目的 本研究基于半监督算法残差网络(semi-supervised algorithm Residual network,SMRNet)的深度学习方法,探索其在计算机辅助自主分析膝关节MRI诊断前交叉韧带(anterior cruciate ligament,ACL)损伤方面的应用.方法 使用100名经过关节镜确认的ACL损伤患者和100名关节镜确认无ACL损伤的患者的术前MRI图像.在选取适当层面后,裁剪并用于SMRNet的训练.SMRNet对单个MRI切片上ACL损伤的概率进行最终判断.4名临床医师对相同图像进行读片诊断.结果 SMRNet分类的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为97.00％、94.00％、95.50％、94.17％和96.91％.医师的整体阅片情况类似,敏感性区间91.00％～96.00％、特异性区间90.00％～94.00％、准确性区间90.50％～95.00％、阳性预测值区间90.09％～94.12％、阴性预测值区间90.90％～95.92％,二者差异无统计学意义(P＞0.05).结论 经过训练的SMRNet模型在ACL损伤检测上超越部分临床医师,为膝关节MRI诊断提供高效可靠方法,展现深度学习在医学影像的潜力.未来,SMRNet有望成为膝关节MRI诊断的重要工具,为患者提供更精准的诊疗方案.

新型冠状病毒肺炎(corona virus disease 2019,COVID-19)具有高传染性,严重威胁人民群众的生命安全,快速筛查可以实现快速治疗、防止肺炎进展.目前COVID-19检测诊断方法的金标准为逆转录聚合酶链式反应(reverse transcription-polymerase chain reaction,RT-PCR),但是由于核酸检测存在耗时且假阴性率偏高的问题,而影像医生对医学图像的诊断存在主观性且工作量巨大,因此借助人工智能(artificial intelligence,AI)技术对实现COVID-19的快速诊断至关重要.随着AI在医学领域的成功应用,深度学习技术成为辅助诊断新型冠状病毒肺炎的有效方法.近年来许多学者使用深度学习技术来构建对医学图像进行智能诊断的模型,本文的主要内容就是对这类模型进行总结和分析,介绍了分割肺部区域的模型、实现二分类或多分类的分类模型以及模型在临床上的应用.与此同时,在文章中分析了COVID-19患者的影像学特点,COVID-19患者多双肺受累,其中磨玻璃影是最常见的影像征象.对COVID-19研究的最新进展也进行了介绍,主要是关于提高AI模型准确性的开发和"长新冠"综合征的相关研究.因此,在新型冠状病毒肺炎常态化管理下,模型准确性的提高可以借助数据集的扩大或模型结构轻量化等方面实现;"长新冠"综合征作为一个新的研究领域,学者可以在临床症状、预后随访和结合深度学习技术等方面进行进一步的研究.

目的 比较X线片、超声、CT、锥形束CT(CBCT)对不同位置下颌下腺结石的检出率,探讨三维可视化技术在下颌下腺结石诊疗中的辅助价值.方法 回顾性分析2014年11月至2021年3月宁夏医科大学总医院113例下颌下腺结石患者的X线片、超声、CT、CBCT检查资料,比较4种成像方法对不同位置结石的检出率及总检出率.利用Mimics 19.0软件和CBCT数据对结石进行3D重建,从可视化角度观察结石的位置、大小、形态及数目.结果 CBCT和CT对下颌下腺结石的总检出率差异无统计学意义[98.2％(111/113)vs 95.6％(108/113),P＞0.05],但均高于X线片(65.5％,74/113)和超声(73.5％,83/113)的总检出率.超声对导管前、中段结石的检出率最低[分别为 63.6％(21/33)、72.2％(26/36)],与 CBCT[分别为 97.0％(32/33)、100.0％(36/36)]、CT[分别为93.9％(31/33)、97.2％(35/36)]相比差异均有统计学意义(均P＜0.05).X线片对导管后段结石的检出率低于超声、CBCT、CT[40.9％(18/44)vs 81.8％(36/44)、97.7％(43/44)、95.5％(42/44),均P＜0.01].将CBCT数据导入Mimics 19.0软件后,成功地对不同大小、形态及数目的下颌下腺结石进行了可视化重建,重建图像清晰,结石与下颌骨的解剖位置关系显示直观.结论 CBCT对下颌下腺结石的诊断具有良好的应用价值,可替代传统CT进行涎石病诊断.对于双手双合诊未查及但超声提示的导管后段结石,可直接行CBCT检查进行精确诊断;对于导管前、中段结石,可考虑X线片和CBCT检查.可视化技术有助于临床患者宣教及制定个体化治疗方案.

目的 探索一种在小数据量条件下提高医学诊断神经网络模型准确率和泛化能力的方法,解决在指甲病图像计算机辅助诊断中由于训练数据量小而导致神经网络模型性能不佳的问题.方法 提出融合实例分割与细粒度特征分类的双模型策略,采用第一届全国数字健康创新应用大赛健康医疗大数据主题赛基于图像的指甲病智能诊断模型任务数据集训练基于双模型策略的神经网络模型,该任务数据集涵盖甲母痣、甲沟炎、银屑病甲、甲真菌病、甲下出血、甲黑线、甲周疣、甲黑素瘤8类指甲病,各类别不平衡.评估双模型策略的诊断性能,并与相同软、硬件训练条件下单模型策略[图像分类模型(ResNet50、Swin Transformer)和基于快速区域卷积神经网络(Faster R-CNN)的目标检测模型]进行比较.结果 纳入任务数据集包括甲母痣210例、甲沟炎186例、银屑病甲69例、甲真菌病203例、甲下出血149例、甲黑线71例、甲周疣93例、甲黑素瘤67例共1 048例样本,其中90％的样本用于训练不同策略的模型,10％用于评估模型.基于ResNet50的图像分类模型的micro F1值为0.324,基于Swin Transformer的图像分类模型为0.381,基于Faster R-CNN的目标检测模型为0.572,基于双模型策略的Mask R-CNN+Swin Transformer模型为0.714.双模型策略预测各指甲病的准确度为甲母痣80.95％(17/21)、甲沟炎89.47％(17/19)、银屑病甲100.00％(7/7)、甲真菌病70.00％(14/20)、甲下出血73.33％(11/15)、甲黑线14.29％(1/7)、甲周疣55.56％(5/9)、甲黑素瘤42.86％(3/7).双模型策略在该任务1 000例测试集中的micro F1值为0.844.结论 双模型策略可以有效结合功能不同的模型,更好地完成小数据量训练条件下的指甲病图像智能诊断任务.

左心室辅助装置（LVAD）植入术是治疗终末期心力衰竭患者重要且有效的手段，感染是其最常见的并发症，诊断延误或评估不足将导致生存预后降低等严重后果。近年来， 18F-氟脱氧葡萄糖（FDG）PET/CT在LVAD植入术后感染诊断的定性、定位、分型、程度评估、治疗指导和预后预测方面发挥着独特且重要的临床作用。笔者对 18F-FDG PET/CT在LVAD植入术后感染中的临床应用进展进行综述。

骨龄评估是儿科放射学的一个重要研究课题。传统的骨龄评定方法要求放射科或者内分泌科医生对少儿非优势侧手腕部X线图像进行人工判读，这种评定方法存在判读过程耗时长、结果不稳定等问题。因此，亟须一种自动评估骨龄的方法来辅助临床诊断。近年来，随着计算机技术和人工智能算法的空前发展，各种骨龄相关计算机人工智能辅助评估系统的研究进展迅速。本文对以往具有代表性的基于人工智能的骨龄自动评估系统研究与发展进行了综述，希望能为骨龄自动评估技术的发展提供新的思路。

目的:探讨原发性肝脏淋巴瘤CT表现特点，以提高诊断的准确性。方法:回顾性分析2008年9月至2018年9月温州医科大学附属乐清医院、浙江省温州市人民医院和温州医科大学附属第一医院经手术及病理学检查证实的11例原发性肝脏淋巴瘤患者的临床、CT和病理学表现。结果:11例患者中，肿瘤位于肝右叶7例，肝左叶2例，肝左右叶2例；共有27个肿瘤，瘤体最大直径1.7~12.6 cm；肿瘤呈类圆形3例，椭圆形5例，不规则形3例；肿瘤界限清楚8例，不清楚3例。CT平扫为低密度6例，稍低密度3例，等密度2例；密度均匀7例，不均匀4例；CT值26~47（38 ± 5）HU；脾脏转移2例，肋骨转移1例，腹腔和腹膜后淋巴结肿大1例。CT增强扫描病灶无明显强化1例；动脉期见病灶轻中度强化10例，其中门静脉期和延迟期病灶边缘持续环状强化8例，结节状强化2例；动脉期CT值30~68（53.8 ± 11.6）HU，门静脉期CT值52~69（64.3 ± 9.3）HU，延迟期CT值43~64（56.4 ± 6.0）HU。手术完全切除8例，术后复发6例，生存3年5例，生存5年2例；手术未完全切除3例，术后均复发，其中生存3年1例，无生存5年患者。病理诊断：弥漫性大B细胞淋巴瘤10例，T细胞淋巴瘤1例。结论:原发性肝脏淋巴瘤的CT检查对肿瘤的定位、定性及辅助临床诊断具有重要的价值。

胶囊内镜是一种无痛的消化道检查方式，检查范围已经覆盖全胃肠道，其相关的各种新兴技术也不断被研发，运用于胶囊内镜操作、成像和诊断的各个过程，未来还有可能辅助实现胶囊内镜下手术操作和给药。然而，目前大多数胶囊内镜新兴技术尚处于研发阶段，需要开展大规模临床研究，以进一步证实其应用价值。

数字化技术在口腔颌面外科诊断和治疗领域的应用，促进了口腔颌面外科由传统的经验依赖性诊疗模式逐步向数字化外科过渡。但目前数字化外科技术的应用场景还存在一定局限。近期，人工智能逐渐进入蓬勃发展阶段，以数字化、智能化为目标的“数智化”口腔颌面外科成为学科发展的重要方向。笔者结合所在单位和国内外研究成果，论述口腔颌面外科领域人工智能的应用现状及存在问题，以期推进人工智能在口腔颌面外科诊疗领域的深入发展。

目的:探讨基于生成对抗网络重建PET图像在改善儿童低剂量 18F-FDG PET图像质量及病灶检出中的价值。 方法:回顾性分析2021年8月至2021年12月于首都医科大学附属北京友谊医院行 18F-FDG全身PET/CT显像的61例患儿[男38例、女23例，年龄(4.0±3.5)岁]的PET图像，将所有患儿通过列表模式提取的低剂量扫描(30 s、20 s、10 s)图像输入生成对抗网络进行深度学习(DL)重建，获取相应模拟标准全剂量(DL-30 s、DL-20 s、DL-10 s)图像。测量标准全剂量120 s、30 s、20 s、10 s、DL-30 s、DL-20 s、DL-10 s图像的肝血池及原发病灶半定量参数，计算靶本比(TBR)、对比噪声比(CNR)及 CV。采用5分Likert量表对图像质量进行主观评分，对比各组图像阳性病灶检出情况，计算阳性病灶检出的灵敏度及阳性预测值。采用Mann-Whitney U检验、Kruskal-Wallis秩和检验及 χ2检验分析数据。 结果:30 s、20 s、10 s组图像CNR分别低于DL-30 s、DL-20 s、DL-10 s组( z值：-3.58、-3.20、-3.65，均 P<0.05)。DL-10 s组评分低于120 s、DL-30 s及DL-20 s组[4(3，4)、5(4，5)、4(4，5)、4(4，5)分； H＝97.70， P<0.001]；120 s、DL-30 s、DL-20 s及DL-10 s组图像的TBR、CNR、 CV、病灶及肝血池SUV max和SUV mean差异均无统计学意义( H值：0.00~6.76，均 P>0.05)。DL-30 s、DL-20 s、DL-10 s组图像阳性病灶检出的灵敏度分别为97.83%(225/230)、96.96%(223/230)和95.65%(220/230)，阳性预测值分别为96.57%(225/233)、93.70%(223/238)、84.94%(220/259)；DL-10 s组阳性预测值较低( χ2＝23.51， P<0.001)。DL-10 s组对不同部位阳性病灶检出的假阳性及假阴性病灶较多。 结论:基于生成对抗网络的DL-20 s组图像质量较高，能达到临床诊断要求。