目的 分析下肢康复机器人联合头针治疗对老年缺血性卒中患者步行效率和协调功能的影响.方法 本研究为前瞻性研究,连续纳入2022年12月—2023年6月在商丘市中医院治疗的老年缺血性卒中患者为研究对象,按照随机数表将其分为对照组和观察组.对照组患者在常规治疗的基础上增加平地行走式下肢康复机器人康复训练(30 min/次,每周3次);观察组患者在常规治疗的基础上增加平地行走式下肢康复机器人康复训练联合头针治疗(留针30 min,1次/d,每周5d),两组均治疗4周.在治疗前及治疗4周后采用日常生活活动量表(activity of daily living scale,ADL)评估患者日常生活能力;采用Fugl-Meyer评估(Fugl-Meyer assessment,FMA)量表评估下肢运动功能;采用Berg平衡量表评估平衡功能;采用功能性步行(functional ambulation category,FAC)量表、6 min步行距离和起立行走计时(timed up and go,TUG)评估步行功能;采用徒手肌力检测(manual muscle testing,MMT)评估患者股四头肌、胭绳肌肌力;采用Prokin系统记录平均轨迹误差(absolute trajectory error,ATE)及完成时间,评估患者的本体感觉功能.另外,采用表面肌电分析系统分析患者股直肌、胭绳肌、胫骨前肌、腓肠肌内侧头的肌电均方根(root mean square,RMS)值.结果 治疗后两组患者的ADL评分均高于本组治疗前,且治疗后观察组的ADL评分高于对照组[(85.21±7.55)分vs.(73.51±6.90)分,P＜0.001].治疗后两组的FMA量表评分和Berg平衡量表评分均高于本组治疗前,且治疗后观察组的FMA量表评分[(28.74±3.14)分vs.(22.31±2.77)分,P＜0.001]和Berg平衡量表评分[(41.82±3.21)分 vs.(30.49±2.78)分,P＜0.001]均高于对照组.治疗后两组患者的FAC量表评分、6 min步行距离均优于治疗前,TUG短于治疗前;治疗后观察组的上述指标均优于对照组[FAC量表评分:(3.89±0.41)分vs.(2.87±0.34)分,P＜0.001;6 min步行距离:(314.38±18.93)m vs.(269.05±20.31)m,P＜0.001;TUG:(24.93±4.24)s vs.(29.84±4.85)s,P＜0.001].治疗后两组患者股四头肌、胭绳肌的MMT分级均高于治疗前,且治疗后观察组的上述指标均高于对照组(均P＜0.05).治疗后两组患者的ATE及完成时间均低于治疗前,且治疗后观察组的上述指标均低于对照组[ATE:(47.57±5.12)％vs.(55.43±5.49)％,P＜0.001;完成时间:(80.43±6.78)s vs.(91.27±8.01)s,P＜0.001].治疗后两组患者股直肌、胭绳肌、胫骨前肌、腓肠肌内侧头的RMS值均高于治疗前,且治疗后观察组高于对照组,差异有统计学意义.结论 采用下肢康复机器人联合头针治疗可显著改善老年缺血性卒中患者的步行效率和协调功能,提高患者的日常生活能力、本体感觉功能及肌电水平.

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 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 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: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.

目的本研究旨在评估瘤内和瘤周影像组学模型对肝细胞癌(hepatocellular carcinoma,HCC)微血管侵犯(microvascular invasion,MVI)的预测价值.材料与方法回顾性分析2016年至2023年间在三家医院经手术病理证实为HCC患者的钆塞酸二钠(Gd-EOB-DTPA)增强MRI图像,以及性别、年龄、肿瘤最大径、甲胎蛋白(alpha-fetoprotein,AFP)、丙氨酸转氨酶(alanine aminotransferase,ALT)、天冬氨酸转氨酶(aspartate aminotransferase,AST)和有无乙肝7项临床信息.在动脉期、门静脉期和肝胆期图像中勾画瘤内及瘤周5 mm、10 mm感兴趣区域(region of interest,ROI),从中提取影像组学特征;训练集中,运用多因素logistic回归分析筛选MVI的独立临床预测因素;应用支持向量机(support vector machine,SVM)建立瘤内模型、瘤周模型、瘤内联合瘤周模型、临床模型和临床影像组学模型共10种模型,采用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的预测能力,以DeLong检验比较各模型ROC曲线下面积(area under the curve,AUC)的差异.结果肿瘤最大直径[优势比(odds ratio,OR):1.449,95％置信区间(confidence interval,CI):1.212～1.733]及AFP(OR:1.645,95％CI:0.665～4.071)是基于训练集的MVI独立临床预测因子.验证集中,临床模型、瘤内模型、瘤周模型、瘤内+瘤周模型及临床影像组学模型预测HCC MVI的AUC值分别为0.728、0.764～0.820、0.791～0.795、0.804～0.828和0.747,瘤内+瘤周5 mm模型、瘤内+瘤周10 mm模型的AUC值分别为0.828(95％CI:0.728～0.929)、0.804(95％CI:0.696～0.913).各模型中,瘤内+瘤周5 mm模型与临床模型、临床影像组学模型的AUC差异具有统计学意义(P=0.039,0.028),其余模型间的AUC差异均无统计学意义(P>0.05).结论基于Gd-EOB-DTPA增强MRI影像组学模型可用于术前预测HCC MVI,其中瘤内+瘤周5 mm模型对HCC MVI有较高的预测能力,可为临床制订个体化治疗方案提供依据.

目的 观察雷火灸配合中西医疗法及护理干预周围性面瘫的临床疗效.方法 选择 2017 年1 月至 2018 年 10 月在山西中医药大学针灸医院确诊为周围性面瘫的 50 例住院和门诊患者作为研究对象,按简单随机方法分为对照组和治疗组,每组 25 例.对照组给予面瘫的常规治疗和护理;治疗组在对照组治疗和护理基础上采用雷火灸配合并辅助有效的护理干预方式,连续 5d为 1 个疗程,共治疗 2 个疗程:①雷火灸:点燃雷火灸,灸条距离患侧皮肤 2～3 cm,横向和纵向灸法,灸条每晃动 10 次,即用手指按压被灸处皮肤 1 次,再用回旋法,取地仓、颊车、颧髎、阳白穴,距穴位 1.5 cm施灸,每穴灸 8～10 min;②针刺:取患侧阳白、颧髎、太阳、地仓、颊车、睛明、迎香、丝竹空、鱼腰、头维穴,对侧取合谷、双侧足三里穴行针,得气后留针 30 min,每日 1 次;③中药熏蒸:采用本院自拟方(由桂枝、茯苓、红花、木瓜、当归、赤芍、鸡血藤、防风各 15g组成),煎煮取汁倒入加药处,熏洗温度 40～45℃,熏蒸喷口与患侧面部距离 25～30 cm,熏蒸 20 min,每日 1 次;④ 药物治疗:早期给予注射用阿昔洛韦等抗病毒,中药以祛风化痰,舒经通络煎剂为主;⑤护理干预:雷火灸疗时火头不能接触皮肤,防止烫伤;点穴配合按摩手法;灸疗中随时注意观察,询问患者感受;灸疗后,头面部血管处于扩张状态,告知患者面部皮肤发红,有痒感是正常现象,指导患者注意休息,适当运动,外避风寒,禁生冷厚腻,忌烟酒辛辣,并教授其自我训练操.比较两组疗效积分、临床疗效和患者依从率及满意度的差异,并观察不良反应发生情况.结果 两组治疗和护理 2 个疗程后临床疗效积分均较治疗和护理 1 个疗程明显降低,且治疗组的降低程度较对照组更明显(分:1.12±0.88比1.79±0.76,P＜0.05).治疗组总有效率高于对照组[100.0%(25/25)比 96.0%(24/25)],但差异无统计学意义(P＞0.05);治疗组依从率较对照组明显升高[100.0%(25/25)比 20.0%(5/25),P＜0.05];两组满意度均较高,均为 100.0%.两组均无严重不良事件发生.结论 雷火灸药力足、药效强、渗透作用明显,操作简便,配合中西医疗法护理干预周围性面瘫疗效满意,疗程短,患者依从性和满意度较高,且无不良反应发生.

目的探讨酰胺质子转移加权成像(amide proton transfer weighted imaging,APTw)的影像组学术前预测宫颈癌淋巴血管间隙侵犯(lymphovascular space invasion,LVSI)的价值.材料与方法回顾性分析经手术病理证实的宫颈癌患者病例及影像资料66例.所有患者均行盆腔3.0 T MRI检查,包括轴位T2WI、矢状位T2WI、动态对比增强磁共振成像(dynamic contrast enhanced magnetic resonance imaging,DCE-MRI)和3D-APTw序列扫描.在APTw-T2WI融合图像上对肿瘤实质区域进行感兴趣区(region of interest,ROI)勾画并记录APT值.在APT重建图像上进行肿瘤病灶分割并提取影像组学特征.采用组内相关系数(intra-class correlation coefficient,ICC)选取观察者内和观察者间复测信度好的影像组学特征(ICC>0.900).采用递归特征消除法(recursive feature elimination,RFE)及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行特征降维和筛选.基于logistic回归分类器构建临床模型、APTw影像组学模型和联合组学模型.采用受试者工作特征(receiver operating characteristic,ROC)曲线和决策曲线分析(decision curve analysis,DCA)评估模型的诊断效能和临床价值,采用DeLong检验比较不同模型的预测效能.结果在训练集中,APTw影像组学模型预测宫颈癌LVSI的效能高于临床模型(AUC=0.826 vs.0.675),差异有统计学意义(DeLong检验P<0.05).联合组学模型在训练集和测试集中的AUC值分别为0.838和0.825.DeLong检验结果显示,联合组学模型在训练集中术前评估LVSI的效能显著高于临床模型和APTw影像组学模型(P均<0.05).决策曲线显示APTw影像组学模型和联合组学模型在训练集和测试集中均具有较高的临床价值.结论基于APTw的影像组学模型在术前预测宫颈癌LVSI方面具有较高的潜力,联合临床因素能进一步提高预测效能,有望为宫颈癌患者的个体化治疗和预后评估提供重要的支持.

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.

目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征构建模型预测局部晚期宫颈癌(locally advanced cervical cancer,LACC)新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态.材料与方法回顾性分析了300例于2013年至2022年来自于河南省人民医院(训练集187人,LVSI阳性73人)和河南省肿瘤医院(验证集113人,LVSI阳性31人)接受NACT并行根治性子宫切除术LACC患者的临床及影像资料.于轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)、矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)和矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)上勾画肿瘤感兴趣区(region of interest,ROI)并提取特征,利用递归特征消除算法与最小绝对值收缩与选择算法筛选影像组学特征.随后,基于逻辑回归分类器分别建立单序列模型,双序列模型及基于三序列组学特征的联合序列模型.使用受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型性能,使用DeLong检验比较曲线下面积(area under the curve,AUC),通过决策曲线评估模型的临床价值.结果在验证集中,基于Ax_DWI、Sag_T2WI及Sag_T1C构建的单序列模型的AUC分别为0.717[95％置信区间(confidence interval,CI):0.605～0.829]、0.734(95％CI:0.633～0.836)和0.733(95％CI:0.626～0.841);基于Ax_DWI+Sag_T2WI、Ax_DWI+Sag_T1C及Sag_T2WI+Sag_T1C构建的双序列模型的AUC值分别为0.763(95％CI:0.660～0.866)、0.786(95％CI:0.692～0.881)与0.815(95％CI:0.731～0.899);联合序列模型的AUC值为0.829(95％CI:0.740～0.914),高于各单序列模型与双序列模型,但联合序列模型与Ax_DWI模型、Sag_T2W1模型及Ax_DWI+Sag_T2W1模型之间AUC差异无统计学意义(P=0.015～0.047).决策曲线显示联合序列模型的临床净效益高于单序列模型与各双序列模型.结论基于治疗前mpMRI影像组学特征构建的联合序列模型可有效预测LACC患者NACT后的LVSI状态.