目的 探究不同测试体位对手、腕屈曲肌群定量肌力的影响,建立各肌群的标准化肌力检测方案.方法 征集40例健康受试者(男性12例,女性28例),使用Micro FET2TM便携式数字肌力测试仪,分别于腕关节背伸30°位、中立0°位和掌屈30°位测量各手指屈曲及腕关节掌屈肌力,分别于拇指掌侧外展30°位和60°位测量拇指掌侧外展肌力.从40例受试者中随机抽取10例,间隔10～15 d后由同一操作者再次测试各肌群定量肌力.结果 除男性腕关节背伸30°位和中立0°位之间的拇指屈曲肌力、腕关节掌屈肌力差异无统计学意义(P>0.05),各指屈曲及腕掌屈肌力值主要呈现以下特点:腕关节背伸30°位>腕关节中立0°位>腕关节掌屈30°位,拇指掌侧外展30°位>60°位;所有受试者手指屈曲肌力均为拇指>示指>中指>环指>小指;男性各项肌力值均大于女性(P<0.05);所有受试者左、右侧肌力值的差异均无统计学意义(P>0.05).10例受试者不同时期测量肌力值的可靠性良好.结论 手、腕各肌群定量肌力均受体位影响,鉴定过程中应采取规范、统一的测试体位.Micro FET2TM用于手、腕关节定量肌力测试具有良好的可靠性.腕关节背伸30°位可作为各手指屈曲肌力及腕关节掌屈肌力的最佳标准化检测条件.拇指掌侧外展30°位可作为拇指掌侧外展肌力的最佳标准化检测条件.

目的 探讨基于数字化管理门静脉高压多学科会诊及管理平台的构建及具体实施策略.方法 基于数字化管理门静脉高压多学科会诊及管理平台系统通过整合数字识别、数据清洗、结构化处理和人工智能算法等先进技术,构建了一个全面的疾病管理平台.详细阐述了系统的模块设计、应用流程及团队协作机制,展示了如何通过多维数据分析和个性化随访支持,满足门静脉高压患者的多样化和多层次的随访需求.结果 应用数字化新技术构建的管理平台,在多学科精准评估的基础上,个性化定制方案并进行长期动态管理,共纳入428名随访需求患者,依从性提高到了 94％,复诊率达到了 78％,患者满意度达到100％.同时,显著提升了临床与科研团队的工作效率和动力,该项目框架还促成了多个项目、多次获得市级奖项等,促进了相关医学学科的发展和人才培养.结论 通过管理平台的应用,有效地强化了门静脉高压患者的综合管理,提升了患者的就医体验,提高了医疗质量和安全,推动了临床科研工作的开展,带教和培养了一批专业人才,为未来的医疗服务模式创新提供了实证基础和技术支持.

目的 了解护生对大语言模型聊天机器人的使用体验,为规范使用大语言模型聊天机器人提供参考.方法 采用描述性质性研究方法,以目的抽样法选取15名来自4所医学院校的护生进行半结构式访谈.使用内容分析法对访谈资料进行分析、归纳并提炼主题.结果 共提炼出4个主题:使用体验感多样化;使用场景差异化;使用潜在问题;自我感知需求和期待.结论 护理教育和管理者应引领护生树立正确使用大语言模型价值观,制定相关使用准则规范其使用,还须加强培训和护理伦理建设,促进大语言模型在护理教育中的创新融合.

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.

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:探讨Peyton四步教学法在住院医师规范化培训（以下简称"住培"）颈部淋巴结超声分区带教中的教学效果。方法:选取2023年9月至2024年5月安徽医科大学第二附属医院超声医学科和皖南医学院第一附属医院超声医学科共计70名住培学生，采用随机数字法将其分为传统教学组（n=35）和Peyton四步教学组（n=35）。通过技能操作、超声读图两种方式对两组学生进行考核，同时依据问卷调查对住培学生进行满意度调查。对比分析两种不同教学方法住培学生的考核成绩与问卷评分。结果:考核结果显示，Peyton四步教学组技能操作成绩、超声读图成绩均高于传统教学组[（44.69±2.33）分vs（41.40±2.78）分，（44.45±2.63）分vs（42.77±2.58）分，P均<0.05]。问卷调查结果显示，Peyton四步教学组提高学习兴趣评分以及缓解考试压力评分均高于传统教学组[（4.60±0.55）分vs（3.66±0.84）分，（4.43±0.65）分vs（3.14±0.60）分]，差异均具有统计学意义（P均<0.05）。结论:Peyton四步教学法可提高住培学生在颈部淋巴结超声分区中的技能操作、超声读图成绩，激发住培学生的学习兴趣，并缓解规范化培训考试压力，可作为住培学生颈部淋巴结分区带教的有效手段，提高超声规范化培训带教的教学效果。

《岭南心血管病杂志》是由广东省心血管病研究所主办、广东省卫生健康委员会主管、国内外公开发行的心血管疾病专业性学术刊物,是美国化学文摘(CA)、美国《乌利希期刊指南》、中国科技核心期刊(中国科技论文统计源期刊)、中文生物医学期刊文献数据库(CMCC)、中国知网(CNKI)系列数据库、万方数据-数字化期刊群、中国科技期刊数据库(VIP)收录期刊,并荣获第四届广东省优秀期刊奖和第四、六届广东省优秀科技期刊奖及广东省品牌期刊奖.

图像配准在临床医学诊断和辅助手术过程中非常重要,采用仿X光和数字减影图像的数字重建影像(DRR)设计将使医学图像配准精度和速度提高,提出用片段着色器同时生成三维渲染图像和仿X光或者数字减影图像的DRR,将复杂优化和配准计算采用并行计算语言OpenCL完成,使整个DRR图像生成和2D/3D配准交由图像处理单元GPU完成.实验结果表明,依赖仿真的X光图像或者数字减影图像配准方法可为图像引导的手术提供精确和快速的辅助作用.

《肝胆胰外科杂志》(ISSN1007-1954,CN33-1196/R)1989年创刊,为月刊,国内外公开出版发行.杂志被科技部列为"中国科技论文统计源期刊"(中国科技核心期刊),并被美国《化学文摘》、美国《乌利希期刊指南(网络版)》、波兰《哥白尼索引》、中国科技论文与引文数据库、中国核心期刊(遴选)数据库、中国生物医学数据库、中国学术期刊(光盘版)检索与评价数据库、中国期刊全文数据库、万方数字化期刊群、维普和超星等国内外多家权威数据库收录.

目的 探索一种在小数据量条件下提高医学诊断神经网络模型准确率和泛化能力的方法,解决在指甲病图像计算机辅助诊断中由于训练数据量小而导致神经网络模型性能不佳的问题.方法 提出融合实例分割与细粒度特征分类的双模型策略,采用第一届全国数字健康创新应用大赛健康医疗大数据主题赛基于图像的指甲病智能诊断模型任务数据集训练基于双模型策略的神经网络模型,该任务数据集涵盖甲母痣、甲沟炎、银屑病甲、甲真菌病、甲下出血、甲黑线、甲周疣、甲黑素瘤8类指甲病,各类别不平衡.评估双模型策略的诊断性能,并与相同软、硬件训练条件下单模型策略[图像分类模型(ResNet50、Swin Transformer)和基于快速区域卷积神经网络(Faster R-CNN)的目标检测模型]进行比较.结果 纳入任务数据集包括甲母痣210例、甲沟炎186例、银屑病甲69例、甲真菌病203例、甲下出血149例、甲黑线71例、甲周疣93例、甲黑素瘤67例共1 048例样本,其中90％的样本用于训练不同策略的模型,10％用于评估模型.基于ResNet50的图像分类模型的micro F1值为0.324,基于Swin Transformer的图像分类模型为0.381,基于Faster R-CNN的目标检测模型为0.572,基于双模型策略的Mask R-CNN+Swin Transformer模型为0.714.双模型策略预测各指甲病的准确度为甲母痣80.95％(17/21)、甲沟炎89.47％(17/19)、银屑病甲100.00％(7/7)、甲真菌病70.00％(14/20)、甲下出血73.33％(11/15)、甲黑线14.29％(1/7)、甲周疣55.56％(5/9)、甲黑素瘤42.86％(3/7).双模型策略在该任务1 000例测试集中的micro F1值为0.844.结论 双模型策略可以有效结合功能不同的模型,更好地完成小数据量训练条件下的指甲病图像智能诊断任务.