低年资医师与高年资医师判断准确性分别为57.5%、62.0%,敏感性分别为51.5%、56.8%,特异性分别为62.0%、66.3%,阳性预测值分别为53.1%、58.1%。③对图像分类的准确性、敏感性、特异性、阳性预测值:网络模型>两位超声医师,差异有统计学意义(均P<0.05);高年资医师>低年资医师,但差异无统计学意义(均P>0.05)。结论基于深度学习构建的辅助诊断网络模型能对经直肠超声图像中前列腺组织进行良恶性分类,能够提高超声医师诊断前列腺癌的准确性,对提升临床高度怀疑前列腺癌患者的筛查效能具有重要意义。
简介:摘要目的了解医学生对跨专业合作学习的准备程度,以期为跨专业教育的实施提供依据。方法2018年8月至2019年8月,选取北京市某三甲医院实习或见习的471名医学生作为调查对象。采用中文版跨专业合作学习准备量表、人际交往能力问卷对医学生进行现状调查。结果471名医学生的跨专业合作学习准备得分为(72.45±9.82)分,护理学、临床医学和其他专业(包括基础医学、预防医学等专业)医学生的跨专业合作学习准备水平差异有统计学意义[(76.02±0.64)分、(71.16±0.59)分比(70.74±1.68)分,F=12.388, P<0.01]。多元逐步线性回归结果显示,年龄、性别、专业、在校时间、人际交往能力是跨专业合作学习准备程度得分的影响因素(调整R2=0.125,F=14.479,P<0.01)。结论医学生的跨专业合作学习准备程度总分处于中等水平,医学生对自身职业的认同及对角色和职责的认知有待提高。医学教育者可为医学生搭建跨专业合作学习的平台,逐步培养其跨专业合作学习的能力。
简介:摘要目的探讨基于DWI和液体衰减反转恢复序列(FLAIR)的深度学习技术构建预测急性卒中发病时间模型的效果。方法回顾性分析于2017年1月至2020年5月在南京市第一医院就诊且发病时间明确的急性卒中患者324例。采用7∶3比例按照完全随机法将患者分为训练集226例,测试集98例;再根据发病时间将患者分为≤4.5 h和>4.5 h两组。由医师对DWI图像上急性梗死区及FLAIR相应的高信号区进行轮廓勾勒标注。利用InceptionV3模型作为图像特征提取的基本模型,构建并验证基于单序列(DWI、FLAIR)和多序列(DWI+FLAIR)的深度学习预测模型。比较人工识别、单序列模型及多序列模型预测急性卒中发病时间的ROC曲线下面积(AUC)、准确度等性能。结果发病时间≤4.5 h患者中94例(94/207)存在DWI-FLAIR不匹配,发病时间>4.5 h患者中28例(28/117)存在DWI-FLAIR不匹配。ROC分析显示人工识别DWI-FLAIR不匹配预测急性卒中发病时间的AUC为0.607,准确度为60.2%。基于单序列的深度学习预测模型显示FLAIR序列预测急性卒中发病时间的AUC为0.761,准确度为71.4%;DWI序列预测急性卒中发病时间的AUC为0.836,准确度为81.6%;基于多序列(DWI+FLAIR)深度学习模型预测急性卒中发病时间的AUC为0.852,明显优于人工识别(Z=0.617,P=0.002)、基于FLAIR序列深度学习模型(Z=2.133,P=0.006)和基于DWI序列深度学习模型(Z=1.846,P=0.012)。结论基于DWI和FLAIR的深度学习模型预测急性卒中发病时间明显优于人工识别,可为未知发病时间的卒中患者提供静脉溶栓治疗指导。
简介:摘要基于案例学习(case-based learning,CBL)通过案例促进学生与教师交流,提高学生发现问题和解决问题的能力,促进理论与实践紧密结合。本文以2021年3至6月上海体育学院2020级医学技术专业15名硕士研究生教学为例,阐述了CBL在儿科物理治疗学课程中的设计和实施,通过期末考试和满意度问卷调查评价教学效果。结果显示,学生期末理论知识和实践操作考核成绩分别为(85.23±5.35)分和(86.83±4.95)分;学生对教学模式和教学内容掌握程度的满意度评分分别为(28.47±2.26)分和(23.33±2.53)分。可见,CBL有助于提高学生儿科物理治疗学的学习效果和课程满意度,但对学生解决临床实际问题能力的影响仍需进一步探索。