目的 研究人工智能医学影像辅助诊断系统对肺磨玻璃结节(GGN)良恶性及判断病理成份的临床应用价值.方法 从行胸部CT检查发现GGN的患者中随机选取符合条件的44例纳入研究.根据病理结果分成腺癌组GGN与炎性病变组GGN,然后根据贴壁成份的占比不同将腺癌组GGN分成高占比组和低占比组,记录2组测量参数(包括病灶长径、平均CT值、CT值标准差、紧凑度、球形度及患者年龄).采用SPSS 20.0软件统计分析2组间差异,对有统计学意义的定量参数进行受试者工作特征曲线(ROC)分析,评价各测量参数鉴别良恶性GGN及判断恶性GGN病理成分的能力,同时根据最大约登指数(YI)计算该测量参数的最佳诊断阈值,获得曲线下面积(AUC)、敏感度和特异度,P＜0.05被认为差异具有统计学意义;最后根据二元Logistic回归模型得出鉴别良恶性GGN及判断恶性GGN组织成分的独立危险因素.结果 ①在腺癌组GGN与炎性病变组GGN测量数据对比中,腺癌组GGN病灶长径、平均CT值、CT值标准差大于炎性病变组GGN(P＜0.05),腺癌组GGN紧凑度、球形度均小于炎性病变组GGN(P＜0.05),而2组GGN患者年龄差异无统计学意义(P＞0.05).②在高占比腺癌组GGN和低占比腺癌组GGN测量数据对比中,仅发现高占比腺癌组GGN平均CT值小于低占比腺癌组GGN(P＜0.05),其他无差异.③二元Logistic回归模型分析显示,鉴别腺癌GGN与炎症GGN的独立因素为病灶长径;鉴别高占比腺癌GGN和低占比腺癌GGN的独立因素为平均CT值.结论 基于人工智能医学影像辅助诊断系统CT特征定量分析有助于鉴别良恶性GGN,以各项指标联合诊断的效能最佳;但在判断恶性GGN的病理成份方面能力有限,但仍需结合临床其他各项指标进行综合判断才能做出更准确的诊断.人工智能医学影像辅助诊断系统对GGN良恶性及判断病理成份有较大的临床应用价值,以各项指标联合诊断的效能最佳.

目的 构建预测模型分析血清甲胎蛋白(AFP)、癌胚抗原(CEA)、热休克蛋白90a(Hsp90a)等指标对原发性肝癌(PHC)的诊断价值.方法 回顾性选取保定市第二医院2020年3月至2021年12月收治的72例PHC患者(PHC组),68例慢性肝病患者(慢性肝病组),及同期50例健康受试者(健康对照组)为研究对象,采用化学发光法检测血清AFP、CEA水平,采用酶联免疫吸附法检测血清Hsp90a水平,受试者工作特征(ROC)曲线及曲线下面积(AUC)分析各指标对PHC的诊断效能,多因素Cox风险回归分析发生PHC的独立因素,R软件"rms"包构建预测模型并进行验证.结果 三组AFP、CEA及Hsp90a水平差异有统计学意义,PHC组最高,对照组最低,且两两比较差异有统计学意义(P＜0.05).AFP(OR=1.770,95％CI:1.137～2.756)、CEA(OR=2.651,95％CI:1.168～6.015)、Hsp90a(OR=1.402,95％CI:1.141～1.723)是 PHC 的独立危险因素(P＜0.05).AFP、CEA 及HSP90单独预测PHC的AUC分别为0.929、0.947、0.899.构建的联合预测模型的C-index为0.669(0.647～0.831).结论 基于AFP、CEA及Hsp90a指标构建的模型对PHC具有较高的诊断价值,可在临床用于早期的PHC筛查.

目的:探讨前列腺小体外泄蛋白(PSEP)联合前列腺特异性抗原(PSA)在PSA"灰区"且前列腺影像报告和数据系统(PI-RADS)评分3 分前列腺癌诊断中的价值.方法:收集 2019～2022 年行前列腺多参数核磁共振检查,并且接受前列腺穿刺活检或经尿道前列腺电切/剜除术的 211 例PSA"灰区"(4～10 μg/L)且PI-RADS评分3 分患者的临床资料.术前收集尿样,采用酶ELISA检测尿PSEP浓度.分析在PSA"灰区"且PI-RADS评分3 分患者中PSEP、PSA用于诊断前列腺癌的性能及差异.结果:病理确诊前列腺癌57 例(阳性组);良性前列腺组织154 例(阴性组).阳性组游离前列腺特异性抗原(fPSA)、游离前列腺特异性抗原(fPSA)与总前列腺特异性抗原(tPSA)比值(f/t PSA)、尿PSEP水平均低于阴性组(P均<0.01).在PSA"灰区"且PI-RADS评分3 分的患者中,f/t PSA,PSEP均可作为独立因子用于预测前列腺癌(P均<0.01).其中,以f/t PSA、PSEP单参数诊断前列腺癌的受试者操作特征(ROC)曲线下面积、最佳截断值、敏感度、特异度分别为 0.70、0.18、84.21%、58.44%;0.78、1.45 μg/L、70.18%、77.27%.利用PSEP联合f/t PSA多参数模型预测前列腺癌的ROC曲线下面积为0.82,最佳截断值为0.31,敏感度为 82.46%,特异度为 75.32%,其预测性能显著优于单参数f/t PSA、PSEP(P<0.01,P=0.04).结论:对于PSA"灰区"且PI-RADS评分3 分的患者,f/t PSA,PSEP均可作为独立预测前列腺癌的有效因子;PSEP联合f/t PSA多参数模型可替代传统筛查所用的单参数f/t PSA,提高诊断性能,减少非必要穿刺活检.

目的:数据驱动的药材推荐方法帮助中医医师在真实的临床实践中更精确、更智能地制定科学的治疗处方,也可以为中医诊断和治疗的发展提供科学依据.方法:通过文本挖掘方法分析了 24 127条中医处方记录,在中医理论的基础上模拟生成处方的过程,并将症状和药材的丰富信息及其相互关系等领域知识纳入考虑.提出了一种基于属性知识网络嵌入的LDA(Latent Dirichlet Allocation)主题模型的中药推荐方法,中药的属性知识网络包含药材丰富的属性信息以及蕴含的药理作用,对主题模型进行了增强.结果:研究结果表明,在最佳嵌入系数下,模型的预测困惑度、准确性以及平均AUC相较于基线主题模型均有更好的表现.结论:所提出的方法有利于提升模型稳定性、药材推荐准确度,更好地承担诊疗模式挖掘等任务.

目的 本研究基于半监督算法残差网络(semi-supervised algorithm Residual network,SMRNet)的深度学习方法,探索其在计算机辅助自主分析膝关节MRI诊断前交叉韧带(anterior cruciate ligament,ACL)损伤方面的应用.方法 使用100名经过关节镜确认的ACL损伤患者和100名关节镜确认无ACL损伤的患者的术前MRI图像.在选取适当层面后,裁剪并用于SMRNet的训练.SMRNet对单个MRI切片上ACL损伤的概率进行最终判断.4名临床医师对相同图像进行读片诊断.结果 SMRNet分类的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为97.00％、94.00％、95.50％、94.17％和96.91％.医师的整体阅片情况类似,敏感性区间91.00％～96.00％、特异性区间90.00％～94.00％、准确性区间90.50％～95.00％、阳性预测值区间90.09％～94.12％、阴性预测值区间90.90％～95.92％,二者差异无统计学意义(P＞0.05).结论 经过训练的SMRNet模型在ACL损伤检测上超越部分临床医师,为膝关节MRI诊断提供高效可靠方法,展现深度学习在医学影像的潜力.未来,SMRNet有望成为膝关节MRI诊断的重要工具,为患者提供更精准的诊疗方案.

目的 采用XGBoost机器学习算法构建一个临床影像模型,预测肺结节病理浸润性,并在一个外部验证组中对模型进行泛化性验证.方法 回顾性纳入CT诊断为孤立性肺结节患者248例,分别提取肺结节区域和结节周围3mm、5mm区域的放射组学特征.经过从粗到细的特征选择后,使用最小绝对收缩和选择算子(LASSO)方法计算Radscore.采用单因素和多因素Logistic回归分析筛选与肺结节浸润性相关的临床放射学因素.然后,利用Logistic和XGBoost算法构建临床-放射组学联合模型,在一个独立的外部验证组(n=147)中评估模型的泛化性能.结果 综合Radscore、CT值、肺结节长度、月牙征的临床放射学XGBoost联合模型对肺结节浸润性的预测效果优于放射组学模型、临床放射学Logistic联合模型,在训练队列中的曲线下面积AUC为0.889(95％CI,0.848～0.927),在外部验证组中曲线下面积AUC为0.889(95％CI,0.823～0.942).结论 我们采用XGBoost机器学习算法构建了一种预测肺结节浸润性的临床放射学模型,结果显示出令人满意的预测效能,并在一个独立外部验证组中得到了良好的泛化性验证,可以帮助临床医生指导肺结节的诊疗并制定评估策略.

目的 探讨基于DCE-MRI影像组学联合临床特征在术前鉴别诊断luminal型与非luminal型乳腺癌的价值.方法 回顾性纳入2014年1月～2023年8月内蒙古自治区人民医院行DCE-MRI检查并获得病理结果的212例乳腺癌患者的图像,根据病理分子分型,将患者分为luminal型乳腺癌114例,非luminal型98例.按7:3的比例148例为训练组,64例为验证组.采用3D-slicer软件手动勾画病灶体积兴趣区(VOI),经LASSO回归及T检验批量提取影像组学特征并进行筛选,筛选出有价值的影像组学特征及临床特征,分别构建2个预测模型:单一影像组学模型及影像组学联合临床特征模型.采用ROC曲线下面积、准确率、敏感度、特异度以及校准曲线评价训练集中影像组学联合临床特征鉴别luminal型与非luminal型乳腺癌的诊断效能.结果 单一影像组学模型的AUC值0.850、准确率0.790、敏感度0.820、特异度0.765;影像组学联合临床特征模型AUC值0.856、准确率0.783、敏感度0.791、特异度0.776.临床特征中,如绝经状态(P=0.009)、淋巴结转移(P=0.012)有统计学意义,年龄(P=0.165)、病理类型(P=0.687)无统计学意义.结论 基于DCE-MRI的影像组学联合临床特征在术前鉴别luminal型与非luminal型乳腺癌方面具有较大价值.

目的 建立并验证基于CCTA影像组学和临床特征的列线图在鉴别易损斑块的临床应用价值.方法 选取接受CCTA检查的冠状动脉疾病(coronary artery disease,CAD)患者 102 例共 108 个斑块的临床资料,其中易损斑块 35个,稳定斑块 73 个.以 8∶2 比例随机划分为训练集(n=87)及测试集(n=21).在CCTA图像中手动勾画斑块感兴趣区并提取影像组学特征.采用Mann-Whitney U检验、Pearson相关系数及LASSO算法进行特征筛选,构建影像组学模型并计算影像组学评分(Radscore).结合临床特征和Radscore构建列线图模型.最后通过ROC曲线、校准曲线和决策曲线评估模型的效能及临床应用价值.结果 最终筛选得到 8 个最优影像组学特征.结合临床和影像组学特征的列线图模型在训练集及测试集中的曲线下面积值(area under the cure,AUC)分别为 0.999、0.929.校准曲线显示列线图预测结果与实际结果之间具有良好的一致性.决策曲线显示列线图具有更好的临床益处.结论 结合CCTA影像组学特征和临床特征的列线图模型能够客观、准确地鉴别易损斑块,具有较高的诊断效能,为后续临床决策提供建议.

介绍了大型语言模型的研究现状,阐述了生成式预训练转换器模型的关键技术,综述了大型语言模型在医疗教育、临床疾病诊断与治疗、医患交流中的实际应用现状,指出了有效监管、伦理和法律、专业化及逻辑一致性是大型语言模型在医疗领域应用中面临的挑战,并展望了未来的发展方向.

目的 探讨基于胸部CT影像组学特征构建的模型对Ⅰ期尘肺病的诊断价值.方法 选取 202 例诊断为尘肺Ⅰ期和 199 例健康体检者的临床及胸部CT资料,按照 7:3 的比例随机分为训练集组及验证集组,使用 3D-slicer软件在CT肺窗图像上勾画感兴趣区(ROI)并提取特征,利用最小绝对收缩和选择算子(LASSO)算法对影像特征进行筛选,然后采用支持向量机(SVM)算法,建立CT组学模型并采用受试者工作特征曲线下面积(AUC)和决策曲线分析(DCA),评估预测模型的效能和临床实用性.结果 共提取出 851 个特征,最终筛选出 9 个特征建立CT影像组学模型,该模型训练集组的AUC为 0.930(95%CI 0.901～0.963),验证集组的AUC为 0.820(95%CI 0.742～0.895),DCA曲线显示该模型具有较好的净收益.结论 基于CT图像的影像组学模型能有效鉴别正常和Ⅰ期尘肺,对于Ⅰ期尘肺有重要的诊断价值.