目的 用现有药代动力学(PK)药物相互作用(DDI)信息的数据库,构建出可用于预测AUC倍数变化(FC)的机器学习模型,用于探究对现有DDI预测的可能,为临床用药提供一定的合理建议.方法 从美国食品药品监督管理局(FDA)认证的药品标签中提取DDI的PK数据和AUC倍数变化的数据.通过DrugBank检索出DDI有关的多肽和药效学(PD)信息,用蛋白质资源(UniProt)对相关多肽ID进行药物类型(PPDT)标识,用矩阵归一化的代码生成便于分析的多维向量数据.PPDT对AUC的影响和所产生的倍数变化作为因变量,进行机器学习模型构建.用均方根误差(RMES)值最小的模型进行模型构建,训练出袋装决策树(Bagged)预测模型.利用训练好的模型对部分药物检验,检测模型的预测性别.通过查阅现有的有关检测DDI对的文献研究结果,对预测值进行分析比较,对模型进行评价.结果 检验模型药物对共16对,分别为16种药物对他克莫司的影响,发现对DDI的有无预测准确率为81.25％;预测结果根据FDA标准分类强弱,结果表明,DDI强弱预测,偏离较大的预测较少.结论 模型预测DDI的有无评价一般;但对DDI的强弱分类后,对DDI的预测结果较好,预测结果说明模型预测性能对于在临床试验之前进行潜在的DDI评估具有一定的参考价值.

目的 探究基于深度学习(DL)技术对颅内外动脉阻塞性狭窄的诊断价值.方法 回顾性分析我院2020年1月至2021年6月疑似急性缺血性脑卒中患者,且在一月内接受CTA和DSA.按患者和血管水平将狭窄程度分为正常、轻度狭窄、中度狭窄、重度狭窄和闭塞,阻塞性狭窄定义为直径狭窄率≥70％.以DSA为参考标准,通过受试者工作曲线(ROC)、敏感性、特异性评价诊断性能.结果 在患者水平,DL技术与放射科医师的AUC分别为0.781(敏感性和特异性分别为0.934、0.627)和0.840,差异无统计学意义(P=0.074).在血管水平,DL技术与放射科医师的AUC分别为0.923(敏感性和特异性分别为0.885、0.962)和0.932,差异无统计学意义(P=0.393)o DL技术分析的中位分析时间(8.67 min)明显短于放射科医师(29.55 min)(P＜0.001).结论 DL技术可以准确评估颅外和颅内动脉狭窄,耗时短,有望成为优化风险分层和指导治疗策略的方法.

目的 探讨前列腺特异性抗原(PSA)水平的动态变化对晚期前列腺癌患者生存预后的影响,为前列腺癌患者个性化治疗提供一定的理论依据.方法 本研究为回顾性队列研究.连续性收集2011-01-01-2017-12-31新疆医科大学附属肿瘤医院经病理学检查确诊为前列腺癌的176例患者作为研究对象,根据治疗方案分为比卡鲁胺联合戈舍瑞林组(n=126)和氟他胺联合戈舍瑞林组(n=50).采用线性混合效应模型和Cox比例风险模型分别拟合晚期前列腺癌患者血清PSA水平的动态变化及其生存数据,进而根据共享随机效应构建极大似然估计和贝叶斯估计法下的联合模型.通过赤池信息准则(AIC)、贝叶斯信息准则(BIC)以及对数似然函数(LLF)值评估2类联合模型的拟合优度.采用受试者工作特征曲线下面积(AUC)和预测误差(PE)比较2类联合模型的预测性能.通过独立样本t检验、Mann-Whitney U秩和检验、x2检验或Fisher确切概率法比较不同治疗方案下患者基线数据的组间差异.结果 共纳入176例前列腺癌患者,年龄45～90岁,平均年龄(71.76±7.86)岁,随访1.30～36.77个月.极大似然估计下的联合模型结果显示,相比于患者血清PSA水平未增加时,当PSA水平随时间增至10倍后,患者死亡风险增加0.94倍(HR=1.94,95％CI:1.74～2.16,P＜0.001);贝叶斯估计下的联合模型结果显示,相比于患者血清PSA水平未增加时,当PSA水平随时间增至10倍后,患者死亡风险增加1.18倍(HR=2.18,95％CI:1.77～2.73,P＜0.001).此外,极大似然估计下的联合模型展现出更好的拟合优度(AIC=3 265.01,BIC=3 303.06,LLF=-1 620.51),而贝叶斯估计下联合模型的AUC值(0.70～0.88)更大、PE值(0.04～0.10)更小,提示其具有更强的预测性能.结论 晚期前列腺癌患者血清PSA水平升高是其生存预后的危险因素,临床上应密切监测前列腺癌患者血清PSA水平的动态变化,以便更准确地制定个性化治疗方案.

多模态组学数据的联合运用在揭示细胞异质性和解析细胞命运调控机制方面具有重要意义,目前已有多种方法被开发,用于处理不同组学模态数据的整合.本研究通过对应用于不同整合任务的多种数据整合方法进行性能评测,为相关领域的研究提供有益参考.使用6个联合测序数据集对16种单细胞多模态配对数据整合方法在2类整合任务上的性能进行测试,再通过4个模拟数据集和1个真实数据集对6种空间转录组反卷积方法的性能进行评估.在RNA和ATAC配对数据整合任务中,MOFA+、SCOIT、Cobolt分别在PBMC、BMMC、SNARE数据集上取得最优表现,SCOIT在3个数据集的汇总得分中均排名前3,MMDVAE、DAE在基于AE的融合算法中表现突出.在RNA和蛋白质配对数据整合任务中,Cobolt、MOFA+、Seurat分别在P5_CITE、BM_CITE、COVID中取得最优表现,totalVI在3个数据集的汇总得分中排名靠前,基于AE的融合算法中以efMMDVAE、lfMMDVAE的表现最好.在空间转录组反卷积方法评测中,Cell21ocation和SPACEL在模拟数据和真实数据中的性能表现均优于其他方法的,其中Cell21ocation在真实数据集中表现最佳,正确地推断了两类心肌细胞在心室的比例.此外,本研究发现在配对数据整合任务中,不同方法对数据的适应性不同.SCOIT和totalVI分别是RNA与ATAC、RNA与蛋白质数据整合中表现稳定优异的方法.Seurat、MOFA+易受数据影响.

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 采用近红外高光谱成像技术(HSI)鉴别四裂红景天和长鞭红景天.方法 采集935～1720 nm长鞭红景天和四裂红景天的高光谱图像信息.采用主成分分析法(PCA)和正交-偏最小二乘判别分析法(OPLS-DA)进行分类判别.结果 OPLS-DA比PCA分析具有更好的分类性能,HSI和OPLS-DA分析结合可准确识别两种红景天.结论 所用方法可快速、无损地鉴别长鞭红景天和四裂红景天,为红景天的品种鉴定、质量控制和评估提供了参考.

目的:为实现更好的颈椎健康监测与颈椎病预防效果,设计一种嵌入式颈椎健康智能系统.方法:该系统主要由移动便携监测终端、云端服务器、微信小程序三大部分组成.移动便携监测终端主要由数据采集模块、数据处理模块、物联网通信模块三大模块组成,其中数据采集模块选用JY901-S作为主要数据传感器;数据处理模块通过动作分类模型对头部动作进行分类识别,选用STM32F4作为主控芯片、国产RT-Thread作为嵌入式操作系统;物联网通信模块选用乐鑫ESP32-C3系列Wi-Fi蓝牙双模模块.云端服务器选用Linux+Nginx+uWSGI作为Web服务器架构,通过MySQL数据库存储用户数据,并利用颈椎健康评估模型评估用户颈椎健康状态.微信小程序采用WXML+WXSS+WXS开发.结果:该系统基本能够实现颈椎健康状态监测和运动指导功能,且对人体头部动作分类识别的平均准确率为90％以上,对颈部关节活动度的测量精度为±1°,整体性能较好.结论:该系统能有效帮助用户建立并维持规律的颈椎健康运动行为,可为医院等机构提供关键可靠的康复运动治疗方案与康复护理数据支撑.

目的 评价Alberta卒中项目早期CT评分(ASPECTS)、洛桑卒中量表(ASTRAL)、DRAGON、START和血管事件患者总体健康风险计算评分(THRIVE-c)预测模型对河北省保定市高级卒中中心救治的急性缺血性卒中(AIS)患者预后的预测价值.方法 收集 2016 年 1 月至 2022 年 8 月在保定市第一中心医院高级卒中中心急诊入院行静脉溶栓治疗的 909 例AIS患者的临床资料,并对患者使用ASPECTS、ASTRAL、DRAGON、START和THRIVE-c评分模型进行评分.观察每个评分 3 个月改良Rankin量表(mRS)评分,mRS评分 0～2 分为预后良好,3～6 分为预后不良,比较 5 个评分中变量的多变量Logistic回归系数与原始推导队列的差异.采用受试者工作特征曲线(ROC曲线)分析各评分模型对AIS患者 3 个月不良预后的预测效能,并计算ROC曲线下面积(AUC);采用Hosmer-Lemeshow拟合优度检验评估各模型与实际预后结果的拟合程度;同时,利用校准曲线和Brier评分作为评价模型校准性能的指标.结果 最终纳入 786 例患者,340 例预后不良.验证队列与模型构建原始队列的比较显示:验证队列中平均年龄为 65 岁,女性占比相对较少(33.84%),中位血糖值为 8.09 mmol/L,与ASPECTS和THRIVE-c评分原始队列比较,验证队列预后不良占比较低(43.68%比51.90%,43.68%比50.30%),与ASTRAL、DRAGON和START原始队列比较,验证队列不良占比较高(43.68%比34.00%,43.68%比35.20%,43.68%比39.10%,均P＜0.05).ROC曲线分析显示,ASPECTS、ASTRAL、DRAGON、START和THRIVE-c评分对AIS患者预后均有预测价值,AUC和 95%可信区间(95%CI)分别为 0.848(0.820～0.876)、0.825(0.795～0.855)、0.833(0.805～0.861)、0.838(0.811～0.866)、0.727(0.691～0.762);在前循环分别为0.852(0.821～0.883)、0.817(0.782～0.853)、0.815(0.781～0.849)、0.833(0.800～0.866)、0.710(0.668～0.751);在后循环分别为0.841(0.781～0.902)、0.850(0.792～0.908)、0.874(0.816～0.931)、0.854(0.800～0.908)、0.775(0.704～0.846).Hosmer-Lemeshow拟合优度检验显示:DRAGON模型曲线与中间对角线差距较小,校准度较好(χ2=1.483,P=0.993);Brier评分显示:ASPECTS评分模型的Brier评分最小为 0.150,性能最好.结论 ASPECTS、ASTRAL、DRAGON、START及THRIVE-c这 5 种评分模型均被证实能有效预测接受静脉溶栓治疗的AIS患者 3 个月后的不良预后,其中ASPECTS模型在预测效能上表现最为突出;对于前循环梗死,ASPECTS评分展现出最高的预测效能;而针对后循环梗死,DRAGON评分则具有最佳的预测性能.ASPECTS评分在预测模型预测预后的概率与实际概率一致性较好.

目的 建立并验证包含3个临床参数的列线图预测模型,预测人类免疫缺陷病毒阴性早期梅毒患者治疗后出现血清固定的发生概率.方法 检索溧阳市人民医院的门诊数据,将2017年9月1日至2019年9月30日诊治的431例早期梅毒患者纳入建模队列建立预测模型,将2019年11月1日至2022年12月30日诊治的172例早期梅毒患者纳入验证队列.采用单因素和多因素Logistic回归分析筛选出现血清固定状态的独立危险因素.根据回归系数绘制相应的列线图预测模型;采用曲线下面积值评价其区分度;通过校准曲线评估校准度;采用决策曲线分析评价净效益.结果 多因素Logistic回归分析结果显示,年龄、初始快速血浆反应试验滴度和性生活时间点3个因素是患者出现血清固定状态的独立危险因素.列线图预测模型的曲线下面积在建模和验证队列中分别为0.816和0.726,显示出良好的性能.预测模型校准良好,决策曲线分析显示,当出现血清固定的阈值概率在75％～95％ 时,使用该模型预测出现血清固定的概率将获得净收益.结论 该列线图预测模型可为非HIV感染的早期梅毒患者出现血清固定概率提供个体化预测.

目的 探讨深度学习超声组学列线图评估浸润性乳腺癌侵袭转移生物学特性指标的价值.资料与方法 回顾性收集2021年1月—2022年12月茂名市人民医院180例经病理证实浸润性乳腺癌患者的超声影像资料,且病理报告了淋巴结转移(LNM)或淋巴血管间隙浸润(LVSI)或神经侵犯(PNI)状态,依据LNM/LVSI/PNI状态,3个指标均以8∶2划分为训练队列和验证队列.基于Pyradiomics影像组学和ResNet50深度学习提取器分别提取1 316个影像组学特征和2 048个深度学习特征.采用随机森林机器学习算法开发评估模型,并计算模型评分.基于影像组学和深度学习模型评分开发深度学习超声组学列线图.使用受试者工作特征曲线评估模型的性能,Delong检验分析不同模型的性能差异.结果 在LNM、LVSI、PNI状态评估中,所有队列列线图曲线下面积均表现中度以上评估性能(≥0.73),准确度均>0.70,LNM评估中,训练队列的曲线下面积为0.97,准确度为0.93,敏感度为0.88,特异度为0.96.Delong检验显示列线图评估性能在训练队列中优于影像组学模型(LNM,Z=2.04,P=0.04;LVSI,Z=2.80,P=0.01;PNI,Z=3.52,P<0.01),优于或与深度学习模型相似(LNM,Z=4.52,P<0.01;LVSI,Z=1.86,P=0.06;PNI,Z=0.31,P=0.76).结论 深度学习超声组学列线图可有效评估浸润性乳腺癌侵袭转移生物学特性指标.列线图整合影像组学与深度学习特征信息提高了评估性能.