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.

提出一种改进的U-Net模型(CAMU-Net),以达到精准分割视网膜血管的目的.CAMU-Net模型通过添加残差增强模块来提取区域特征中的重要信息,增强模型对区域特征的了解;通过添加特征细化模块来促进特征的提取,提高新模型的全局特征收集能力;通过添加通道注意力机制模块来捕捉图像特征,精确分割结果;通过引入多尺度特征融合结构来提升模型感知目标边界等细节的能力.在DRIVE数据集上进行消融实验,得出各模块的实际效果,验证各模块对于本模型视网膜血管分割各方面提升的作用;在DRIVE和STARE数据集上和其他主流网络模型进行对比分析,结果表明CAMU-Net模型优于其他模型.

目的:建立燃煤污染型氟暴露人群血浆中差异表达的5个微小RNA（microRNA，miRNA）靶基因的蛋白质-蛋白质相互作用（protein-protein interaction，PPI）网络，筛选具有重要作用的基因及基因模块。方法:将本课题组前期筛选的燃煤污染型氟暴露人群血浆中差异表达的5个miRNA（hsa-miRNA-3131、hsa-miRNA-4516、hsa-miRNA-6501-5p、hsa-miRNA-10b-5p、hsa-miRNA-4683）的靶基因定位到STRING在线数据库（https：//string-db.org），筛选PPI网络。使用Cytoscape v3.6.0软件对PPI网络可视化，通过NetworkAnalyzer插件得到拓扑属性值度和拓扑属性值介数，筛选PPI网络的中心节点（度和介数均最高的节点）。同时，采用CytoHubba插件中的最大团中心（MCC）分析方法来确定PPI网络中的重要节点。通过MCODE插件进行聚类分析，筛选PPI网络的基因模块。将基因模块所包含的蛋白质名称在线提交KOBAS v3.0数据库（http：//kobas.cbi.pku.edu.cn/），对MCODE插件筛选出的基因模块进行KEGG（Kyoto Encyclopedia of Genes and Genomes）通路富集分析。结果:靶基因的PPI网络由1 035个节点和4 346个边组成。泛素蛋白A-52残基核糖体蛋白融合产物1（UBA52）的度（101）和介数（0.010 723 89）均最高，为PPI网络的中心节点。经MCC分析，UBA52为PPI网络中的重要节点。从PPI网络中选择排名前5的基因模块，5个基因模块的KEGG通路富集分析中高度富集的基因通路分别为泛素介导的蛋白水解、剪接体、内吞作用、神经活性配体-受体相互作用、囊泡转运。结论:成功建立了燃煤污染型氟暴露人群血浆中差异表达的5个miRNA靶基因的PPI网络，筛选出UBA52基因和5个基因模块主要通路。

目的:比较腹腔镜远端胃癌根治术非离断Roux-en-Y吻合与毕Ⅱ+Braun吻合的临床疗效和生活质量。方法:采用回顾性队列研究方法。病例纳入标准：（1）年龄18~75岁；（2）术前经胃镜、CT及病理活检证实为胃癌，需行D 2根治性远端胃大部切除术；（3）术后病理诊断分期为T 1~4aN 0~3M 0，切缘阴性；（4）美国东部肿瘤协作组（ECOG）体力状态评分<2分，美国麻醉医师协会（ASA）分级为1~3级；（5）无精神疾病；（6）能独立回答问卷；（7）同意行腹腔镜手术并签署知情同意书。排除标准：（1）合并严重慢性基础疾病，美国麻醉医师协会（ASA）分级>3级；（2）合并其他恶性肿瘤；（3）有严重精神疾病；（4）患者已进行新辅助化疗、免疫治疗等。根据以上标准，回顾性收集2016年1月至2019年12月期间，陆军军医大学第一附属医院普通外科收治的200例行腹腔镜远端胃癌根治术患者的临床资料，其中非离断Roux-en-Y吻合组108例、毕Ⅱ+Braun吻合组92例。比较两组患者的一般资料、术中术后情况、并发症情况以及术后1年胃镜检查情况，并采用中文版欧洲癌症研究与治疗组织（EORTC）设计的生活质量核心量表（QLQ-C30）以及胃癌特异性模块量表（QLQ-STO22）比较两组患者术后生活质量情况。 结果:两组患者基线资料比较，差异均无统计学意义（均 P>0.05）。200例患者均成功进行腹腔镜远端胃癌根治术，无术中并发症发生，无中转开腹，无围手术期死亡病例。两组患者手术时间、术中出血量、术后并发症发生情况、术后排气时间、拔胃管时间、进流食时间、拔引流管时间、术后住院时间比较差异均无统计学意义（均 P>0.05）。术后1年胃镜复查，相比毕Ⅱ+Braun吻合组，非离断Roux-en-Y吻合组的食物潴留发生率[19.8%（17/86）比37.0%（27/73），χ 2=11.199， P=0.024]、残胃炎发生率[11.6%（10/86）比34.2%（25/73），χ 2=20.892， P<0.001]、胆汁反流发生率[1.2%（1/86）比28.8%（21/73），χ 2=25.237， P<0.001]均更低，差异均具有统计学意义。两组患者术后1年QLQ-C30量表评分显示，各项评分差异均无统计学意义（均 P>0.05）；而QLQ-STO22量表评分显示，相比毕Ⅱ+Braun吻合组，非离断Roux-en-Y吻合组的疼痛症状（中位数：8.3分比16.7分， Z=-2.342， P=0.019）和反流症状（中位数：0分比5.6分， Z=-2.284， P=0.022）更轻，差异有统计学意义（均 P<0.05）。 结论:非离断Roux-en-Y吻合在腹腔镜远端胃癌根治术中安全可靠，能够减少食物潴留、残胃炎及胆汁反流，改善患者术后生活质量。

目的:探讨生物材料仿真模型联合传统临床教学方式在乳腺微创旋切手术教学中的应用价值。方法:选取2021年3月至12月于空军军医大学第一附属医院甲状腺乳腺外科进修学习乳腺微创旋切手术的50名医师作为研究对象。将其分为试验组及对照组，培训时长为1周。分3个模块，分别为多普勒超声系统及超声理论知识学习、乳腺微创旋切操作系统学习、乳腺微创旋切手术临床观摩及实践，试验组医师在第三模块学习的同时增加生物材料仿真乳腺模型练习。培训结束后进行乳腺微创旋切操作考核，分析两组医师微创操作水平及主观评价的差异。采用SPSS 22.0进行独立样本 t检验和卡方检验。 结果:试验组医师乳腺包块定位用时、旋切刀定位用时及乳腺包块残留率分别为（4.12±1.05）min、（12.12±2.61）min及40%，对照组相应成绩为（6.68±1.97）min、（15.32±2.89）min及72%，两组间差异有统计学意义（ P<0.05）。试验组医师在操作熟练程度自评及临床操作信心方面优于对照组。 结论:生物材料仿真乳腺模型联合传统教学与单纯传统教学方式相比有显著的优势，是乳腺微创旋切手术教学中高效的辅助工具，在乳腺外科进修医师的培训中发挥着重要作用。

儿童发育性髋关节发育不良（developmental dysplasia of the hip，DDH）是导致髋关节骨关节炎和下肢残疾的重要原因，治疗难度和治疗效果与早期准确诊断密切相关。传统的诊断方法对尚未出现股骨头次级骨化中心者首选髋关节超声，对已出现者选择骨盆正位X线片；但两种方法均有赖于临床医生的手动测量与经验判断，耗时费力、可重复性差。人工智能技术与医学影像的有效整合可改善儿童DDH的诊疗现状，提升临床诊治效率。对4~6月龄内婴儿通过局部特征提取的分割算法、基于图像搜索的分割算法及深度学习网络等技术能够快速分析髋关节超声图像、测算DDH指标及辅助诊断DDH；对4~6月龄以上者利用骨边缘检测与模块匹配算法、深度迁移学习算法、同步挖掘局部及全局结构特征的卷积神经网络等技术自动识别骨性解剖关键点、计算髋关节参数及诊断儿童DDH。然而，由于技术所限及研究者认识不足，现有的儿童DDH辅助诊断工具在实际应用中面临着一些问题。通过文献检索从诊断可靠性及合理性等方面探讨儿童DDH人工智能影像学辅助诊断方法的研究进展，并为今后实现真正智能化的自动诊断工具提供研究思路。

目的:探索基于深度学习方法自动分割彩色眼底图像上糖尿病患者视网膜渗出特征的可行性。方法:应用研究。基于印度糖尿病视网膜病变图像数据集（IDRID）模型的U型网络，将深度残差卷积引入到编码和解码阶段，使其能够有效提取渗出深度特征，解决过拟合和特征干扰问题，同时提升模型的特征表达能力和轻量化性能。此外，通过引入改进的上下文提取模块，使模型能捕捉更广泛的特征信息，增强对视网膜病灶的感知能力，尤其是提升捕捉微小细节和模糊边缘的能力。最后，引入卷积三重注意力机制，使模型能自动学习特征权重，关注重要特征，并从多个尺度提取有益信息。通过查准率、查全率、Dice系数、准确率和灵敏度来评估模型对彩色眼底图像上糖尿病患者自动视网膜渗出特征的检测与分割能力。结果:应用本文研究方法后，改进模型在IDRID数据集上的查准率、查全率、相似系数、准确率、灵敏度、分别达到81.56%、99.54%、69.32%、65.36%、78.33%。与原始模型相比，改进模型的查准率和Dice系数分别提升了2.35%和3.35%。结论:基于U型网络的分割方法能自动检测并分割出糖尿病患者眼底图像的视网膜渗出特征，对于辅助医生更准确地诊断疾病情况具有重要意义。

目的:探讨大鼠扩大肝切除后早期炎性反应中的分子特征，筛选肝脏外科手术后肝衰竭的潜在治疗靶点。方法:SD大鼠实施70%常规肝切除术(PH70)和80%扩大肝切除术(PH80)，残存肝脏行转录组测序、筛选差异表达基因和进行加权基因共表达网络分析(WGCNA)；实时定量聚合酶链反应(RT-qPCR)和蛋白质印迹法(Western blot)验证过氧化物酶体增殖物激活受体α(PPARα)的表达；继而在实施PH80大鼠中，使用PPARα激活剂WY14643(WY14643组)、PPARα拮抗剂GW6471(GW6471组)和二甲基亚砜组(DMSO组)预处理，苏木精-伊红(HE)染色和Suzuki标准评定肝脏病理损伤。自动生化分析仪检测血清丙氨酸氨基转移酶(ALT)、天门冬氨酸氨基转移酶(AST)，酶联免疫吸附法检测肿瘤坏死因子-α(TNF-α)和白细胞介素-6(IL-6)。组间差异比较采用 t检验和单因素方差分析。 结果:转录组测序和WGCNA构建10个差异表达基因聚类模块，性状相关系数显示浅蓝色模块与PH80后1、12 h显著相关(皮尔森相关系数＝0.36、0.36， P<0.05)；选择浅蓝色模块中关键基因PPARα，显示PPARα在PH80后1 h表达显著降低( F＝57.32， P<0.05)，与炎性因子TNFα和IL-6峰值水平正相关(皮尔森相关系数＝0.93、0.93， P<0.05)；WY14643组较DMSO组，ALT[(543.1±201.9) U/L比(2 514.7±158.2) U/L， t＝8.90， P<0.05]、AST[(814.7±88.2) U/L比(1 185.1±57.7) U/L， t＝5.85， P<0.05]、TNFα[(107.3±2.0) U/L比(116.9±4.5) U/L， t＝ 3.34， P<0.05]和IL-6水平[(2 611.1±604.8) U/L比(3 655.9±363.8) U/L， t＝3.75， P<0.05]和Suzuki评分[(0.7±0.3)分比(1.6±0.2)分， t＝3.67， P<0.05]均显著减低。 结论:转录组测序和WGCNA初步揭示了大鼠PH80后早期炎性反应中的分子特征，PPARα有望成为肝脏外科手术后肝衰竭的潜在治疗靶点。

目的:分析Gentlefile根管刷与常规超声荡洗用于根管内消毒药物清除的效果,为临床上应用提供一定的参考.方法:将120个树脂根管模块根管预备至30#04锥度后封入消毒糊剂Vitapex及氢氧化钙糊剂,拍片确认糊剂已经完全充满根管后随机分为4组,即Vitapex超声清理组(Vitapex-US),Vitapex 糊剂Gentlefile根管刷清理组(Vitapex-GF),氢氧化钙糊剂超声清理组(Ca(OH)2-US)及氢氧化钙糊剂Gentlefile根管刷清理组(Ca(OH)2-GF),每组各30个树脂根管模块.超声清理组将超声荡洗尖置于距根尖孔3 mm位置进行清理2 min后配合10 mL冲洗液冲洗,根管刷清理组将根管刷同样置于距根尖孔3 mm位置进行清理根管2 min后配合10 mL冲洗液冲洗.所有操作均由同一位医生完成,随后拍摄根尖片,通过测量根管下端残留消毒药物的长度及根管侧壁存在糊剂残余的根管个数,比较两种方法对根管内消毒药物的清除效果.结果:两种方法均无法将根管下端的消毒药物完全清除.Vitapex-GF组根管下端残留消毒药物的长度及根管侧壁存在残余的根管数量百分比均较Vitapex-US组少,差异具有统计学意义(P＜0.05).Ca(OH)2-GF组根管下端残留消毒药物的长度及根管侧壁存在残余的根管数量百分比与Ca(OH)2-US组比较无明显统计学差异(P＞0.05).Ca(OH)2-US组根管下端残留消毒药物的长度及根管侧壁存在残余的根管数量百分比均较Vitapex-US组少,差异具有统计学意义(P＜0.05).结论:对于Vitapex糊剂,Gentlefile根管刷较超声荡洗具有更好的清理效果,而在常规使用超声清理的情况下,氢氧化钙糊剂较Vitapex糊剂更容易被清除.

酶功能的识别对理解生命活动的机制、推进生命科学的发展有重要作用.然而现有的酶EC编号预测方法,并未充分利用蛋白质序列信息,在识别精度上仍有所不足.针对上述问题,本研究提出一种基于层级特征和全局特征的 EC 编号预测网络(EC number prediction network using hierarchical features and global features,ECPN-HFGF).该方法首先通过残差网络提取蛋白质序列通用特征,并通过层级特征提取模块和全局特征提取模块进一步提取蛋白质序列的层级特征和全局特征,之后结合两种特征信息的预测结果,采用多任务学习框架,实现酶EC编号的精确预测.计算实验结果表明,ECPN-HFGF方法在蛋白质序列EC编号预测任务上性能最佳,宏观F1值和微观F1值分别达到95.5％和99.0％.ECPN-HFGF方法能有效结合蛋白质序列的层级特征和全局特征,快速准确预测蛋白质序列EC编号,比当前常用方法预测精确度更高,能够为酶学研究和酶工程应用的发展提供一种高效的思路和方法.