研究乳源性外泌体与脂质体进行膜融合得到的杂化外泌体装载青藤碱(sinomenine,SIN)后对胶原诱导性关节炎(CIA)大鼠的治疗效果.通过蔗糖密度梯度离心法从鲜牛乳中提取外泌体,采用乳化蒸发-低温固化法制备脂质体,共孵育法进行膜融合后对杂化外泌体进行表征:透射电镜检测形貌,纳米粒度电位仪检测粒径与电位,蛋白免疫印迹法(Western blot,WB)检测膜融合前后外泌体膜表面特征蛋白CD63和TSG101的表达.超声法装载青藤碱后,酶标仪检测其载药量与包封率.胶原抗体诱导法建立CIA大鼠模型,药效实验设对照组、模型组、SIN组、SIN-脂质体组、SIN-乳外泌体组、SIN-杂化外泌体组及阳性药(地塞米松)组.记录给药期间大鼠体质量变化,以足肿胀度、免疫器官指数、关节炎指数、微循环指标变化、滑膜组织病理学检查、血清炎症因子水平变化为指标进行药效学研究.透射电镜结果显示,杂化外泌体与乳外泌体外观均呈茶托状,共孵育后外泌体粒径由(97.92±3.42)nm 增长到(132.70±4.07)nm,Zeta 电位由(-2.01±0.33)mV 变为(-17.90±2.13)mV,WB结果显示CD63与TSG101蛋白在乳外泌体及杂化外泌体中均正常表达.酶标仪测定乳外泌体包封率31.64％±2.48％、载药量2.35％±0.52％,杂化外泌体包封率48.21％±3.12％、载药量3.17％±0.36％.药效学结果显示,与模型组相比,各给药组一般情况及足肿胀度、关节炎指数及免疫器官指数均得到显著改善(P＜0.05,P＜0.01),微血管综合评分及血管阻力显著下降(P＜0.05,P＜0.01),血清中肿瘤坏死因子-α(TNF-α)、白细胞介素-1β(IL-1β)和白细胞介素-6(IL-6)炎症因子水平显著降低(P＜0.01),滑膜组织的病变得到一定程度的改善.同时与SIN组、SIN-脂质体组及SIN-乳外泌体组相比,SIN-杂化外泌体组具备更平稳持久的药效.该研究将乳源性外泌体与脂质体共孵育得到的杂化外泌体成功改善了外泌体载药量小与脂质体生物相容性差等问题,负载青藤碱的杂化外泌体对CIA大鼠有着良好的疗效,可有效解决青风藤等疗效佳但生物半衰期短的问题,为传统中药的新发展及类风湿性关节炎等疾病的治疗提供了新思路.

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 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.

目的 通过机器学习分析"舌边白涎"舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能.方法 使用Python进行图像预处理,搭建用于舌象识别的视觉几何组 16层(visual geometry group 16,VGG16)卷积神经网络模型,分析其对"舌边白涎"舌象鉴别分析的效果,并结合热力图分析"舌边白涎"典型舌象表现.结果 基于PyTorch框架,进行卷积神经网络的舌象鉴别研究,VGG16 及残差网络 50 层(residual network 50,ResNet50)模型验证准确率均较高,达到 80%以上,且ResNet50 模型优于VGG16 模型,可为舌象识别提供一定参考.基于加权梯度类激活映射(gradient-weighted class activa-tion mapping,Grad-CAM)技术,通过舌苔舌色差异分布的网络可视化,有助于直观进行模型评估分析.结论 基于卷积神经网络模型对舌象数据库进行分析,实现"舌边白涎"舌象识别,有助于临床诊疗的客观化辅助分析,为舌诊智能化发展提供一定借鉴.

目的 建立欧矢车菊根的高效液相(High performance liquid phase,HPL C)指纹图谱,结合化学模式识别法进行分析,建立多指标成分含量的测定方法.方法 采用WondaSil C18色谱柱(250 mm ×4.6 mm,5 μm),以乙腈(A)-0.1％甲酸水(B)为流动相梯度洗脱,流速1 mL/min,检测波长为290 nm,柱温为30℃,进样量为10 μL.利用《中药色谱指纹图谱相似度评价系统(2012版)》建立15批欧矢车菊根药材的HPLC指纹图谱并分析相似度,通过对照品比对指认,确定化学成分并进行含量测定,使用SPSS 26.0和SIMCA-P 14.1软件进行聚类分析(Hierarchical calclus-ter analysis,HCA)、主成分分析(Principal component analysis,PCA)分析和正交偏最小二乘判别分析(Orthogonal partial least squares discriminant analysis,OPLS-DA)分析,对不同批次样品进行质量评价.结果 建立了 15批欧矢车菊根HPLC指纹图谱共匹配出20个共有峰,通过对照品比对指认出绿原酸(11号峰)、咖啡酸(13号峰)、异绿原酸A(19号峰).建立了绿原酸和异绿原酸A含量测定方法;指纹图谱相似度范围为0.601～0.983;HCA将15批欧矢车菊根分为2类;PCA得到4个主成分的累积方差贡献率为85.260％;OPLS-DA表明绿原酸和异绿原酸A是影响欧矢车菊根药材质量的差异性标志物.结论 指纹图谱结合化学模式识别技术可快速筛选出欧矢车菊根药材的差异性特征成分,为欧矢车菊根药材的质量控制及标准制定提供了理论依据.

目的 建立丹楂通脉丸的指纹图谱,利用化学计量学分析色谱峰贡献率,结合网络药理学方法预测其药效物质基础.方法 采用Agilent C18 色谱柱(250 mm×4.6 mm,5 μm),检测波长 280 nm,流动相 0.1%磷酸水-乙腈,流速 1.0 mL·min-1,梯度洗脱,建立丹楂通脉丸甲醇提取物指纹图谱.利用网络药理学筛选相关成分的靶点和通路,构建"成分-靶点-通路"网络,对丹楂通脉丸潜在的药效物质与关键靶点进行分子对接验证.通过体外实验验证潜在的药效物质的抗炎活性.结果 10批样品指纹图谱中有 15个共有峰,2个特征峰被指认,分别为丹酚酸B和丹酚酸A.网络药理学分析表明,丹酚酸B和丹酚酸A是丹楂通脉丸发挥活性作用的有效成分,预测其可作为丹楂通脉丸的主要药效物质.体外细胞实验证明,与模型组比较,丹酚酸B高、中、低剂量组NO释放量均明显降低(P<0.01),丹酚酸A高剂量组NO释放量显著下降(P<0.01),具有一定的抗炎活性.结论 通过指纹图谱和网络药理学预测丹楂通脉丸药效物质,为丹楂通脉丸质量的全面控制和评价提供了科学依据.

目的:评估基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌脉管侵犯（VI）的价值。方法:回顾性分析2011年7月至2020年12月郑州大学第一附属医院经病理证实的296例局部进展期胃癌患者，VI阳性213例、阴性83例，采用分层抽样方法按7∶3的比例将数据分为训练集（207例）和测试集（89例）。记录患者临床特征，采用多因素logistic回归筛选胃癌VI的独立危险因素。利用Pyradiomics软件提取肿瘤静脉期CT影像组学特征，采用最小绝对收缩和选择算法（LASSO）进行特征筛选，得到最优特征子集，建立影像组学标签。使用极端梯度提升（XGBoost）、逻辑回归（logistic）、朴素贝叶斯（GNB）和支持向量机（SVM）4种机器学习算法，对影像组学标签和筛选出的临床独立危险因素构建预测模型。采用受试者操作特征曲线评估模型预测胃癌VI的效能。结果:分化程度（OR=13.651，95%CI 7.265~25.650， P=0.003）、Lauren分型（OR=1.349，95%CI 1.011~1.799， P=0.042）和CA199（OR=1.796，95%CI 1.406~2.186， P=0.044）是预测局部进展期胃癌VI的独立危险因素。基于静脉期增强CT图像提取了864个影像组学特征，经LASSO筛选出18个最优特征构建组学标签。训练集中，XGBoost、logistic、GNB和SVM模型预测胃癌VI的曲线下面积（AUC）分别为0.914（95%CI 0.875~0.953）、0.897（95%CI 0.853~0.940）、0.880（95%CI 0.832~0.928）和0.814（95%CI 0.755~0.873），测试集中分别是0.870（95%CI 0.769~0.971）、0.877（95%CI 0.788~0.964）、0.859（95%CI 0.755~0.961）和0.773（95%CI 0.647~0.898）。logistic模型在测试集中AUC最大且稳定性高。 结论:基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌VI均具有较高的效能，其中logistic模型的诊断效能最佳。

目的:建立白头翁药材的超高效液相色谱（UPLC）特征图谱方法，为白头翁药材的产地区分及质量控制提供参考。方法:采用UPLC法，色谱柱为Agilent SB C18（2.1 mm×100 mm，1.8 μm）；以乙腈-甲醇（2∶1）-0.1%磷酸溶液为流动相，梯度洗脱；流速0.30 ml/min；柱温30 ℃；检测波长215 nm；进样量2 μl。通过特征图谱对比及主成分分析、正交偏最小二乘判别分析（OPLS-DA）对常见的白头翁伪品及不同产地的白头翁药材进行评价。结果:白头翁药材特征图谱呈现9个特征峰，通过高分辨质谱及对照品对比，指认了其中8个共有峰。通过主成分分析，可明显区分不同产地的白头翁药材，并结合OPLS-DA分析发现，峰2、峰3、峰6是不同产地白头翁差异的主要标志物。结论:所建立的方法专属性、重复性、耐用性良好，可有效区分白头翁的常见伪品，并为白头翁药材的质量控制及产地选择提供依据。

目的:探讨基于机器学习的 18F－FDG PET影像组学特征对≥60岁弥漫性大B细胞淋巴瘤(DLBCL)患者的预后评估价值。 方法:回顾性分析2011年3月至2019年11月166例未经治疗的DLBCL患者(年龄≥60岁)的 18F－FDG PET/CT资料，其中男88例、女78例，年龄60~93岁；训练组115例，验证组51例。对患者PET图像进行病灶勾画及影像组学特征提取，运用3种机器学习方法[最小绝对收缩和选择算子(LASSO)、随机森林(RF)和极端梯度提升(Xgboost)]筛选特征，采用支持向量机(SVM)对特征进行分类并生成影像组学标签(RS)，对患者总生存(OS)进行预测。根据Cox比例风险回归模型构建多参数模型，并通过一致性指数(C－index)进行评估。 结果:共提取1 421种影像组学特征，筛选出10个预测效能强的特征并生成RS。单因素Cox回归分析示，RS[风险比( HR)＝5.685, 95% CI: 2.955~10.939； P<0.001]是OS的危险因素。构建出包含RS、代谢特征及临床风险因素的多参数模型，其较临床模型、基于PET模型及美国国家综合癌症网络国际预后指数(NCCN－IPI)在预测OS上具有更高的效能(训练组C－index：0.752、0.737、0.739、0.688；验证组C－index：0.845、0.798、0.844、0.775)。 结论:基于机器学习 18F－FDG PET影像组学特征的RS是≥60岁DLBCL患者生存预后的预测因素。构建的包含影像组学特征的多参数模型能较好地预测患者预后。

目的:探索SHAP值结合极端梯度提升树（XGBoost）算法的特征选择技术来构建调强放疗γ通过率预测模型的可行性和有效性，并给出相应的模型解释。方法:回顾性分析2020年11月至2021年11月在湖南省肿瘤医院接受盆腔固定野调强放射治疗的196例肿瘤患者采用基于模体测量方式的调强放疗计划的剂量验证结果，γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的影像组学特征并使用SHAP值结合XGBoost算法进行特征筛选后构建预测模型。分别选取特征数量为50、80、110、140个，构建四种机器学习分类模型，计算曲线下面积（AUC）值、召回率及F1分数评估预测模型的分类性能。结果:基于SHAP值特征选择的110个特征构建的预测模型AUC值为0.81，召回率达到0.93，F1分数为0.82，均优于其他三个模型。结论:针对盆腔肿瘤调强放疗计划，可以采用SHAP值与XGBoost算法结合以选择用于预测的最佳影像组学特征子集来构建γ通过率的预测模型，并能通过SHAP值给出模型输出解释，可能在理解依赖机器学习模型所做的预测方面提供价值。