目的 本研究旨在验证一种自主研发的新型便携式体外膜肺氧合(ECMO)系统(西京高级生命支持系统JC-Ⅲ型)在大动物体内的安全性和有效性.方法 共计10只健康小尾寒羊通过颈动脉-颈静脉插管方式进行静脉-动脉体外膜肺氧合(VA-ECMO)支持,以评价JC-Ⅲ型ECMO系统的性能.通过持续输注肝素实现全身抗凝,转机过程中每2 h记录1次活化凝血时间(ACT),维持ACT在200～250 s之间;离心泵转速设定在3 000～3 500 r/min.分别于ECMO启动前和启动后24 h监测血红蛋白、血细胞计数、凝血、肝肾功能、心肌损伤等指标变化情况,实验结束后解剖泵头和氧合器,探查血栓形成情况.结果 VA-ECMO手术成功率为100％,ECMO转机24 h,流量波动于1.9～2.5 L/min,未发生溶血、泵头血栓、膜肺血栓.ECMO转机前后血红蛋白含量、白细胞计数、血小板计数、谷丙转氨酶、谷草转氨酶、尿素、肌酐、高敏肌钙蛋白Ⅰ、N末端B型脑钠肽前体等指标差异均无统计学意义(均P＞0.05).结论 本在体动物实验证实了西京高级生命支持系统JC-Ⅲ型的安全性和有效性.

目的 利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素.方法 回顾性收集2020年7-12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因素变量筛选,合成少数过采样技术-标称连续处理数据不平衡,数据集按8∶2的比例分为训练集与测试集,网格搜索10折交叉验证构建轻量梯度提升机(light gradient boosting machine,LightGBM)、支持向量机(support vector machine,SVM)模型,并与逻辑回归(logistic regression,LR)模型进行比较,基于ROC的AUC、校准曲线分别评价模型的区分度与校准度,性能最好的模型通过Shapley加性解释(Shapley additive explanation,SHAP)模型对预测结果进行解读.结果 本研究共纳入520例MIS患者,2年内复发93例(17.9％),测试集中LightGBM、SVM、LR预测患者2年内复发的AUC分别为0.935(95％CI 0.896～0.973)、0.833(95％CI 0.770～0.896)、0.764(95％CI 0.691～0.835),准确度分别为0.890、0.773、0.693,布里尔分数分别为0.105、0.167、0.200.结果 显示LightGBM模型性能最优,基于SHAP的LightGBM可解释模型重要性前5的是舒张压、年龄、糖尿病、LDL-C、吸烟.结论 本研究建立的LightGBM模型预测效果良好,可为MIS患者2年内复发的预测提供借鉴.通过SHAP可解释性帮助临床医师更好地理解预测模型结果背后的原因,对MIS患者做出更个性化与合理化的临床决策.

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 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: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:为满足人呼吸道(尤其下呼吸道)感染快速筛查的需要,研制一种基于自然呼吸方式的便携式呼出气冷凝液(exhaled breath condensate,EBC)采集装置.方法:该装置由制冷单元、散热单元和冷凝单元组成.制冷单元采用TES1-7102型Peltier效应制冷半导体作为制冷元件;散热单元由高导热铝质散热片和高速无刷散热风扇组成;冷凝单元由导冷板和冷凝器组成,其中,导冷板为合金铝薄片,冷凝器采用3D打印技术制备,材质为疏水性聚乳酸,具有主、次2级导流槽以及超薄冷凝表面.为验证该装置的性能,进行制冷、导热和冷凝性能分析及人EBC采集和内容物分析.结果:制冷、导热和冷凝性能分析结果表明,开启制冷后,该装置的冷凝器表面温度与人呼出气的温差可达到冷凝所需温差,且冷凝表面未形成明显热阻,人呼出气在冷凝表面发生气-液相变后可快速形成较大液滴便于采集.人EBC采集及内容物分析结果表明,该装置可实现各个年龄段人群EBC的居家自采集,且采集的EBC样本中白细胞介素、C反应蛋白等炎症相关指标的浓度及pH值与受试者呼吸道感染相关.结论:该装置操作简单,可避免吹气式采集的不适感和唾液污染的风险,在呼吸道感染等相关疾病的快速诊疗和动态监测方面具有较好的应用价值.

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.

针对直肠癌辅助诊断过程中部分医学图像分割模型只适用于单一模态图像的局限性,提出一种基于交叉注意力机制并同时适用于CT与MRI两种模态的医学图像分割方法.首先,针对CT与MRI两种图像特征表示不同,提出一种交叉注意力机制统一两类图像的特征表示;其次,针对直肠癌图像病灶区域较小的特点,提出三支路的改进Swin Transformer分割网络,并将交叉注意力机制加入其中,使模型对两种图像都能进行病灶区域的分割;最后,使用该方法在直肠癌患者的CT与MRI影像数据进行验证,与ADDA、CycleGAN和SIFA方法相比,在CT图像上的准确率分别提高2.94%、3.05%、0.71%,在MRI图像上的准确率分别提高了3.31%、4.55%、1.76%.实验结果表明该方法对于两类图像具有更好的分割性能.

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.