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 建立针对云南省多民族人群的产后抑郁风险预测模型并识别预测因子.方法 于云南省某多民族聚居县对处于产后42天～1年的女性采用爱丁堡产后抑郁量表(Edinburgh Postnatal Depression Scale,EPDS)进行产后抑郁筛查.以是否存在产后抑郁症状(EPDS ≥9分)为结局指标,基于随机森林算法纳入人口经济学、社会心理学、产科学、新生儿、配偶及家庭、其他特征因素共52个影响因素,在训练集上构建云南多民族人群产后抑郁风险预测模型,在测试集上采用准确率、灵敏度、特异度、阳性预测值、阴性预测值及受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC曲线)下面积(Area Under Curve,AUC)评价该模型性能.结果 本研究纳入分析的女性为459名,产后抑郁检出率为11.55％,其中汉族7.56％、壮族13.94％、其他少数民族13.92％.重要性评分位于前14的变量为:焦虑、既往不良情绪史、夫妻感情、家人支持水平、照顾新生儿身心疲惫、妊娠风险分级、母婴同室、喂养模式、文化程度、配偶文化程度、夜间照顾新生儿次数、民族、孕次、年龄.该模型准确率为92.74％,特异度为95.50％,灵敏度为69.23％,阳性预测值为64.29％,阴性预测值为96.36％,AUC值为0.925.同时,分别以汉族、壮族和其他少数民族人群作为验证集进行内部验证,显示模型稳定性好.结论 基于随机森林算法建立的云南多民族人群产后抑郁风险预测模型性能良好,可用于预测少数民族地区女性产后抑郁风险因子,从而采取针对性干预措施.

目的 通过机器学习方法对流行性感冒临床证候学资料进行训练,获得流感辨证模型.方法 收集2019年12月-2022年3月就诊于中日友好医院发热门诊的流行性感冒患者病历资料,使用数据采集系统进行数据处理,将不同数据处理过程产生的数据分别存储,以逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM和随机森林为备选模型,通过Optuna进行超参数优化选择,并在各数据集中分别训练模型,以macro-F1评分为核心指标,对模型的预测性能进行评价.结果 整理得到训练样本1 011个,其中风热犯卫证453个、风寒束表证152个、表寒里热证406个;得到用于训练的数据集8个,包含数据80份.经训练,逻辑回归、决策树、朴素贝叶斯、支持向量机、多层感知机、lightGBM、随机森林模型的macro-F1评分分别为0.783 0、0.774 2、0.731 5、0.782 4、0.716 7、0.793 8、0.815 3.加权样本能显著提高平均模型性能,而主成分分析降维会降低平均模型性能.单一模型中,逻辑回归模型预测性能最佳;集成方法模型中,随机森林模型预测性能最佳.结论 在样本量较小的情况下,流行性感冒中医辨证模型使用逻辑回归、决策树、支持向量机和lightGBM较为适宜,随着样本量增加,逻辑回归、支持向量机、lightGBM和随机森林可能更为合适.不同数据处理方式会影响模型性能,对证型典型程度信息的采集有利于提高模型性能.

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 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.

目的本研究旨在结合传统MRI序列及增强检查,提取多模态高通量影像组学特征并联合语义特征,使用不同的机器学习分类器构建不同的模型并绘制列线图来鉴别高级别胶质瘤(high-grade glioma,HGG)和单发性脑转移瘤(solitary brain metastasis,SBM).材料与方法本研究对101名患者的多参数MR图像进行了回顾性分析,由两位资深医师标定肿瘤感兴趣区,然后对每个序列分别提取影像组学特征后进行组合,共提取428组影像组学特征.为消除人为标定差异,进行组内相关系数一致性检验,并运用最大相关最小冗余算法选取最具相关性的特征,然后进一步通过最小绝对收缩和选择算子算法筛除冗余特征.本研究采用支持向量机、逻辑回归、随机森林及K近邻四种算法建立分类模型.结合放射科医生评估的七项语义特征,通过卡方检验和多因素分析去除差异无统计学意义的语义特征.然后结合组学特征建立综合模型并绘制列线图.最终,评价各模型的诊断能力,以确定最优分类器.结果HGG及SBM患者建立的影像组学模型中LR的受试者工作特征曲线下面积(area under the curve,AUC)值最高,训练集与测试集分别为0.90和0.90.语义特征建立的模型中随机森林模型性能最好,训练集和测试集AUC分别为0.82和0.87.语义特征联合影像组学评分后采用逻辑回归建立的模型性能最好,训练集和测试集AUC分别为0.91和0.92.结论本研究使用影像组学机器学习分类器并联合其他图像语义特征绘制列线图对HGG及SBM进行鉴别,这是一种非侵入性方法,具有较好的准确性,为临床决策和实践提供了较大的帮助.

目的 探讨 18F-FDG PET/CT影像组学模型对结外NK/T细胞淋巴瘤(ENKTL)无事件生存期的预测价值.资料与方法回顾性收集 2013 年 1 月—2021 年 1 月于河南省人民医院治疗前行 18F-FDG PET/CT检查的ENKTL患者 90 例,随机分为训练组63例和验证组27例.从基线PET和CT图像上提取特征,应用最小绝对收缩和选择算子算法结合Cox生存分析筛选特征并构建临床模型、影像组学模型和临床+影像组学复合模型,以模型风险评分的中位数作为截断值将患者分为高危组和低危组.使用C指数和受试者工作特征曲线评价3个模型的预测性能.基于最优模型构建列线图,采用校准曲线描述最优模型预测ENKTL患者生存概率与实际概率的一致性,使用Kaplan-Meier分析和对数秩检验评估最优模型的预后价值.结果 复合模型在训练组(C指数0.791,95%CI 0.702～0.879,曲线下面积为0.882)和验证组(C指数0.770,95%CI 0.650～0.889,曲线下面积为0.720)中比单独的临床模型和影像组学模型的预后表现更好.校准曲线表明复合模型在预测 3 年无事件生存期概率与实际结果的一致性较好,生存曲线显示高危组的无事件生存期显著低于低危组.结论 基于影像组学和临床参数构建的复合模型可以提供更全面的预后信息并提高诊断准确性.列线图为ENKTL患者的风险分层提供了一种无创的诊断工具,有助于个体化治疗.

目的:了解医学生对个性化学习资源推荐系统的性能、功能和推荐方式的偏好，以及与医学生自主学习能力的相关性，为进一步构建有效的学习平台和学习资源工具提供参考。方法:以某医科大学大一至大三医学生482人为研究对象，使用电子版自主学习量表及自制医学教育学习资源推荐系统的性能、功能及推荐方式量表进行问卷调研。使用SPSS 26.0进行 t检验、单因素方差分析、秩和检验、Pearson相关分析。使用Pearson相关分析探究医学生信息资源推荐系统的性能、功能及推荐方式偏好与自主学习能力的相关性。 结果:医学生对于学习资源推荐系统的学习性[（4.35±0.58）分]、准确性[（4.32±0.62）分]和时效性[（4.32±0.62）分]具有较高的需求和偏好。对于推荐系统的功能方面，在社交功能中的关注[（4.10±0.71）分]、分享[（3.94±0.82）分]，在交互功能中的搜索[（4.35±0.59）分]、反馈[（4.09±0.73）分]、发表[（3.80±0.88）分]都得到了较高的评分。对于推荐方式偏好，基于学科联系[（4.07±0.66）分]、基于时间线[（4.02±0.74）分]等方面得分更高。与自主学习相关性较高的有信息资源推荐系统的时效性（ r=0.367）、社交属性（ r=0.361），以及基于类似人群维度（ r=0.316）。 结论:医学生对学习资源推荐系统的各类性能、功能和推荐方式较为熟悉且态度积极，具有学习资源推荐系统构建及相关资源平台建设的认知基础。该系统与医学生自主学习能力具有一定的相关性，推进医学教育信息资源建设有利于促进学生自主学习能力的发展。

瘢痕增生会严重影响烧伤患儿的功能和外观，早期预测瘢痕的远期结果是对患儿进行针对性治疗和随访的前提条件，然而现有的测量瘢痕的吸附装置Cutometer在评估增生性瘢痕时存在局限性。苏黎世联邦理工学院机械与工艺工程系机械系统研究所的Bettina Müller 在《Burns & Trauma》杂志上发文《Longitudinal monitoring and prediction of long?term outcome of scar stiffness on pediatric patients》。该研究团队开发了一种新型的吸附测量装置Nimble，比较了Nimble与现有瘢痕测量方法的性能，同时量化瘢痕成熟过程中皮肤生物力学特性随时间变化的情况。该研究团队在1年的时间内使用Cutometer和Nimble这2种吸附装置对11例患儿的瘢痕硬度进行了多次测量，同时应用患者和观察者瘢痕评估量表（POSAS）对瘢痕进行评分。结果表明，3种工具均显示瘢痕硬度在伤后3~12个月内呈时间依懒性减轻。其中Nimble[组内相关系数（ICC）=0.99]和Cutometer（ICC=0.97）表现出优异的区分不同人群的能力。伤后12个月，瘢痕POSAS评分的曲线下面积（AUC）为0.67，Cutometer测量方法的AUC为0.46，Nimble测量方法的AUC为0.79，提示Nimble似乎能够根据早期的测量结果预测伤后12个月瘢痕的柔韧性。总之，该研究团队认为3种工具均能够量化瘢痕硬度的变化趋势，初步证据表明Nimble最适合于预测与远期瘢痕成熟相关的硬度变化。

目的:检测凋亡相关长非编码RNA(lncRNA)对肺腺癌(LUAD)预后的预测能力，并探讨其分子机制。方法:从癌症基因组图谱(TCGA)数据库和高通量基因表达数据库(GEO)分别下载535例和125例LUAD患者转录组和临床信息，筛选出与161个凋亡基因高度相关的lncRNA。通过Cox回归和lasso分析获取预后相关lncRNA并构建预测模型，并验证模型的稳定性。通过肿瘤突变负荷(TMB)、药物敏感性、免疫细胞相关性和基因集变异分析探讨该模型可能的生物学途径及潜在的分子机制。结果:研究构建一个由19个凋亡相关的lncRNA组成的LUAD预后预测模型。通过模型风险评分可将LUAD患者分为高低风险组，高评分与患者总生存率呈负相关( P<0.05)。训练集和测试集中1、3、5年的受试者工作特征曲线下面积(AUC)均>0.7。该评分与患者的临床指标如总分期[Ⅰ/Ⅱ/Ⅲ+Ⅳ分别为－0.069(－0.256，0.169)比0.063(－0.156，0.309)比0.099(－0.099，0.463)， H＝16.9， P<0.01]、T分期[T1/T2/T3+T4分别为－0.083(－0.389，0.130)比0.037(－0.165，0.282)比0.180(－0.066，0.392)， H＝20.8， P<0.01]和N分期[N0/N1/N2+N3分别为－0.055(－0.252，0.201)比0.043(－0.143，0.357)比0.119(－0.064，0.457)， H＝13.1， P<0.01]成正相关，可作为LUAD的独立预后因素(风险比＝3.402，95%可信区间：2.338~4.952， P<0.01)。高评分组患者对Gefitinib的药物敏感性高于低评分组[2.168(2.101，2.239)比2.204(2.153，2.251)， Z＝11.60， P<0.01]，同时对Dasatinib[0.989(0.353，2.056)比1.463(0.809，2.402)， Z＝11.60， P<0.01]以及Imatinib[4.925(4.873，4.971)比4.937(4.892，4.972)， Z＝10.60， P<0.05]的药物敏感性也高于低评分组。评分影响肿瘤免疫细胞含量。高风险组TMB高于低风险组[6.105(2.395，12.421)比4.342(1.579，10.237)， Z＝8.41， P<0.05]，且主要富集glycolysis，myc targets v1和mtorc1 signaling等信号通路。 结论:建立基于凋亡相关lncRNA的LUAD预后模型，并验证了该模型的性能。