鼠害型秃斑是反映草地鼠害的重要表征.利用无人机遥感技术识别高原鼠兔危害型秃斑对于评价其危害情况具有重要意义.本研究基于无人机可见光影像,使用最小距离(MinD)、最大似然(ML)、支持向量机(SVM)、马氏距离(MD)和神经网络(NN)5种监督分类算法对高原鼠兔危害地特征进行分类识别,并采用混淆矩阵对5种分类方法精度进行评价.结果表明:相较于其他3种方法,NN和SVM对高原鼠兔危害地特征进行识别分类的效果更好.其中,NN对草地与秃斑2种目标地物的制图精度分别为98.1％和98.5％,用户精度分别为98.8％和97.7％,模型总体精度为98.3％,Kappa系数为0.97,像元错分、漏分现象较低.经实践验证,NN表现出较好的稳定性.综上,神经网络方法是高寒草甸鼠害型秃斑识别的优选方法.

目的 用现有药代动力学(PK)药物相互作用(DDI)信息的数据库,构建出可用于预测AUC倍数变化(FC)的机器学习模型,用于探究对现有DDI预测的可能,为临床用药提供一定的合理建议.方法 从美国食品药品监督管理局(FDA)认证的药品标签中提取DDI的PK数据和AUC倍数变化的数据.通过DrugBank检索出DDI有关的多肽和药效学(PD)信息,用蛋白质资源(UniProt)对相关多肽ID进行药物类型(PPDT)标识,用矩阵归一化的代码生成便于分析的多维向量数据.PPDT对AUC的影响和所产生的倍数变化作为因变量,进行机器学习模型构建.用均方根误差(RMES)值最小的模型进行模型构建,训练出袋装决策树(Bagged)预测模型.利用训练好的模型对部分药物检验,检测模型的预测性别.通过查阅现有的有关检测DDI对的文献研究结果,对预测值进行分析比较,对模型进行评价.结果 检验模型药物对共16对,分别为16种药物对他克莫司的影响,发现对DDI的有无预测准确率为81.25％;预测结果根据FDA标准分类强弱,结果表明,DDI强弱预测,偏离较大的预测较少.结论 模型预测DDI的有无评价一般;但对DDI的强弱分类后,对DDI的预测结果较好,预测结果说明模型预测性能对于在临床试验之前进行潜在的DDI评估具有一定的参考价值.

目的:通过生物信息学方法,揭示肝细胞癌(hepatocellular carcinoma,HCC)的异质性,探讨铁死亡相关基因与HCC肿瘤微环境(tumor microenvironment,TME)的关系,并构建基于铁死亡相关基因的预后模型,为预防HCC患者复发提供新的思路.方法:基于TCGA数据库和NODE数据库,利用非负矩阵分解聚类分析鉴定分子亚型,通过ESTIMATE算法和CIBERSORT算法用于构建免疫评分,利用Cox回归进行拟合风险评估模型并计算风险得分,并基于风险得分及临床信息构建列线图,利用体外实验验证mRNA的表达水平.结果:HCC的异质性体现为两种不同铁死亡相关的免疫分子亚型,其免疫评分差异显著(P＜0.001).筛选出G6PD、KIF20A、RRM2和TXN四个最佳候选铁死亡相关基因,并进行拟合构建风险评估模型,列线图对HCC患者的复发具有良好的预测能力.体外实验提示四个最佳候选基因均在人肝癌细胞表达水平增高(P＜0.05).结论:HCC可分为两种分子亚型,分子亚型与HCC的复发有关,铁死亡在TME中可能起着关键作用.四个铁死亡相关基因可能是预防HCC复发的潜在因素,预后模型对HCC复发有一定的预测价值.

目的 通过对以神经科学集群建设为特色的三级甲等医院的神经专科能力进行评估,为国内医院的特色专科建设提供参考.方法 从服务能力、技术能力、质量安全和服务效率4个维度建立神经外科、神经内科专科能力评估指标体系,通过优劣解距离(technique for order preference by similarity to ideal solution,TOPSIS)法纵向比较首都医科大学附属北京天坛医院神经专科2019-2023年发展趋势,并采用波士顿矩阵深入分析神经专科各亚专业建设情况.结果 2019-2023年首都医科大学附属北京天坛医院神经专科TOPSIS综合得分指数呈上升趋势.神经外科以胶质瘤诊治为主的肿瘤专业1,在技术能力和质量安全方面得分指数最高;神经内科以脑血管病为主的亚专业,在技术能力和服务效率方面得分指数较高,以上两个亚专业在波士顿矩阵中均处于优势巩固区.结论 2019-2023年首都医科大学附属北京天坛医院神经专科诊治能力不断提升.神经外科亚专业中,专科能力排名最高的为肿瘤专业1,诊疗技术难度较高,同时医疗质量负性事件发生率低.神经内科各亚专业中,脑血管专业诊疗技术难度高且服务高效.

目的 基于电子鼻技术探讨慢性萎缩性胃炎(CAG)湿热证患者口腔呼气气味图谱特征及识别效果.方法 招募慢性胃炎患者,其中CAG湿热证组60例、CAG非湿热证组50例、慢性非萎缩性胃炎(CNAG)湿热证组60例、CNAG非湿热证组50例,同时将健康志愿者30例设为健康对照组.随机选取CAG湿热证组中10例和CAG非湿热证组50例组成CAG组,选取CNAG湿热证组10例和CNAG非湿热证组50例组成CNAG组.除健康对照组外,其余各组患者进行幽门螺杆菌(Hp)检测;运用电子鼻(GISXM-MQWA01)采集所有受试者口腔呼气气味绘制图谱,对健康对照组与CAG组、CNAG组受试者,CAG湿热证组、CAG非湿热证与CNAG湿热证口腔气味图谱各响应曲线(包括曲线A、B、C、D、E、F、G、H、I、J)振幅、斜率进行比较.运用改良Transformer模型对气味图谱特征进行分类,并采用混淆矩阵方法对分类模型进行评估,指标包括准确率、ROC曲线下面积(AUC)等.结果 CAG湿热证组Hp阳性率为80.00％(48/60),CAG非湿热证组为62.00％(31/50),CNAG湿热证组为46.67％(28/60),CNAG非湿热证组为42.00％(21/50),CAG湿热组与CAG非湿热组Hp阳性率比较差异有统计学意义(P＜0.05).CAG组气味图谱的响应曲线A、B、C、D、F、G、I振幅及A、F的斜率均低于健康对照组,曲线E振幅及斜率高于健康对照组和CNAG组(P＜0.05或P＜0.01);CNAG组的图谱响应曲线A、B、C、D、F、G、I振幅及A、D、F斜率低于健康对照组(P＜0.05或P＜0.01).CAG湿热证组气味图谱响应曲线D振幅及J斜率高于CNAG湿热证组,曲线F振幅低于CAG非湿热证组,曲线H振幅及A、H、J斜率高于CAG非湿热证组(P＜0.05).CAG组与健康对照组组间气味图谱识别模型的识别准确率达77.78％,AUC=0.88;CAG组与CNAG组的识别准确率达69.44％,AUC=0.61;CAG湿热证组与CAG非湿热证组识别准确率可达75.8％,AUC=0.70.结论 电子鼻技术能对CAG湿热证患者的口腔呼气气味作出较为准确的识别,曲线F振幅降低,曲线H振幅及A、H、J斜率升高可能是其气味图谱特征.

目的 探索患者报告结局测量信息系统的研究热点趋势.方法 系统检索中国知网和PubMed数据库,采用Bicomb 2.0软件进行数据整理及清洗,提取关键词,并对高频字段进行词频分析,构建共词矩阵.采用SPSS 24.0进行共词聚类分析,归纳探索研究趋势及热点.结果 患者报告结局测量信息系统的热点主题聚类为患者报告结局测量、生活质量、症状及心理学变量评估3类.结论 患者报告结局测量信息系统成为患者健康水平和照护质量领域的热点问题.未来研究趋向于采用基于共识的健康测量工具进行患者报告结局测量信息系统的测量学检验,构建系统性临床解释体系,进而促使其在临床实践中的转化应用.

目的:探讨基于磁共振DWI的影像组学模型对子宫内膜癌(EC)微卫星不稳定(MSI)状态的预测价值.方法:回顾性分析2019年5月—2023年1月在本院确诊为EC的81例患者的DWI资料.其中,MSI组29例,微卫星稳定组(MSS)52例.在DWI图像上沿病变边缘逐层勾画ROI后生成容积ROI(VOI)并提取影像组学特征,并在生成的ADC图像上测量病灶的ADC值.采用最小绝对收缩和选择算子(LASSO)和SelectKBest算法进行组学特征的筛选,然后采用决策树(DT)分析方法构建组学预测模型.使用受试者工作特征(ROC)曲线评估模型的诊断效能,采用Delong检验比较影像组学模型与ADC之间诊断效能的差异.基于1000次采样的Bootstrap算法和校准曲线来验证预测模型的临床应用价值.结果:MSI组的ADC值小于MSS组(P=0.008).模型构建方面,共筛选出5个最优DWI影像组学特征(2个一阶统计特征、1个直方图灰度共生矩阵特征、1个灰度共生矩阵特征和1个灰度游程长度矩阵特征)用于建立预测模型.诊断效能方面,DWI组学预测模型的AUC为0.927(95％CI:0.847～0.973),较ADC值的诊断效能(AUC=0.771,95％CI:0.664～0.857)显著增加(Z=2.436,P=0.015).模型验证方面,在基于Bootstrap算法的验证中,DWI组学预测模型亦显示出较高的效能,AUC为0.904(95％CI:0.885～0.916);同时,校准曲线显示该模型的预测值与实际观测值之间有较好的一致性.结论:基于DWI影像组学特征构建的预测模型较ADC值能更好地对EC患者的MSI状态进行术前评估,有望为临床诊疗提供一种新的选择.

目的 探讨增强CT灰度共生矩阵预测cN0期甲状腺乳头状癌中央区淋巴结转移的价值.资料与方法 回顾性分析2020年1月—2021年12月徐州市中心医院经临床、手术病理确诊的cN0期甲状腺乳头状癌患者55例,根据术后病理结果分为中央区淋巴结转移阳性组34例、阴性组21例,患者术前均行颈部CT双期增强检查.采用Image J软件分别提取动、静脉期肿瘤最大层面灰度共生矩阵参数(能量、对比、相关、逆差矩、熵)并比较两组各参数的差异,使用受试者工作特征曲线评估参数的预测效能.结果 两组间动脉期能量、熵及静脉期熵差异有统计学意义(t/Z=-2.140、2.753、2.736,P<0.05),其他参数差异均无统计学意义(P>0.05).动脉期能量、动脉期熵、静脉期熵、动脉期能量动脉期熵联合预测中央区淋巴结转移的曲线下面积分别为 0.672、0.706、0.686、0.734,动脉期能量动脉期熵联合预测效能最佳,敏感度和特异度分别为 76.47%、66.67%.结论 增强CT灰度共生矩阵有助于术前预测cN0期甲状腺乳头状癌患者中央区淋巴结转移,动脉期参数能量联合熵的预测效能最佳.

目的 建立绵羊体外腰椎骨质疏松模型,寻找具有鉴别意义的纹理参数并与双能X射线吸收法(DXA)测量的骨密度、骨灰分密度及骨灰度建立回归公式联系.方法 采用乙二胺四乙酸二钠(EDTA-Na2)溶液(0.4916 mmol/L)浸泡法,对120例绵羊腰椎L1～L3三联椎体进行浸泡脱钙,去除肌肉及附件骨,随机分成4组(A、B、C、D组),每组30例,室温下浸入10％甲醛溶液中24 h防腐.A、B、C、D组分别浸入制备好的EDTA-Na2溶液中脱钙0、4、9、15 d制备体外骨质疏松模型.对上述腰椎进行薄层CT扫描和DXA骨密度测量,并测量每个椎体的体积和椎体干重,之后于马弗炉中1100℃恒温煅烧6 h,测量骨灰分重量,计算骨灰分密度和骨灰度.采用MaZda纹理分析软件对上述CT图像椎体骨松质进行纹理分析,分别采用Fisher系数、分类错误概率联合平均相关系数、交互信息及三者的联合方法(FPM)进行纹理特征筛选,采用原始数据分析(RDA)、主成分分析(PCA)、线性分类分析(LDA)和非线性分类分析(NDA)对4组骨密度进行分类分析.对上述方法筛选的纹理参数分别与骨密度、骨灰度和骨灰分密度行相关分析,寻找与其相关性最强的纹理参数.以相关性最强的纹理参数为自变量,以骨密度、骨灰度和骨灰分密度为因变量进行一元和多元线性回归分析,获得回归方程.结果 随着脱钙时间的延长,CT图像显示骨皮质逐渐变薄,骨松质密度减低,骨小梁变稀疏.FPM结合NDA的鉴别能力最强,错判率仅为2.5％.其中灰度共生矩阵中的对比度(Contrast)与骨灰度呈强负相关(r=-0.938).灰度共生矩阵中的熵(Entropy)与骨灰分密度(r=-0.927)和骨密度(r=-0.896)呈强负相关.一元线性回归方程分别表示为:骨灰度=0.692-0.002×Contrast,骨灰分密度=0.802-0.121×Entropy,骨密度=1.301-0.200×Entropy.结论 绵羊腰椎CT薄层图像的部分纹理参数与骨密度相关参数间存在明显相关性,可以建立回归公式联系.

目的:探讨基于B1场校正T1-mapping测量肺癌影像组学特征的一致性及可重复性.方法:回顾性搜集2020年6月—2022年3月在本院经病理确诊的70例肺癌患者的术前胸部T1-map-ping和T1加权容积内插屏气检查(T1-VIBE)图像.其中,有41例进行了T1-mapping重复扫描(间隔30 min).由2位测量者独立采用半自动勾画方法分别在T1-mapping和T1-VIBE图像上逐层沿着病灶边缘勾画ROI,融合生成全病灶的容积ROI(VOI),然后提取原始图像及不同变换预处理图像上病灶VOI的影像组学特征.采用组内相关系数(ICC)评价组学特征在观察者内、观察者间的一致性及重复扫描时的可重复性,以ICC≥0.80为一致性或可重复性好(满足临床要求).结果:自T1-mapping和T1-VIBE图像分别可提取1906个组学特征(包括一阶特征396个、形态特征14个及纹理特征1496个).基于T1-mapping提取的组学特征在观察者内及观察者间的ICC的中位数(Q1,Q3)分别为0.94(0.87,0.98)和0.91(0.83,0.96),基于T1-VIBE提取的组学特征在观察者内及观察者间的ICC的中位数(Q1,Q3)均为0.98(0.95,0.99);2个序列分别有1450(72.72％)和1768(91.76％)个组学特征同时满足观察者内和观察者间的一致性要求.T1-mapping重复扫描提取的组学特征的ICC的中位数(Q1,Q3)为0.83(0.69,0.93),有1002(52.57％)个组学特征同时满足重复扫描时的可重复性;其中,形状特征的可重复性表现最佳(ICC≥0.80者达100％),而一阶特征、灰度共生矩阵(GLCM)及灰度级区域矩阵(GLSZM)特征的可重复性相对较差(ICC≥0.80者仅占49.75％～53.98％).基于不同变换预处理图像提取的组学特征中,Gradient变换明显提高了原始特征的可重复性(ICC≥0.80者达86.05％),而采用Exponential、LBP2D、LBP3D、Logarithm和Square变换方法获得的特征降低了原始特征的可重复性(ICC≥0.80这仅占36.05％～50.00％).结论:T1-mapping的影像组学特征表现出中等可重复性,在临床应用之前需要首先对其进行可重复性评估.