目的 建立体外透皮实验方法,研究不同基质软膏对红花溶剂提取物透过率的影响,为红花资源开发提供理论依据.方法 2023年1—4月采用超声波辅助提取红花有效成分,并使用立式扩散池体外透皮吸收法研究红花提取物的透皮效果,采取紫外分光光度法进行测定含量.结果 红花在乙醇、甲醇、二氯甲烷中的溶剂提取物的无基质浸膏透过率分别是13.84％、15.26％、18.24％,对应乳剂型基质软膏透过率分别为35.9％、44.69％、40.9％,对应水溶性基质软膏的透过率分别为55.8％、69.8％、67.8％.结论 红花溶剂提取物在不同基质中的透过率为:无基质浸膏<乳剂基质软膏<水溶性基质软膏,同种剂型下不同溶剂的红花溶剂提取物透过率差异无统计学意义.

目的:基于胃充盈超声造影下的影像组学构建胃间质瘤美国国立卫生研究院(NIH)危险度分级的预测模型，包括临床超声模型、超声影像组学模型以及两者的联合模型，分别探讨三种模型对胃间质瘤NIH危险度分级的预测效果。方法:回顾性分析2021年6月至2022年6月于天津医科大学肿瘤医院接受手术治疗且病理证实为胃间质瘤的患者共204例，收集其临床及超声影像资料，其中NIH危险度分级为高危险度及中危险度的患者共101例，纳入高危组；NIH危险度分级为低危险度及极低危险度的患者共103例，纳入低危组。通过ITK-SNAP软件对胃间质瘤最大径线的超声图像进行手动分割，应用Python 3.8.7中的Pyradiomics(v3.0.1)模块对所分割的感兴趣区(ROI)图像进行影像组学特征提取。将患者按照7∶3的比例随机分为训练集和测试集。应用Sklearn模块，通过XGBoost算法构建临床超声模型、超声影像组学模型以及两者的联合模型，评估ROC曲线下面积(AUC)、敏感性、特异性及准确性；通过Delong检验比较三种模型的预测能力；应用校准曲线评价模型性能，应用临床决策曲线确定患者的净获益。结果:从ROI中共提取578个影像组学特征，经回归降维处理，最终保留8个超声影像组学特征用于建模。最终，测试结果显示临床超声模型、超声影像组学模型以及联合模型的AUC、敏感性、特异性及准确性分别为0.75、69.3%、68.9%、69.1%，0.87、79.2%、81.6%、80.4%，0.91、80.2%、83.5%、81.9%。Delong检验结果显示，对于胃间质瘤NIH危险度分级预测的ROC曲线，超声影像组学模型与临床超声模型AUC间的差异有统计学意义( Z＝2.698， P<0.001)，联合模型明显优于临床超声模型( Z＝4.062， P<0.001)及超声影像组学模型( Z＝2.225， P＝0.026)。校准曲线显示出联合模型具备较高性能，决策曲线同样显示出联合模型具有优越的临床实用性。 结论:基于胃充盈超声造影下的影像组学构建胃间质瘤NIH危险度分级的预测模型具有可行性，结合临床和超声特征的联合模型预测性能更具优势，在一定程度上可帮助临床术前预测胃间质瘤NIH危险度分级，在个性化医疗时代可以辅助医生选择最佳的管理方案。

目的:探讨室间隔缺损(VSD)术前超声心动图报告指标与手术预后的相关性并识别显著相关指标或指标比值进行验证。方法:选择2016年6月至2021年6月于浙江大学医学院附属儿童医院进行手术矫治的VSD患儿1 357例，提取术前超声心动图报告中的各种指标，包括VSD大小、左室射血分数(LVEF)、左房(LA)内径、主动脉(AO)流速、三尖瓣反流流速、三尖瓣反流压差等，分析超声心动图指标和指标比值与术后辅助通气时间的相关性。按有无术后并发症将患者分为有并发症组与无并发症组，比较两组间超声心动图指标的差异。基于以上指标建立线性回归模型，对术后辅助通气时长进行预测，采用最小绝对收缩与选择算子(LASSO)回归模型用于变量选择。结果:单一指标VSD大小、AO流速与术后辅助通气时间存在较弱相关性( r＝0.32、0.25，均 P<0.01)，VSD处流速与术后辅助通气时间无相关性。而指标比值AO流速/VSD处流速、LVEF/VSD处流速与术后辅助通气时间存在较强相关性( r＝0.67、0.51，均 P<0.01)。有并发症组与无并发症组三尖瓣反流流速、三尖瓣反流压差、LA内径、LVEF差异无统计学意义(均 P>0.01)；而计算比值后，并发症组LVEF/三尖瓣反流流速显著低于无并发症组，三尖瓣反流压差/LA内径显著高于无并发症组(均 P<0.01)。在独立测试集上对VSD患者的术后通气时间进行预测，测试集决定系数( R2)达到0.51。 结论:术前超声心动图测量指标比值AO流速/VSD处流速、LVEF/VSD处流速与VSD患儿术后辅助通气时间有着较强相关性，LVEF/三尖瓣反流流速、三尖瓣反流压差/LA内径在有无术后并发症群体间的差异有统计学意义，同时指标组合可以显著提升其相关性和差异性，可应用于VSD手术预后的预测。

目的:探讨基于治疗前超声图像的乳腺癌原发灶瘤内及瘤周影像组学特征联合临床病理因素构建的列线图预测模型对乳腺癌新辅助化疗(NAC)疗效的预测价值。方法:回顾性选取2018年9月至2023年6月于滨州医学院附属医院接受NAC的乳腺癌患者166例，按照7∶3比例随机分为训练集和验证集，根据术后病理结果分为病理完全缓解组和非病理完全缓解组。使用3D Slicer软件手动勾画超声图像中的病灶作为瘤内区域，半自动分割外扩5 mm获得瘤周区域；使用Pyradiomics提取影像组学特征；采用最小冗余最大相关(mRMR)与最小绝对收缩和选择算子(LASSO)回归筛选最优影像组学特征；通过随机森林算法分别构建瘤内、瘤周、瘤内＋瘤周3种影像组学模型并获得影像组学评分。通过单因素及多因素Logistic回归分析从临床病理指标中筛选NAC效果的独立预测因素并构建临床模型。选择效能最高的影像组学评分和临床独立预测因素构建联合模型并绘制列线图。采用ROC曲线下面积(AUC)评估各模型的预测效能。结果:最终分别筛选出11、6、9个最优影像组学特征构建瘤内、瘤周、瘤内＋瘤周影像组学模型，3种模型在训练集和验证集的AUC分别为0.820、0.754，0.778、0.701，0.852、0.804。将ER、HER-2、Ki-67作为独立预测因素构建临床模型，训练集和验证集的AUC分别为0.802、0.855。瘤内＋瘤周影像组学评分联合ER、HER-2、Ki-67构建了列线图预测模型，训练集和验证集AUC分别提高至0.908、0.883。Delong检验显示，列线图模型AUC优于3种影像组学模型和临床模型(均 P<0.05)，预测效能最佳。 结论:基于治疗前超声图像的乳腺癌原发灶瘤内＋瘤周影像组学评分联合ER、HER-2、Ki-67临床病理因素构建的列线图预测模型对乳腺癌NAC疗效具有较好的预测价值，有望指导临床决策。

目的:分析容受前期和容受期子宫内膜基因表达及宫颈分泌物中氨基酸和肉碱水平差异，为探讨新的子宫内膜容受性分子标记物提供线索和依据。方法:选取2020年1月6号至2022年1月31日就诊于临沂市人民医院生殖医学科的共59例不孕女性患者作为研究对象，收集临床资料。匹配年龄、体质量指数及不孕年限等因素选取准备胚胎移植的不孕女性3对(6名)，取内膜组织进行基因转录表达分析。另选经辅助生殖技术妊娠25例为对照组，门诊监测排卵未妊娠女性28例为病例组，采用超声判定内膜容受性状态。前者提取子宫内膜组织进行测序后，进行差异表达基因的GO数据库和KEGG数据库富集分析。后者取对照组和病例组宫颈分泌物，经质谱检测其中氨基酸和肉碱水平。采用秩和检验、t检验及 χ2检验进行统计学分析。 结果:研究对象基本临床资料无明显差异( P>0.05)。基因测序提示上/下调最显著的基因分别是 HLA-DRB5和 MMP10。GO和KEGG富集差异表达基因较多的生物学过程、分子功能和通路主要有免疫调控、细胞粘附和色氨酸代谢等。分泌物代谢分析发现多种氨基酸和肉碱代谢物水平在二组间差异明显( P<0.05)，主要为氨基酸和肉碱水平如丙氨酸、缬氨酸、3-羟基丁酰肉碱(C4OH)+丙二酰肉碱(C3DC)/葵酰肉碱(C10)等。 结论:容受前期与容受期子宫内膜组织相比，基因转录表达差异显著，可能与子宫内膜容受性状态存在关联。氨基酸和肉碱水平提示差异变化较大指标可能作为标记物预测子宫内膜容受性状态。

目的:探讨基于自动乳腺全容积成像(ABVS)影像组学的机器学习模型鉴别乳腺影像报告和数据系统(BI-RADS) 4类病灶良恶性的临床价值。方法:前瞻性收集2020年5－12月于西南医科大学附属医院(中心1)和广东省中医院(中心2)接受ABVS检查和组织活检的BI-RADS 4类病灶患者，分为训练集(中心1)和外部验证集(中心2)。将病灶的最大切面图像(ABVS横切面、矢状面和冠状面各一张)导入影像组学分析软件(MaZda)，并提取影像组学特征。在训练集，七种特征选择方法和十三种机器学习算法进行两两结合，构建不同的机器学习模型，将诊断性能最优的六种模型在外部验证集进行验证并确定最终的机器学习模型。最后，评估有或无模型辅助下不同经验超声医师(R1、R2和R3，分别有3、6和10年经验)诊断效能和诊断信心的变化。结果:①研究纳入251个BI-RADS 4类病灶，其中训练集178个(良性91个，恶性87个)，外部验证集73个(良性44个，恶性29个)；②训练集中，诊断性能最优的六种机器学习模型分别是基于递归特征消除(RFE)的深度神经网络(DNN)模型，自适应提升(AdaBoost)模型，逻辑回归(LR)模型，线性判别分析(LDA)模型，集成算法(Bagging)模型和支持向量机(SVM)模型，ROC曲线下面积(AUC)依次为0.972、0.969、0.968、0.968、0.967和0.962；③外部验证集中，DNN-RFE模型仍具有最优的诊断性能，其AUC、准确性、敏感性、特异性、阳性预测值(PPV)和阴性预测值(NPV)分别为0.886、0.836、0.934、0.776、86.8%和82.5%；④模型辅助前，R1的诊断性能最差，其准确性、敏感性、特异性、PPV和NPV分别为0.680、0.750、0.640、57%和81%；模型辅助后，R1的上述指标分别提升至0.730、0.810、0.930、68%和94%，差异有统计学意义( P＝0.039)，而R2和R3与辅助前比较，差异无统计学意义( P＝0.811，0.752)；三名医师的总体诊断信心从2.8增加至3.3( P<0.001)。 结论:基于ABVS影像组学的机器学习模型能较好地区分良恶性BI-RADS 4类病灶，提升经验较少医师的诊断性能及其诊断信心。

目的:探讨基于三维卷积神经网络（3D CNN）构建的人工智能辅助诊断模型对高血压性心脏病、出现心脏改变的慢性肾功能衰竭（CRF）及甲状腺功能减退症（甲减）患者超声心动图视频的诊断效能及其临床应用价值。方法:本研究为回顾性研究。收集2019年4月至2021年10月就诊于河南省人民医院的高血压性心脏病、出现心脏改变的CRF和甲减患者。依据诊断分为高血压组、CRF组和甲减组，另采用简单随机抽样方法从同期健康体检者中入选正常对照组。收集入选患者的超声心动图视频数据。每组中视频数据按约5∶1的比例分为训练集和独立测试集，采用膨胀3D卷积网络（I3D）对视频进行时空特征的联合提取，对人工智能辅助诊断模型进行训练及测试；训练集和测试集之间无病例交叉。分别使用3种不同切面［单一心尖四腔心（A4C）切面、单一胸骨旁左心室长轴（PLAX）切面、所有切面］视频数据，基于病例或视频建立模型，并进行诊断性能的统计分析，计算敏感度、特异度、受试者工作特征曲线下面积（ AUC）；并对比人工智能和超声科医师处理病例所需时间。 结果:共纳入730例受试者，男性362例（49.6%），年龄（41.9±12.7）岁，共收集了17 703条视频。其中，高血压组212例、CRF组210例、甲减组105例、正常对照组203名。使用单一PLAX切面和所有切面数据基于病例进行预测的模型诊断性能较优：（1）高血压组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为97%、89%、0.93，使用单一PLAX切面模型为94%、95%、0.94；（2）CRF组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为97%、95%、0.96，使用单一PLAX切面模型为97%、89%、0.93；（3）甲减组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为64%、100%、0.82，使用单一PLAX切面模型为82%、89%、0.86。3D CNN模型测量和分析每例受试者的超声心动图视频所需时间明显短于超声科医师［（23.96±6.65）s比（958.25±266.17）s， P<0.001］。 结论:基于3D CNN的人工智能辅助诊断模型可以联合提取超声心动图的动态时空特征，能够快速高效识别高血压性心脏病及CRF和甲减引起的心脏改变。

目的:探讨基于超声影像组学联合临床病理学特征预测乳腺癌患者肿瘤增殖细胞核抗原67(Ki-67)表达状态的可行性。方法:回顾性分析2018年1月至2022年2月在南京医科大学附属常州第二人民医院接受二维超声和Ki-67检查的乳腺癌患者。其中来自城中院区的427例患者按照8∶2的比例随机划分为训练集和验证集，来自阳湖院区的229例患者作为独立的外部测试集。从二维超声图像的感兴趣区域提取影像组学特征，采用Mann-Whitney U检验、递归特征消除以及最小绝对收缩和选择算子进行特征降维并建立影像组学评分(Rad-score)。随后，采用单/多因素逻辑回归分析，根据Rad-score和临床病理学特征构建联合预测模型。使用ROC曲线下面积(AUC)、校准曲线和决策曲线分析以评估模型性能和实用性。 结果:联合模型在训练、验证和测试集中预测乳腺癌Ki-67表达状态的AUC分别为0.858、0.797、0.802，均优于影像组学(0.772、0.731、0.713)和临床模型(0.738、0.750、0.707)。校准曲线和决策曲线分析表明联合模型具有良好的校准度和临床价值。结论:基于超声影像组学和临床病理学特征的联合模型能够有效预测乳腺癌Ki-67表达状态，有望成为Ki-67检测的非侵入性工具，并为临床医生提供重要的辅助诊断和治疗决策依据。

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:Loeys-Dietz综合征为罕见的遗传性结缔组织疾病。分析伴显著骨骼畸形表现的Loeys-Dietz综合征一个家系的临床特征，并鉴定其致病基因突变。方法:收集先证者及家庭成员的临床资料，进行实验室及影像学相关辅助检查，采集家系成员外周血提取DNA，对先证者进行全外显子组测序，确定突变位点，对其他家系成员进行Sanger测序以验证突变位点。结果:先证者男，34岁。双下肢弯曲畸形30余年，体格检查示四肢细长伴扁平足、韧带松弛、脊柱侧弯，超声心动图示主动脉窦部扩张。先证者外周血基因组DNA中TGFβ2基因第1号外显子第220位核苷酸发生杂合错义突变（c. 220A>C，p.Thr74Pro）。先证者的姐姐及其1个女儿均存在双下肢弯曲畸形及扁平足等类似临床表现，并检出同一突变基因。该基因突变为新发突变，在ExAC和1000G中均未见报道，致病性预测为有害突变。据此，该家系可诊断为4型Loeys-Dietz综合征。结论:4型Loeys-Dietz综合征由TGFβ2基因突变导致，骨骼畸形是本病的显著特征之一，基因检测有助于早期诊断并与其他结缔组织疾病鉴别诊断。