目的:开发并评估一种针对治疗计划系统（TPS）的调强放疗（IMRT）无监督自动计划方案，使其能够模拟人工进行治疗计划的自动优化。方法:回顾性分析2022年3月至2023年3月浙江省肿瘤医院已经完成放疗的25例胃癌患者资料，患者年龄40~60岁，其中训练集7例，测试集18例。所有患者均采用相同的临床处方剂量标准45 Gy分25次，并接受飞利浦大孔径腹部CT扫描，扫描层厚为5 mm。基于深度强化学习（DRL）框架，提出一种多智能体优化决策网络（MOPN），对多个优化目标进行调整，从而模拟临床人工计划设计的过程。所有病例的自动计划方案均借助Eclipse脚本应用程序接口（ESAPI）进行代码编程，由MOPN模型自动生成。利用Wilcoxon符号秩检验比较自动计划方案与人工计划方案在相关剂量学指标间的差异。结果:初始优化目标经过MOPN调整后，自动计划的平均得分由（576.1±221.2）分上升至（1852.8±294.9）分。与临床人工计划相比，MOPN自动计划在脊髓D max、肝D mean和肝V 5 Gy方面分别降低了21.4%、9.8%和11.5%。 结论:MOPN模型借助ESAPI工具完成了与TPS的数据互通，同时也实现了胃癌IMRT治疗计划的自动化设计。经过训练的MOPN模型可以模仿计划者在优化过程中的人为操作来调整多个目标，逐步改善计划质量。

目的:探讨改良护理治疗策略对老年免疫抑制肺部感染脓毒症患者预后的影响。方法:采用前瞻性研究方法，选择2017年1月至2022年7月北京协和医院重症医学科和急诊重症监护病房（ICU）收治的老年免疫抑制肺部感染脓毒症患者。第一阶段（2017年1月至2019年12月）患者接受原护理治疗策略（原护理治疗策略组），包括护理人员随机分组、常规终末消毒、每日2次ICU环境消毒、每日2次洗必泰口腔护理及原有肺部物理治疗〔床头抬高30°~45°、维持镇静深度Richmond躁动?-?镇静评分（RASS）-2~1分、按需吸痰〕；护理人员及相关医护人员经1个月改良护理治疗策略的学习和培训后，第二阶段（2020年2月至2022年7月）患者接受改良护理治疗策略（改良护理治疗策略组），即在原护理治疗策略基础上改良院感防控策略及肺部物理治疗策略，包括护理人员固定分组、对患者采取单独物理隔离、强化终末消毒策略、每日4次ICU环境消毒、加强护理人员手卫生教育及培训、每日1次2%葡萄糖酸洗必泰擦浴、6 h 1次洗必泰联合多黏菌素口腔护理、定植菌监测、改良肺部物理治疗策略（在原有肺部物理治疗基础上进行常规谵妄评分以指导患者早期活动；强化气道引流，适度气道湿化，目标痰液黏度Ⅱ级；床旁超声评估肺部情况，肺不张者采取高侧卧位及肺复张）。收集患者性别、年龄、基础疾病、患者来源、疾病严重程度评分、生命体征、呼吸机参数、血气分析结果、生命支持治疗、实验室指标、感染及炎症指标、感染病原体和药物治疗情况；主要结局为28 d病死率，次要结局为机械通气时间、ICU住院时间和ICU病死率。采用多因素Logistic回归分析筛选老年免疫抑制肺部感染脓毒症患者28 d死亡危险因素。结果:最终共纳入550例患者，其中原护理治疗策略组199例，改良护理治疗策略组351例。两组患者性别、年龄、基础疾病、患者来源、疾病严重程度评分、生命体征、呼吸机参数、血气分析结果、生命支持治疗、实验室指标、感染及炎症指标、感染病原体和药物治疗等差异均无统计学意义。与原护理治疗策略组相比，改良护理治疗策略组患者机械通气时间及ICU住院时间均明显缩短〔机械通气时间（d）：5（4，7）比5（4，9），ICU住院时间（d）：11（6，17）比12（6，23），均 P<0.01〕，ICU病死率和28 d病死率均明显降低〔ICU病死率：23.9%（84/351）比32.7%（65/199），28 d病死率：23.1%（81/351）比33.7%（67/199），均 P<0.05〕。多因素Logistic回归分析显示，改良护理治疗策略是老年免疫抑制肺部感染脓毒症患者28 d死亡的保护因素〔优势比（ OR）＝0.543，95%可信区间（95% CI）为0.334~0.885， P＝0.014〕。 结论:改良护理治疗策略缩短了老年免疫抑制肺部感染脓毒症患者机械通气时间及ICU住院时间，降低了患者ICU病死率及28 d病死率，可明显改善此类患者的短期预后。

目前医疗和公共卫生系统已经进入大数据时代，越来越多的大型数据集被用于生成算法，以指导患者医疗、护理的质量改进和公共卫生监测 [ 1, 2] 。我国每年实施5 000万例手术，优化围术期麻醉管理对减少术后并发症及提高生存率有重要意义。尽管利用深度学习等监督学习算法可以对围术期严重不良事件进行预警 [ 3, 4, 5, 6] ，但手术患者个体差异大，病情变化快且复杂，若诊断不明确以及治疗效果不确切，难以指导外科/麻醉医生持续准确做出优化的个体化麻醉医疗决策，亟需新的算法研究。目前外科学专家们开始高度关注强化学习(RL)在围术期医疗决策中的应用 [ 1, 7] 。RL的特性使其在围术期大量动态、高维、复杂、罕见分布的时序数据分析上具备显著优势，可形成更高级别的循证医学证据指导围术期医疗决策，具备显著的应用前景 [ 1, 2, 7, 8, 9] 。

目的:探讨深度学习重建算法(DLIR)与自适应统计迭代重建算法(ASiR-V)在头颈部CT血管成像(CTA)中检查剂量和成像质量的差异。方法:前瞻性收集因头颈部血管疾病行头颈部CTA检查的患者80例。按照检查的先后顺序分为A组和B组，每组40例。A组采用管电压120 kV，噪声指数11.0，ASiR-V 50%重建；B组采用管电压80 kV，噪声指数9.0，分别采用ASiR-V 50%重建(B1组)和DLIR-H重建(B2组)。采用独立样本 t检验比较两组的辐射剂量和图像质量。采用Kruskal-wallis检验和Wilcoxon秩和检验用于比较两种成像方式的辐射剂量和主观、客观图像质量。比较组间强化血管CT值，感兴趣区(ROI)的信号与噪声，计算信噪比(SNR)和对比信噪比(CNR)。 结果:A、B两组有效辐射剂量分别为(0.77±0.08)、(0.45±0.05)mSv，差异有统计学意义( t＝21.96， P<0.001)。A、B1、B2 3组图像的主动脉弓、颈动脉起始部、颈动脉分叉层面、大脑中动脉M1段强化血管CT值、SD、SNR、CNR，差异均有统计学意义( F＝67.69、68.50、50.52、74.10、63.10、91.22、69.16， P<0.001)。A、B1、B2 3组图像质量主观评分差异有统计学意义( Z＝71.06， P<0.05)。 结论:DLIR算法能够在进一步降低头颈部CTA检查辐射剂量的同时，明显地减少图像噪声，保证了图像质量，具有良好的临床应用价值。

目的:通过基于卷积神经网络深度学习方法从增强CT合成平扫CT图像，临床主观和客观评估合成平扫CT图像(DL-SNCT)与金标准平扫CT图像的相似性，探讨其潜在临床价值。方法:同时行常规平扫和增强CT扫描的患者34例，通过深度学习模型将增强CT图像合成DL-SNCT图像，以平扫CT图像为金标准，主观评价DL-SNCT的图像质量(评价指标包括解剖结构清晰度、伪影、噪声、图像结构完整性、图像变形，均采用4分制)；利用配对 t检验比较DL-SNCT与金标准平扫CT图像不同血供特点的解剖部位(主动脉、肾脏、肝实质、臀大肌)以及不同强化模式的肝脏病变(肝癌、肝血管瘤、肝转移瘤、肝囊肿)的CT值。 结果:主观评价上，DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面评分都达到4分，与平扫CT图像评分相一致( P>0.05)；在解剖结构清晰度方面评分略低于平扫CT图像[(3.59±0.70)分 vs. 4分)]，差异有统计学意义( Z＝－2.89， P <0.05)。对于不同解剖部位而言，DL-SNCT图像主动脉、肾脏的CT值显著高于平扫CT图像( t＝－12.89、－9.58， P <0.05)，而肝实质、臀大肌CT值与平扫CT图像差异无统计学意义( P>0.05)。对于不同强化模式肝脏病变而言，DL-SNCT图像肝癌、肝血管瘤、肝转移瘤的CT值显著高于平扫CT图像( t＝－10.84、－3.42、－3.98， P <0.05)，而肝囊肿CT值与平扫CT图像差异无统计学意义( P>0.05)。 结论:DL-SNCT在图像质量上以及一些强化方式比较单一的解剖部位的CT值已接近金标准平扫CT，但对于强化程度变化大的解剖部位，以及有着不同强化模式的肝脏病变，DL-SNCT在临床应用前还有很大的改进空间。

本研究基于建构主义教学理念，以促进学生自主探究式学习与临床思维培养为目标，确立“全员参与、过程把控、深入讨论、拓展思维”的指导思想，采取“线下小组探究式学习、课内答辩点评为主，线上师生互动、督学促学为辅”的混合式教学模式。在本校2017级临床医学专业开展《病理生理学》以病例-问题为基础的教学（case-problem based learning，CPBL）教学，并强化过程管理，对资料查阅和小组讨论这两个关键环节进行有效的过程管理。通过对学期结束时收回的176份教学评价的分析，结果表明，在CPBL教学总体评价方面，92.05%（162人）以上学生对教学目标、组织、案例及个人收获评价较高，持非常赞同、比较赞同的态度；对“时间分配恰当”负面反馈较多，有11.93%（21人）的学生持比较不赞同、非常不赞同的态度；另外84.66%（149人）以上学生“觉得很累”。在教学效果评价方面，超过85.23%（150人）的学生非常赞同或比较赞同CPBL教学能够帮助专业知识理解、激发学习积极性和主动性、提高处理问题能力、联系临床培养临床思维、督学促学、增强团队合作与师生交流等。对教师的评价方面，超过94.89%（167人）学生认为教师教学严谨负责又有热忱，重视过程管理，有效引导与思维启发都做得比较好（非常赞同、比较赞同）。上述结果提示，本次《病理生理学》CPBL教学改革立足于过程管理，能有效促进学生深度自主探究式学习，促进临床思维培养，提高教学有效性，但在教学安排、时间分配方面有待改进。

目的:构建并验证基于增强CT的融合影像组学及深度学习特征的模型，评估该模型术前鉴别诊断胰腺腺鳞癌(PASC)和胰腺导管腺癌(PDAC)的效能。方法:回顾性收集2011年1月至2020年12月间海军军医大学第一附属医院经手术病理证实且术前1个月内行增强CT检查的201例PASC患者(PASC组)和332例PDAC患者(PDAC组)的临床资料。依据国际预测模型建模共识，按收治时间顺序将2011年1月至2018年1月共397例患者(156例PASC和241例PDAC)组成训练集，将2018年2月至2020年12月共136例患者(45例PASC和91例PDAC)组成验证集。采用nnU-Net模型进行胰腺肿瘤自动分割，评估临床及CT特征、提取门静脉期影像组学特征及深度学习特征，随后进行特征降维和特征筛选。利用二元logistic回归模型，在训练集中建立临床模型、影像组学模型和深度学习模型，采用受试者工作特征曲线下面积(AUC)、灵敏度、特异度和准确度评估3种模型的性能，采用决策曲线分析(decision curve analysis, DCA)评估模型的临床净收益。结果:在训练集和验证集中，PASC组和PDAC组肿瘤大小、环形强化、上游胰腺萎缩及肿瘤囊变差异均有统计学意义( P值均<0.05)。多因素logistic回归结果显示，临床模型中肿瘤大小、环形强化、胆总管扩张及上游胰腺萎缩与PASC显著相关。影像组学模型中，环形强化、胆总管扩张、上游胰腺萎缩和影像组学分数与PASC显著相关。深度学习模型中，环形强化、上游胰腺萎缩和深度学习分数与PASC显著相关。在训练集中，深度学习模型诊断能力最强，其AUC值、灵敏度、特异度和准确度分别为0.86(95% CI 0.82~0.90)、75.00%、84.23%和80.60%，而临床模型和影像组学模型分别为0.81(95% CI 0.76~0.85)、62.18%、85.89%、76.57%和0.84(95% CI 0.80~0.88)、73.08%、82.16%、78.59%。在验证集中，深度学习模型的AUC值、灵敏度、特异度和准确度分别为0.78(95% CI 0.67~0.84)、68.89%、78.02%和75.00%，临床模型和影像组学模型分别为0.72(95% CI 0.63~0.81)、77.78%、59.34%、65.44%和0.75(95% CI 0.66~0.84)、86.67%、56.04%、66.18%。DCA表明，在训练集和验证集中当高风险阈值分别>0.05和>0.1时，采用深度学习模型预测的PASC较"将所有患者诊断为PDAC"或"所有患者都诊断为PASC"更能让患者获益。 结论:基于胰腺肿瘤CT图像自动分割的深度学习模型能有效鉴别PASC与PDAC，为术前无创诊断PASC提供一种新方法。

为培养合格的口腔临床医生，加强考试管理，严格过程性考核，四川大学华西口腔医学院口腔颌面影像专业基地实施了全过程、多元化的考核改革。在过程性考核部分，首先，通过增加学员工作量表的填写，及时反馈学员培训情况，真实反映考勤记录；其次，在临床培训与理论教学中，综合评价学员的课堂表现，提升其综合思考临床问题的能力。在结果性考核部分，弱化传统理论考核方法，强化综合性临床问题研究能力。考核前指导学员灵活选题，规范PPT格式；考核后综合评分，由专家提出意见，提升学员的临床自信、科研自信，帮助学员在有限的培训时间内拓展学习深度与广度。通过对考试方式的梳理、考核结果的分析，“全过程、多元化”考核模式能够更真实地反映学员培训成果，为规范化培训进一步地改进和推广建立良好的基础。

目的:针对CBCT图像中肿瘤与周围组织对比度低的缺点，研究一种适合于CBCT图像中中心型肺癌的自动分割方法。方法:收集221例中心型肺癌患者，其中176例行CT定位，45例行强化CT定位。将强化CT图像分别设置为肺窗和纵隔窗，并与首次CBCT验证图像进行弹性配准获得配对数据集；然后将配对数据集传入cycleGAN网络进行风格迁移，使得CBCT图像可分别转化为肺窗和纵隔窗下的"强化CT"；最后经风格迁移后的图像被载入UNET-attention网络对大体肿瘤体积进行深度学习。通过戴斯相似性系数(DSC)、豪斯多夫距离(HD)和受试者工作特征曲线下面积(AUC)对分割结果进行评价。结果:经风格迁移后肿瘤与周围组织对比度明显增强，采用cycleGAN+UNET-attention网络的DSC值为0.78±0.05，HD值为9.22±3.42，AUC值为0.864。结论:采用cycleGAN+UNET-attention网络可有效对CBCT图像中中心型肺癌进行自动分割。

创伤引起的多发伤致残率和致死率高，救治难度大但目前创伤救治的医疗模式仍然存在不足，创伤患者的救治面临巨大挑战。人工智能(AI)是基于机器学习、强化学习和深度学习等基础算法的智能技术，现已应用于创伤患者的救治工作中，其高效精准的计算机视觉、规划决策以及大数据统计分析等技术方向既提高了创伤患者救治的安全性和效率，同时也降低了临床医师的工作负荷，弥补了传统创伤救治模式的不足。笔者对AI在创伤急诊分诊、诊断、治疗及战创伤预防等方面的应用及研究进展进行综述，为AI的临床应用提供参考。