目的:探讨基于临床特征和术前胸部CT影像特征构建的模型预测肺癌合并慢性阻塞性肺疾病（COPD）的价值。方法:回顾性分析2014年6月至2021年3月在海军军医大学第二附属医院就诊且经病理确诊的444例肺癌患者的临床（年龄、性别、吸烟史、吸烟指数等）及影像资料（病灶大小、位置、密度、分叶征等）。其中男279例、女165例，年龄23~85岁。444例患者以7∶3的比例使用python中的random函数随机分为训练集（310例）和内部测试集（134例），并根据肺功能检查将患者进一步分为肺癌合并COPD组和肺癌非COPD组。首先将单因素分析中2组间差异有统计学意义的临床特征纳入二元logistic回归分析，筛选出预测肺癌合并COPD的独立影响因子构建临床特征模型。使用最小绝对收缩和选择算子对影像特征进行特征筛选，并用5次留P交叉验证法判断其可靠性，构建影像特征标签。临床特征联合影像特征标签建立综合模型。使用受试者操作特征（ROC）曲线和决策曲线分析（DCA）评估各个模型的预测能力和临床使用价值。各模型预测肺癌合并COPD的曲线下面积（AUC）比较采用DeLong检验。结果:训练集中肺癌合并COPD组182例，肺癌非COPD组128例，综合模型预测肺癌合并COPD的AUC为0.89，临床模型为0.82，影像特征标签为0.85。测试集中肺癌合并COPD组78例，肺癌非COPD组56例，综合模型预测肺癌合并COPD的AUC为0.85，临床模型为0.77，影像特征标签为0.83。影像特征模型与临床特征模型的AUC差异无统计学意义（ Z=1.40， P=0.163），综合模型与临床特征模型、影像特征模型的AUC的差异有统计学意义（ Z分别为-4.01、-2.57， P分别为0.010、<0.001）。DCA示综合模型的净收益最大。 结论:利用CT的影像学特征和临床特征构建的综合诊断模型能有效地预测肺癌合并COPD。

目的:利用体模探究宽体探测器CT使用不同的扫描模式和探测器宽度时对图像质量和辐射剂量的影响。方法:使用320排CT在不同扫描方式下对Catphan500模体的CTP404和CTP486模块进行扫描，并将每个模块置于扫描野的中心位置。轴扫模式时，分别选择80、120、140和160 mm探测器准直宽度；螺旋扫描模式时，选择40和80 mm。两种扫描模式的管电流均选择240和100 mAs。采用基于任务的传递函数(TTF)来衡量空间分辨率，以噪声功率谱(NPS)衡量噪声的imQuest软件进行客观评价，并记录图像的特征数据和CT容积剂量指数(CTDI vol)值。 结果:扫描模式对图像的空间分辨率和噪声有主要影响。对于空间分辨率，轴扫模式的TTF曲线较螺旋扫描模式略右移，表明轴扫模式具有更高的空间分辨率；对于噪声，NPS峰值频率和平均空间频率提示两种扫描模式的噪声纹理相似，但噪声值和NPS曲线下面积一致均提示轴扫模式的噪声更低，轴扫模式较螺旋扫描模式噪声降低14%，曲线下面积减少26%。轴扫模式图像质量优于螺旋扫描模式，辐射剂量降低约13%。虽然探测器准直宽度对高对比度分辨率和噪声无明显影响，但随着探测器宽度的增加，CTDI vol值有所减低，轴扫模式下当探测器准直宽度增加1倍时，CTDI vol减少了9%。 结论:不同的扫描方式对图像质量和辐射剂量具有一定的影响，尤其是扫描模式。在临床上应该根据扫描部位以及诊断要求选择适合的扫描方式。

目的:使用Excel电子表格中IF函数编辑公式，根据动脉血气分析结果自动判断酸碱平衡紊乱类型。方法:通过建立酸碱平衡紊乱分析流程，采用四步分析法进行程序化分析：①根据pH值判定酸、碱，结合动脉血二氧化碳分压（PaCO 2）、HCO 3-及其变化率，确定原发或主要酸碱失衡类型；②根据原发或主要酸碱失衡类型选取预计代偿公式，确定有无混合型酸碱失衡；③当阴离子隙（AG）增高型代谢性酸中毒（代酸）时，对前两步判断原发或主要酸碱失衡为呼吸性酸中毒（呼酸）或呼吸性碱中毒（呼碱）时，计算潜在HCO 3-，用潜在HCO 3-替代实际HCO 3-与呼酸或呼碱预计代偿公式计算的代偿区间进行比较，进而判断有无三重酸碱失衡（TABD）；④当AG增高型代酸时，对前两步判断原发或主要酸碱失衡为代酸时，计算ΔAG↑/ΔHCO 3-↓比值，进一步判断是否合并代谢性碱中毒（代碱）或正常AG代酸。使用Excel 2003电子表格中IF函数编辑公式对动脉血气分析结果进行判断。选择徐州市中心医院重症监护病房（ICU）收治的96例患者，根据动脉血气分析结果，分别使用人工判断（人工组）和血气分析自动判断Excel电子表格（Excel电子表格组）判定患者的酸碱失衡类型。人工组由2名新生儿重症监护病房（NICU）副主任医师及1名呼吸科主治医师完成，如结果不一致则讨论后决定判断结果。Excel电子表格组由1名NICU主治医师输入数据，另一人核对。比较两组在酸碱失衡类型判断结果和时间上的差异。 结果:采用四步分析法，在血气分析自动判断Excel电子表格中输入pH、PaCO 2、实际HCO 3-、Na +、Cl -和代偿时限等相关参数，即可给出42种酸碱失衡类型。对96例患者的数据分析显示，使用Excel电子表格自动判断酸碱失衡类型的准确率高于人工判断，但差异无统计学意义〔正常及单纯型酸碱失衡：100%（26/26）比100%（26/26），混合型酸碱失衡：100%（51/51）比96.08%（49/51），TABD：100%（19/19）比89.47%（17/19），均 P>0.05〕，且Excel电子表格组血气分析结果判断时间较人工判断组用时少〔s：正常及单纯型酸碱失衡为31.13±4.70比74.20±16.53，混合型酸碱失衡为31.59±5.49比138.10±22.26，TABD为30.98±5.40比308.40±78.12，均 P<0.01〕。 结论:血气分析自动判断Excel电子表格能快速、准确地对动脉血气分析进行酸碱失衡类型的判断。

目的:通过回顾性、观察性研究，寻找急性主动脉夹层（acute aortic dissection, AAD）患者的临床特征，构建能在急诊室内运用的AAD早期预警模型。方法:通过复旦大学附属中山医院胸痛专病库，回顾性收集急诊胸痛中心2019年1月至12月间就诊的11 583例患者资料。纳入标准：急诊胸痛中心2019年1月至12月间就诊的胸痛患者。排除标准：1）年龄小于18岁；2）无胸/背疼痛；3）临床信息不完整患者；4）既往明确诊断为主动脉夹层，经（或）未经手术治疗。最终收集以急性胸/背痛为主诉的9 668例患者的临床资料，排除既往明确诊断为主动脉夹层，经（或）未经手术治疗的患者53例，共入选9 615例患者作为AAD早期诊断预警模型的建模队列。根据是否确诊AAD分为AAD组与非AAD组。通过单因素及多因素Logistic回归筛选风险因素，选择最佳拟合模型纳入研究，并基于R软件中的（nomogram）函数构建预警模型并进行可视化，通过准确率、特异度、敏感度、阳性似然比和阴性似然比评估模型性能，并通过该院急诊胸痛中心2020年1月至2020年6月间就诊的符合纳入排除标准的4 808例患者作为验证队列进行验证，通过校准曲线评价早期诊断预警模型的效果。结果:经过多因素分析后筛选出的AAD危险因素有性别（男性）（ OR=4.15， P<0.001）、刀割/撕裂样疼痛（ OR=38.309， P<0.001）、高血压病（ OR=1.943， P=0.007）、高危病史（ OR=12.773， P<0.001）、高危体征（ OR=7.383， P=0.007）、首次D-二聚体水平（ OR=1.165， P<0.001），而糖尿病（ OR=0.329， P=0.027）及冠心病（ OR=0.121， P<0.001）可能是AAD的保护性因素。将危险因素组合后构建的早期诊断预警模型的AUC=0.939，95% CI:0.909~0.969。初步验证结果显示该早期诊断预警模型的AUC=0.910，95% CI:0.870~0.949。 结论:性别（男性）、刀割/撕裂样疼痛、高血压病、高危病史、高危体征、首次D-二聚体值是影响AAD的独立危险因素，而糖尿病及冠心病可能是AAD的保护性因素。由这些危险因素构建的模型对AAD早期诊断预警有较好的效果，有助于临床早期快速识别AAD患者。

目的 分析2型糖尿病(T2DM)发生与多溴联苯醚(PBDEs)暴露的关系,通过机器学习方法构建T2DM发生的预测模型并进行评价.方法 在NHANES数据库筛选出1 425例研究对象,其中非T2DM患者1 132例、T2DM患者293例.比较非T2DM患者与T2DM患者的临床资料,取有统计学差异的临床资料进一步进行boruta特征筛选,以明确T2DM发生与PBDEs的关系及其影响因素.将筛选出的T2DM发生影响因素输入R软件,并使用R软件creatDataPartition函数将数据按照80%训练集及20%验证集随机划分.使用逻辑回归、极致梯度提升(XGBoost)、轻量梯度提升、自适应增强、K近邻、朴素贝叶斯及支持向量机等7种算法构建机器学习模型,将训练集输入模型进行训练,将验证集输入模型使用十折交叉验证对进行模型进行内部验证.结合ROC曲线以及曲线下面积(AUC)对模型进行评价,选择新疆医科大学一附院内分泌科就诊的成人T2DM患者71例及健康体检者100例对效能最好的预测模型进行外部验证.使用SHAP工具分析高效能预测模型的可解释性,判断模型在决策过程中各个特征的重要性.结果 T2DM患者BMI、腰围、受教育程度、有糖尿病家族史比例、血清高密度脂蛋白及血清BDE-28、BDE-47、BDE-99、BDE-183、BDE-209浓度均高于非T2DM患者(P均<0.05),Boruta特征筛选出腰围、BMI、糖尿病家族史及血清BDE-47、BDE-99、BDE-28、BDE-209、BDE-183作为T2DM发生的影响因素纳入机器学习算法建立T2DM发生的预测模型.在训练集及验证集的内部验证中,XGBoost模型AUC值均最高,且准确度、Kappa值、灵敏度及特异度均位于前列,故选择XGBoost模型作为高效能预测模型.外部验证结果显示,XGBoost模型的准确度为0.702、灵敏度为0.549、特异度为0.787、AUC(95%CI)为0.674(0.575～0.773).SHAP工具对XGBoost模型的预测情况进行解释性分析结果显示,腰围、血清BDE-47为最重要的预测特征,同时血清BDE-99、BDE-209及BMI、糖尿病家族史在模型中具有较高的重要性,而血清BDE-28、BDE-183在模型中重要性相对较低.结论 血清BDE-47、BDE-99、BDE-28、BDE-209、BDE-183为T2DM发生的独立影响因素,基于血清PBDEs及腰围、BMI、糖尿病家族史建立的XGBoost模型对T2DM发生的预测效能较高,在T2DM发生的预测方面具有一定价值.

目的:胶质母细胞瘤(glioblastoma,GBM)和脑转移瘤(brain metastases,BMs)是成人中常见的恶性脑肿瘤,目前磁共振成像(magnetic resonance imaging,MRI)是筛查和评估脑肿瘤预后的常用方法,但其鉴别诊断GBM和BMs的特异性和敏感性有限.近年来,深度神经网络在诊断分类和创建临床决策支持系统方面显示出极大的潜力.本研究旨在应用深度学习技术提取的放射组学特征,探讨其在初诊GBM和单发性脑转移瘤(solitary brain metastases,SBMs)术前准确分类中的可行性,进一步探索基于多模态数据融合对分类任务的影响.方法:回顾性分析经组织病理或临床诊断证实的135例初诊GBM患者和73例SBMs患者的头颅MRI序列数据.首先,选择结构性T1加权、T1C加权和T2加权作为整个模型的3个输入,在配准后的3种模态MR图像上人工勾画感兴趣区域(regions of interest,ROI),并获取多模态放射组学特征,使用基于随机森林(random forest,RF)的特征选择方法降低维度,进一步分析每个特征的重要性.然后,通过对比解纠缠的方法寻找不同模态特征之间的共享特征和互补特征.最后,通过融合不同模态的2种特征,预测每个样本对GBM和SBMs的响应.结果:应用机器学习和本文提出的多模态融合方法的放射组学特征对GBM和SBMs有较好的区分能力.相较于单模态数据,应用支持向量机(support vector machine,SVM)、Logistic回归、RF、自适应增强(adaptive boosting,AdaBoost)、梯度提升决策树(gradient boosting decision tree,GBDT)机器学习算法的多模态融合模型均取得了较大提升,曲线下面积(area under the curve,AUC)分别为0.974、0.978、0.943、0.938、0.947.本研究的对比解纠缠多模态MR融合方法表现更好,测试集上AUC、准确度(accuracy,ACC)、灵敏度(sensitivity,SEN)、特异度(specificity,SPE)分别为0.985、0.984、0.900、0.990.相较于其他多模态融合方法,本研究方法的AUC、ACC和SEN均呈现出最好的性能表现.验证本研究各模块组件作用的消融实验中,同时使用3种损失函数后,AUC、ACC和SEN分别提升了1.6%、10.9%和15.0%.结论:基于深度学习的对比解纠缠多模态MR放射组学特征融合技术有助于提高GBM和SBMs的分类准确性.

野猪(Sus scrofa)造成的人兽冲突是我国目前野生动物管理中急需解决的问题之一,但往往管理成本高,却效果甚微.了解野猪觅食、卧息等重要行为状态的生境选择规律,对科学管理策略的制定及避免人兽冲突极为重要.以小兴安岭南坡农林混交区域的野猪(5 只雌性,8 只雄性)为研究对象,基于其 2019-2022 年春冬季卫星定位项圈追踪数据,运用隐马尔科夫模型(HMM)识别野猪觅食、卧息和移动的三种行为状态,然后用步选择函数(SSF)研究这三种行为状态的生境选择.结果表明:野猪觅食、卧息和移动的生境需求不同,但均回避落叶针叶林,且性别差异明显,雌性野猪回避农田;地形是影响雌性野猪春季和雌雄野猪冬季三种行为状态生境选择的主要因子,地形和植被类型是影响雄性野猪春季三种行为状态生境选择的主要因子;雌性野猪,在春季,选择海拔高、坡度小的生境卧息、觅食及移动,且卧息和觅食均偏爱阴坡,冬季则选择海拔高,坡度大的阳坡卧息及觅食,偏爱在混交林和阳坡移动;雄性野猪,在春季,选择在混交林和坡度大的阴坡卧息,在混交林、落叶阔叶林和海拔低的区域觅食,在落叶阔叶林、常绿阔叶林内、海拔低、坡度小和距河流近的区域移动,在冬季,选择坡度大、海拔高、接近河流的阳坡卧息,在距河流近、坡度小的区域觅食,在常绿阔叶林、坡度小和距河流近的阳坡移动.本研究结果可为该区域的野猪毁田的预测和预警,捕获地点的选择等管控措施的制定提供依据和新思路.

背景 使用行政管理数据时,确立清晰、适当的慢性病洗脱期时长是正确确定反复就医的慢性病患者发病时点、确定新发病例的基础.目的 通过系统文献回顾,综述确定洗脱期时长的方法,以期为我国研究者后续使用行政管理数据识别慢性病新发病例时确认洗脱期长短、正确识别新发病例提供思路.方法 于 2021 年 10 月,系统检索PubMed、Web of Science、EmBase、中国知网、维普中文科技期刊全文数据库、万方知识服务平台,获取有关利用行政管理数据探究慢性病发病、患病情况的文献,检索时限均为建库至 2022-10-01.由两名研究者独立筛选文献并提取相关信息,并采用定性研究报告评价标准(SRQR)评价文献方法学质量后,使用描述性分析法总结洗脱期时长的确定方法.结果 共纳入 26 篇文献,纳入文献的SRQR评分均≥15 分,方法学质量较好.文献所使用的数据主要来自加拿大、美国、澳大利亚等行政管理数据完整、丰富的国家(地区),聚焦的疾病包括糖尿病、肿瘤、精神分裂症等多种慢性病.研究指出,设定合适的洗脱期时长是准确识别发病病例的基础.目前,文献中确定洗脱期时长的方法主要包括直接限定法、一致性检验法和逆向生存函数法三大类,其中最常用的方法是直接限定法,逆向生存曲线法的使用率相对较低.结论 直接限定法、一致性检验法和逆向生存函数法均有相应的优势和局限性,方法的选择标准、判断标准和稳定性有待进一步探究.

目的:探究全飞秒激光与飞秒激光辅助Lasik治疗高度近视患者的效果,并分析治疗对患者角膜曲率、视觉质量的影响.方法:选择2020年7月至2022年7月在我院接受治疗的120例(240眼)高度近视患者为研究对象,按照随机数字表法结合患者意愿的方式将其区分为研究组(n=60,接受飞秒激光辅助Lasik治疗)与对照组(n=60,接受全飞秒激光治疗),对比两组患者术前术后调制传递函数截止频率(MTF)值及客观散射指数(OSI)、角膜曲率变化、屈光度差异、视力情况差异,统计两组患者各类并发症发生率并进行比较.结果:(1)两组患者术前MTF值及OSI组间差异无统计学意义(P＞0.05),术后研究组患者的MTF值和OSI值均明显低于对照组,差异具有统计学意义(P＜0.05);(2)术前、术后90 d两组患者的最佳矫正视力组间差异无统计学意义(P＞0.05),但组内前后比较两组患者的最佳矫正视力均较术前有明显提高(P＜0.05);(3)术前两组患者的角膜前表面曲率以及后表面曲率组间差异均无统计学意义(P＞0.05),术后90 d时开展组间比较,研究组患者角膜前表面曲率中K1、K2以及Km值均明显低于对照组(P＜0.05),但后表面曲率中K1、K2以及Km值组间差异无统计学意义(P＞0.05);进一步分析显示,两组患者术前术后前表面曲率K1、K2以及Km值有明显变化(P＜0.05),后表面曲率K1、K2以及Km值前后差异无统计学意义(P＞0.05);(4)统计研究组患者共出现弥漫性层间反应2例,感染1例,角膜内生1例,并发症总发生率3.33％(4/120),明显高于对照组的0.00％(0/120)(P＜0.05).结论:全飞秒激光和飞秒激光辅助Lasik术对高度近视均具有较好的治疗效果,相比于全飞秒激光术,飞秒激光辅助Lasik术在改善患者视觉质量方面明显占优,但其并发症发生率同样更高,全飞秒激光术术后视觉质量,但安全性更高,建议临床上结合患者实际情况灵活选择术式,以改善高度近视患者预后.

准确辨识生物网络的功能性连接结构,对于从系统水平探明网络调控机制,具有重要意义.文中发展了一种基于最小描述准则(minimum description length,MDL)的动态贝叶斯网络结构搜索法(dynamical Bayesian network structure searching method,DBNSSM),用于对脉冲神经元网络(pulsed neural network,PNN)(一种人工构造的生物神经元网络)结构进行辨识,以获得其内部神经元间的功能性连接情况和相互作用强度.在网络结构辨识过程中,候选网络结构评分函数综合考虑以下两个因素:1)利用网络动态响应数据确定的网络结构似然度;2)网络结构的复杂度以上两因素相互折中后,评分最小的网络结构,即为最优网络.网络结构选择过程采用遗传算法(genetic algorithm,GA),候选网络结构对应的邻接矩阵元素构成二进制染色体,交叉、变异后,经历有限代的进化选择,收敛于全局最优网络结构.最后,将DBNSSM应用于PNN产生的动态时间序列数据.仿真结果表明:该方法能够有效地利用网络响应数据,辨识出生物神经元网络结构,未来可进一步应用于体外培养生物神经网络结构的辨识