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 总结自噬在急性淋巴细胞白血病(ALL)发病、药物治疗及相关机制中的研究进展.方法 以"自噬、急性淋巴细胞白血病、融合基因、治疗、进展"为中文关键词,以"autophagy,acute lymphoblastic leukemia,fusion gene,therapy,progress"为英文关键词,系统检索中国知网和PubMed数据库2010-01-01-2023-12-31发表的相关文献.纳入标准:(1)自噬及自噬发生的分子机制;(2)自噬与ALL融合基因突变发病中的关系;(3)自噬与ALL的关系及相关机制.排除标准:(1)会议、评论性及学位论文等;(2)内容关联性不强、结论尚存在争议及内容陈旧的文献.最终纳入66篇文献进行分析(中文4篇,英文62篇).结果 自噬相关蛋白在ALL患者中表达异常,且在不同的融合基因突变ALL中参与了 ALL 的发病及药物治疗过程,该过程可能与 JAK/STAT、SIRT1/AMPK、NF-κB、cAMPK、c-Myc、Akt/mTOR/p70S6K/4E-BP1、PI3K/AKT/mTOR等分子和(或)信号通路相关.在ALL的不同治疗阶段,抑制或激活自噬与促进或抑制ALL的发生发展密切相关.结论 自噬在维持细胞内环境的稳定发挥重要作用,参与了 ALL的发病及治疗过程并在疾病不同阶段扮演了促进或抑制的双重作用,故探索有效靶向自噬的ALL个性化和(或)联合治疗方案至关重要.

2021年2月WHO国际癌症研究机构发布的数据显示,我国肺癌的发病数及病死例数均位列中国恶性肿瘤第一位[1],其中非小细胞肺癌(non-small cell lung carcinoma,NSCLC)占肺癌 80％～85％.

目的:构建多院区医院一体化医疗信息支撑体系,以为推动一体化医疗服务开展提供信息支撑.方法:多院区医院一体化医疗信息支撑体系主要包括一体化网络管理体系、一体化应用管理平台、一体化应用系统、一体化安全策略机制4个部分.其中,一体化网络管理体系主要是从架构、虚拟局域网、性能、拓扑、告警等方面对全院网络进行统一管理;一体化应用管理平台主要利用虚拟化平台、超融合平台等将各应用服务端进行集中管理,共享信息,提升资源管理效能;一体化应用系统主要是各院区和门诊部部署相同的医院信息系统、影像存储与传输系统、实验室信息系统、电子病历系统及门诊和住院等应用系统,避免数据格式、标准不一致;一体化安全策略机制主要是按照三级等保2.0标准,从设施、策略、主机、数据等方面加强医院信息安全建设.结果:多院区医院一体化医疗信息支撑体系解决了多院区之间网络连不通、系统不统一、信息难共享、安全无保障等一系列难题,改善了医疗服务质量,增强了信息安全.结论:多院区医院一体化医疗信息支撑体系实现了医疗业务跨院区协同,为实施一体化医疗提供了信息支撑.

针对机器学习方法在对脑电特征进行分类时无法同时兼顾脑电信号的时-空域特征的问题,利用添加注意力机制的卷积神经网络提取空间特征和双向门控循环单元提取时间特征,提出一种基于特征融合的运动想象(Motor Imagery,MI)脑电分类算法(Attention-EEGNet-BiGRU,AEBGNet),AEBGNet可将时、空域两类特征相融合,得到更具表征性的时-空域特征,最终构建的AEBGNet分类模型在BCI competition IV 2b数据集上取得80.37%的平均正确率,比标准的EEGNet方法提高6.09%.结果表明,本文方法可以有效提高MI脑电信号的分类正确率,为MI脑电信号的分类提供新的思路.

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet.首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰.在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%.该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能.

目的 青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)是危害青少年健康的常见疾病之一.临床上,X线图像Cobb角测量法是评估患者脊柱侧凸严重程度的"金标准".由于X线图像中肋骨和骨盆阴影重叠以及椎骨形态差异等因素影响,人工测量在寻找关键点时步骤复杂且耗时长,快速且准确的Cobb角自动测量方法具有重要临床应用价值.现有深度学习方法中基于分割的方法易受图像质量影响;基于关键点检测方法过于关注局部特征提取导致定位不准确等问题.为此,本文提出了一种以椎骨为中心的标志点检测方法,来实现脊柱侧弯Cobb角自动估计算法.方法 构建一种基于融合多尺度和注意力机制M型椎骨检测网络(multi-scale attention M-shaped network,MSAM-Net).首先,使用多尺度金字塔拆分注意力(multi-scale pyramids squeeze attention,MPSA)模块和注意力特征融合(attentional feature fusion,AFF)模块提取椎骨特征和上下文信息,然后,根据椎体中心和角偏移量定位4个角标志点,以在脊柱侧弯评估任务中提高椎骨标志点检测的性能,进而实现近胸段、主胸段和胸腰段曲线的Cobb角估计.结果 为了评估Cobb角估计与真实侧弯角度之间的偏差程度,本研究算法基于AASCE MICCAI 2019挑战赛数据集,使用4种指标对Cobb角精度进行评估,分别是对称平均绝对百分比误差(symmetric mean absolute percentage error,SMAPE)、欧氏距离(Euclidean distance,ED)、曼哈顿距离(Manhattan distance,MD)和切比雪夫距离(Chebyshev distance,CD).测试得到SMAPE为9.39％,ED为4.18;MD为5.92;CD为5.34.与基于分割和检测的5种深度学习方法进行对比,实现更好的Cobb角测量结果.结论 本研究可以准确识别和定位X线图像中椎骨,帮助医生测量AIS患者的Cobb角,为临床AIS诊断、手术计划和脊柱健康分析提供决策支持.

针对当前皮肤病辅助诊断中生物医学特征建模规模较小且耗费巨大人工成本,而患者疾病特征的时间序列同样无法准确描述等难点,本研究运用融合文本分类算法,融合常用的文本分类模型TextLSTM、TextCNN、RCNN得到皮肤疾病辅助诊疗模型(TLNN模型),通过提取图像传感器医学特征向量化后进行预处理减少焦块数量以及消除偏差较大的特征信息,提高决策数据精度.在ISIC2018和PH2数据集进行对照实验,TLNN模型的准确率为72.36%,高于其余3种文本分类模型.在与医生主观诊断对比实验中,模型诊断准确率为92%,接近于医生94%的平均准确率,而有效诊断效率(1.17 min/例)明显高于医生人工诊断(4.57 min/例),整体效率提升幅度达290%,结果表明对比传统人工诊断,融合文本分类算法模型能以更短时间获得精确的诊断.TLNN模型可以应用于疾病诊断,辅助医生医疗决策,为患者提供优质便捷的智能诊疗服务.

目的 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.

近年来,职业健康风险评估方法的联合应用备受重视.首先介绍了风险评估法联合应用的验证方式,其次分析了联合风险评估法在不同职业病危害因素中的应用现状和作用,接着阐述了风险评估法平行应用的互补、拼接和评价3种方式,最后探讨了职业健康风险评估方法与其他方法联合应用的可能性.未来研究将朝着多学科交叉融合、基于大数据和人工智能的方向发展,应用场景将不断优化和扩展,但风险评估方法的准确性和可靠性等问题仍需进一步解决.