本研究选取半湿润常绿阔叶林的代表性分布区——滇中高原地区8处天然森林群落作为调查取样对象,定量评估半湿润常绿阔叶林现存斑块中的鸟类物种多样性及其组成与分布的特点.野外观测集中于2023年4-8月,采用样线-样点法,共布设3～4km长调查路线8条.结果表明:1)调查共记录鸟类1286只次,隶属7目30科102种.种类最丰富的前3科分别是鹟科(含14种)、噪鹛科(含9种)、柳莺科(含7种);2)东洋界物种占81.4％,古北界物种占4.9％,广布种占13.7％;3)森林斑块中调查到的平均鸟类物种数为32.0±3.5;鸟类Shannon指数在火后恢复的半湿润常绿阔叶林(1.536±0.110)中低于原生森林群落(2.037+0.100);4)不同斑块间存在共同的优势种(红头长尾山雀、蓝翅希鹛、灰腹绣眼鸟)和常见种(西南冠纹柳莺、蓝喉太阳鸟、棕头雀鹛),稀有种则各不相同,导致不同斑块中鸟类物种成分有很大不同;5)基于食性划分生态种组,食无脊椎动物和杂食的鸟类占84.3％,植食性鸟类占11.8％,肉食性鸟类占3.9％.食性相近的鸟类主要通过分割占用森林的垂直取食空间,稀释种间竞争,维持物种共存.对于鸟类物种多样性维持而言,现存的原生性半湿润常绿阔叶林斑块都具有重要的保护价值.

目的:应用建立的全自动AI牙体分割算法,从CBCT影像中实现牙体的快速自动化分割,以口内扫描真实离体牙获得的三维数据作为金标准,验证算法的准确性.方法:从上海交通大学医学院附属第九人民医院收集30套CBCT数据及相应的59颗离体牙,通过建立的算法,分割出CBCT中的牙体三维数据.将离体牙处理后扫描获得的数字化信息作为金标准.为了比较算法分割结果以及扫描结果之间的差异,选取骰子系数(Dice)、灵敏度(sensitivity,Sen)以及平均表面距离(average symmetric surface distance,ASSD)评价算法的分割准确性.选用组内相关系数(ICC)评价AI系统获得单个牙与数字化离体牙的长度、面积和体积差异.由于存在不同体素大小的CBCT,使用ANOVA单因素方差分析不同体素组间的差异,同时通过SNK法对其进行两两比较.采用SPSS 25.0软件包对数据进行统计学分析.结果:算法分割结果与离体牙扫描结果对比后,得到平均Dice值为(94.7±1.88)％,平均Sen为(95.8±2.02)％,平均ASSD为(0.49±0.12)mm.比较数字化离体牙与AI系统获得的单个牙的长度、面积和体积的组内相关系数ICC值,分别为0.734、0.719和0.885,AI系统分割出的单个牙与数字化模型在评价长度、面积和体积时有着较好的一致性,但分割结果在具体数值上与真实情况仍有差异.CBCT体素越小,即分辨率越高,分割结果表现更好.结论:本研究建立的CBCT牙体分割算法能够准确实现各分辨率下CBCT中全牙列的牙体分割.CBCT分辨率提高,能让算法结果更准确.相比目前的分割算法,本研究的算法性能更好.但与实际情况相比,仍有一定差异,需对算法继续改进及验证.

目的 探讨基于最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归分析构建Nomogram模型预测原位腺癌(AIS)、微浸润腺癌(MIA)及浸润性腺癌(IAC)的价值.方法 选取本院 97 例经手术病理证实且病理亚型明确的肺腺癌患者,将AIS和MIA归为第 1 组,IAC为第 2 组,比较两组患者年龄、性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征差异,采用 3D Slicer软件进行图像分割,特征提取与选择,通过LASSO算法对特征进行降维,筛选影像组学特征构建预测模型.再采用R软件的rms工具包构建Nomogram模型,计算ROC曲线下面积(AUC),以评价Nomogram模型鉴别肺磨玻璃结节病理亚型的效能.结果 1)性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征均差异无统计学意义(P>0.05);2)筛选 7 个 CT 影 像 组 学 特 征:平面度、大依赖低灰度强调、小波变换LHL第十百分位、小波变换HLL第十百分位、小波变换最小值、小波变换均值及小依赖低灰度强度比较,差异均有统计学意义(P均<0.05);3)基于CT影像组学特征建立预测肺磨玻璃结节病理亚型的Nomogram模型,训练集中AUC为 0.863,准确率为 87.9%,灵敏度为 67.9%,特异度为 91.1%;验证集中 AUC为 0.792,准确率为 75.0%,灵敏度为66.7%,特异度为 90.5%,可见此Nomogram模型具有较好的预测效能.结论 对于预测肺腺癌浸润程度,Nomogram 模型具有明显优势,可作为一种鉴别手段.

针对病理数据超大尺寸、标注成本高昂等问题带来的病理分类准确率较低的问题,基于多示例网络,引入分级注意力模块,设计一种兼顾示例级和图像块级损失的病理分类算法.回顾性收集皖南医学院第一附属医院口腔颌面外科186例口腔癌(126例鳞癌、60例腺癌),其数字病理切片划分为验证集、测试集及训练集.首先对病理图像进行前后背景分割,去掉背景中的噪声部分,然后采用ResNet50对分割后的病理图像提取特征,并将特征输入第一级注意力网络,得到基于图像块的注意力得分和损失,再根据注意力得分对图像块进行排序重置标签输入第二级注意力网络,得到基于示例级别的损失,最后将两级注意力的损失作为模型的总损失,通过训练最终网络,得到口腔癌分类结果.实验结果表明,使用两级注意力的多示例网络准确率为78.95%,AUC为0.8430,相较于基线模型均有更高表现.

目的采用基于体素的形态学分析(voxel-based morphometry,VBM)及脑白质高信号(white matter hyperintensity,WMH)半定量评估研究高血压患者脑灰白质体积及WMH的变化.材料与方法本试验为前瞻性研究,纳入2019年1月至2022年11月南京大学医学院附属苏州医院高血压确诊病例及健康对照者.入组病例均进行薄层sT1WI序列检查,图像数据导入EKM-KELM+分类算法模型,进行自动解剖标记(anatomical automatic labeling,AAL)脑区分割,计算每个脑区的灰质体积(gray matter volume,GMV)、白质体积(white matter volume,WMV)及全脑体积(total intracranial volume,TIV),每个脑区灰白质体积分别采用灰或白质体积/TIV的比值表示.同时对液体衰减反转恢复(fluid attenuated inversion recovery,FLAIR)序列图像中的WMH进行Scheltens视觉定量评估.结果(1)本研究共纳入509例,其中,青年组(20～40岁)136例,中年组(41～60岁)218例,老年组(61～80岁)155例,组内性别、血压级别均无统计学差异(P>0.05);(2)青年组GMV/TIV比较显示,不同高血压级别在左嗅皮质(P=0.031)、左额直回(P=0.036)、右额直回(P=0.022)、右枕下回(P=0.011)差异具有统计学意义;青年组WMV/TIV比较显示,在左侧中央前回(P=0.041)、左侧颞中回(P=0.033)、左侧后扣带回(P=0.001)、右侧后扣带回(P=0.041)、右侧枕下回(P=0.019)差异具有统计学意义;(3)中年组GMV/TIV比较显示,不同高血压级别在左辅助运动区体积差异具有统计学意义(P=0.036),WMV/TIV比较差异均无统计学意义;(4)老年组GMV/TIV比较显示,不同高血压等级在右侧嗅皮质体积差异具有统计学意义(P=0.047),WMV/TIV比较差异均无统计学意义;(5)WMH Scheltens视觉评分显示:青年组差异均无统计学意义(P>0.05);中年组脑室旁WMH(额角、枕角、侧脑室旁)差异具有统计学意义(P=0.028、0.032、0.020),深部白质(额叶)差异具有统计学意义(P=0.024);老年组脑室旁WMH(额角)、深部白质(额叶)及基底节白质区(苍白球)差异具有统计学意义(P=0.022、0.024、0.015).结论MRI多模态半定量分析可以有效评估高血压患者脑体积及WMH变化,青年组随着高血压级别升高脑GMV变化的脑亚区较中老年组变化的脑亚区多;中老年组WMH较青年组更易出现.

眼眶肿瘤的位置和组织病理学表现各不相同,给诊断带来了挑战.尽管成像技术的进步改善了这一问题,但其分类与鉴别仍是一项挑战.机器学习作为人工智能的关键分支在医疗领域已取得了一定的成果,尤其是其与影像学、眼科学的结合极大地促进了眼眶肿瘤的精准治疗,其在肿瘤鉴别、病灶分割及图像重建等方面已经展现出极大的潜力和广阔的应用前景,有望在提升眼眶肿瘤诊断水平的同时降低临床实践成本.本文就基于MRI的机器学习技术在眼眶肿瘤中的应用进行综述,旨在为临床医师和放射科医生就眼眶肿瘤的诊断、治疗及预后提供思路,并进一步促进机器学习在该领域的应用与普及推广.

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet.首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰.在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%.该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能.

目的 利用CT影像组学列线图预测结直肠癌患者术前BRAF突变,并进行预后分层.资料与方法 回顾性分析2017年1月—2020年6月盐城市第一人民医院经病理证实的333例结直肠癌,其中训练集234例,验证集99例.分割整个肿瘤的感兴趣区并提取影像组学特征.采用最大相关最小冗余算法及最小绝对收缩和选择算子算法筛选与BRAF突变密切相关的影像组学特征.结合影像组学特征和显著的临床参数构建列线图.采用受试者工作特征曲线下面积量化诊断效能.使用Kaplan-Meier分析绘制高风险组和低风险组的生存曲线.结果 保留 7 个影像组学特征以构建影像组学模型.结合影像组学特征和 3个显著的临床参数(年龄、肿瘤部位、癌胚抗原)构建列线图,其在训练集、验证集的曲线下面积分别为0.850、0.829.列线图预测高风险组(BRAF突变组)和低风险组(BRAF野生组)患者的总生存期存在显著差异(P<0.001),且高风险组的总生存期比低风险组短.结论 CT影像组学列线图可术前准确预测结直肠癌的BRAF突变,并对预后进行分层.

新型冠状病毒肺炎(corona virus disease 2019,COVID-19)具有高传染性,严重威胁人民群众的生命安全,快速筛查可以实现快速治疗、防止肺炎进展.目前COVID-19检测诊断方法的金标准为逆转录聚合酶链式反应(reverse transcription-polymerase chain reaction,RT-PCR),但是由于核酸检测存在耗时且假阴性率偏高的问题,而影像医生对医学图像的诊断存在主观性且工作量巨大,因此借助人工智能(artificial intelligence,AI)技术对实现COVID-19的快速诊断至关重要.随着AI在医学领域的成功应用,深度学习技术成为辅助诊断新型冠状病毒肺炎的有效方法.近年来许多学者使用深度学习技术来构建对医学图像进行智能诊断的模型,本文的主要内容就是对这类模型进行总结和分析,介绍了分割肺部区域的模型、实现二分类或多分类的分类模型以及模型在临床上的应用.与此同时,在文章中分析了COVID-19患者的影像学特点,COVID-19患者多双肺受累,其中磨玻璃影是最常见的影像征象.对COVID-19研究的最新进展也进行了介绍,主要是关于提高AI模型准确性的开发和"长新冠"综合征的相关研究.因此,在新型冠状病毒肺炎常态化管理下,模型准确性的提高可以借助数据集的扩大或模型结构轻量化等方面实现;"长新冠"综合征作为一个新的研究领域,学者可以在临床症状、预后随访和结合深度学习技术等方面进行进一步的研究.

目的 分析容积弧形调强放疗计划执行时间与加速器参数的关系,探索改进加速器参数以缩短治疗时间的方法.方法 用简单随机方法选择2017年3月—2017年7月在中国医学科学院肿瘤医院完成容积弧形调强放疗患者的25个治疗计划,通过软件对加速器参数进行建模.分别对常规分割和大分割计划,模拟独立提高机架旋转速度、剂量率、多叶准直器(MLC)叶片速度3个加速器参数时,治疗时间的相对变化,以确定哪个参数对治疗时间的限制最强;模拟只提高限制最强的参数的速度,得到在此过程中3个参数对治疗时间限制强弱的动态变化情况.对测得的数据进行统计描述.结果 对于单次剂量为2 Gy的常规分割计划,机架旋转速度是计划执行时间的主要限制因素,机架旋转速度提高超过15％时,叶片运动速度成为计划执行时间的最主要的限制因素.对于单次剂量为5 Gy的大分割计划,剂量率是计划执行时间的最主要的限制因素,剂量率提高12％以上时,机架旋转速度成为计划执行时间最主要的限制因素.结论 容积弧形调强放疗计划执行时间与加速器参数的关系依赖于计划本身的特点,通过改进加速器参数来缩短计划执行时间时,要综合考虑不同机器参数及计划特点之间的关系.