目的:探讨基于多参数MRI及临床特征的融合模型在术前预测宫颈癌患者淋巴结转移的价值。方法:回顾性分析山西省肿瘤医院2016年6月—2019年3月经病理证实为宫颈鳞癌并于术前行MRI检查的168例患者的资料。按照7∶3的比例，采用完全随机法将所有患者分为训练组115例和验证组53例。由两名影像科医师在MRI图像上手动勾画三维容积感兴趣区(VOI)，并进行一致性分析。根据临床手术病理结果将所有患者分为淋巴结转移阴性(LN－)和阳性(LN＋)，临床及影像资料也对应分组。分别基于每例患者的T 2WI、表观扩散系数(ADC)和增强T 1WI(cT 1WI)序列图像上均提取3 111个影像组学特征，然后对训练组采用以最大相关最小冗余(MRMR)和最小绝对收缩与选择(LASSO)回归为主的四步法进行特征选择和影像组学标签的构建，并进行分层分析。通过多变量逻辑回归筛选独立临床危险因素并联合影像组学标签构建影像组学融合模型，并制作列线图。采用ROC曲线、校正曲线、决策分析曲线(DCA)评估列线图的预测性能及临床效益。 结果:训练组和验证组患者基线资料差异均无统计学意义( P值均>0.05)。基于T 2WI、ADC和cT 1WI合并特征降维后共得到6个影像组学特征( P值均<0.05)，其中包括3个小波类特征参数和3个LoG类特征参数，均与淋巴结转移显著相关。单序列影像组学标签在训练组中ROC曲线下面积(AUC)值为0.763和0.829，显示具有良好的预测效能，合并上述序列构建的影像组学标签对应的AUC值0.859，其诊断效能优于其中任意单一序列，并在验证组得到验证。联合影像组学标签和MRI评价淋巴结状态构建的列线图在训练组和验证组中均显示出良好的鉴别能力和校正性能，对应的AUC分别为0.865和0.861。在独立验证组中的决策曲线示，当风险阈值>10%时，采用影像组学方法预测LN＋的净收益优于将所有患者都看作LN＋或LN－，也优于MRI评价淋巴结状态。 结论:通过联合基于多参数MRI的影像组学标签和MRI评价淋巴结状态建立的融合模型可作为术前评估宫颈癌淋巴结转移的一种辅助方法。

目的:总结枕下乙状窦后入路手术切除前庭神经鞘瘤的术后短期和长期面神经功能情况及面神经保护经验，并分析其影响因素。方法:收集2013年1月至2018年2月在复旦大学附属华山医院由颅底外科小组行显微镜下枕下乙状窦后入路手术的前庭神经鞘瘤患者的临床资料，共纳入308例，其中男性132例、女性176例，年龄17~79岁，平均年龄47.9岁。记录患者临床表现、影像学表现、术中所见及术后面神经功能随访结果。使用SPSS 23.0统计软件，对短期及长期面神经功能及影响其恢复的变量进行单因素和多因素分析。结果:304例肿瘤完全切除，4例近全切除；306例面神经解剖保留，2例面神经离断，术中均予行神经吻合一期重建。300例成功随访，8例失访。随访时间1~60个月（平均52.0个月）。术后2周内面神经功能良好［House-Brackmann（HB）分级Ⅰ~Ⅱ级］96例，功能不良（HB分级Ⅲ~Ⅵ级）212例；术后1年随访共295例，其中198例面神经功能良好，97例功能不良；术后3年随访共294例，其中面神经功能良好者219例，功能不良75例；随访到术后5年者共189例，其中面神经功能良好者155例，功能不良者34例。逻辑回归分析显示，影响术后短期面神经功能的相关因素有肿瘤直径（ P=0.011）和术末面神经刺激阈值（ P<0.001）；影响术后长期面神经功能的相关因素包括肿瘤直径（ P=0.005）、术末面神经刺激阈值（ P=0.005）及面神经康复训练等。 结论:肿瘤直径是与术后面神经功能相关的独立因素，肿瘤越大术后面神经功能更差；术中电生理监测的肌电图微小电流刺激（刺激阈值≤0.05 mA）可以预测短期和长期的面神经功能预后；系统的面部康复训练能有效促进手术后面神经功能的恢复。

采用机器学习技术构建布鲁杆菌病（简称：布病）早期预测模型，以辅助提高布病的诊断效率。本文为病例对照研究，收集2011年5月9日至2021年11月29日首都医科大学附属北京地坛医院的布病患者2 381例作为病例组，首都医科大学附属北京朝阳医院表观健康人检验数据13 257例作为对照组。采用患者年龄、性别、临床诊断信息及22项血细胞分析结果，使用机器学习的随机森林、朴素贝叶斯、决策树、逻辑回归和支持向量机5种算法构建布病早期预测模型；其中14 074例（病例组2 143例，对照组11 931名）用于构建布病早期预测模型，1 564例（病例组238例，对照组1 326名）用于测试模型的预测效能。结果显示，通过对5种机器学习模型进行比对，支持向量机模型预测性能最佳，受试者工作曲线（ROC）线下面积（AUC）为0.991，准确度、精确度、特异度和召回率分别可达95.6%、95.5%、95.4%和95.9%。依据SHAP图显示，血小板分布宽度（PDW）和嗜碱粒细胞相对值（BASO%）结果较低，红细胞分布宽度变异系数（R-CV）、红细胞血红蛋白浓度（MCHC）和血小板体积（MPV）结果高的男性被预测为布病风险高。其中，血小板分布宽度（PDW）对预测模型贡献度最大，红细胞分布宽度变异系数（R-CV）次之。综上，基于机器学习技术建立高灵敏度的布病早期预测方法，对布病患者的及早发现、尽快治疗可能具有重要意义。

目的:探讨可解释的机器学习模型预测急性缺血性脑卒中预后的应用价值。方法:选取广东医科大学附属湛江中心医院神经内科自2020年3月至2023年10月实施静脉溶栓治疗的296例急性缺血性脑卒中患者为研究对象，随访3个月后使用改良Rankin量表评估预后（0~2分定义为预后良好，3~6分定义为预后不良）。回顾性收集患者的临床资料，并采用多因素Logistic回归分析筛选出患者预后的独立影响因素。以3∶2比例将患者随机分为训练集（ n=178）和测试集（ n=118），以预后独立影响因素为特征变量训练10种机器学习模型（逻辑回归、随机森林、支持向量机、朴素贝叶斯、线性判别分析、混合判别分析、灵活判别分析、梯度增强机、极端梯度提升和分类梯度提升），分别使用校准曲线、精确-召回曲线、精确-召回增益曲线及受试者工作特征曲线评估这10种机器学习模型的预测性能，使用Shapley加法解释（SHAP）对机器学习模型附加解释和可视化（包含全局解释和局部解释）。 结果:296例患者中预后不良72例。年龄（ OR=1.039，95% CI：1.008~1.072， P=0.015）、美国国立卫生研究院卒中量表评分（ OR=1.213，95% CI：1.000~1.337， P<0.001）、格拉斯哥昏迷量表评分（ OR=0.470，95% CI：0.289~0.765， P=0.002，）、卒中预测工具-Ⅱ评分（ OR=1.257，95% CI：1.043~1.516， P=0.016）、C反应蛋白水平（ OR=1.709，95% CI：1.398~2.087， P<0.001）和血小板计数（ OR=0.988，95% CI：0.978~0.998， P=0.016）是患者预后的独立影响因素。在10种机器学习模型中，极端梯度提升模型预测患者预后的性能最高（校准曲线评估示一致性指数为0.896，精确-召回曲线评估示曲线下面积为0.791，精确-召回增益曲线示曲线下面积为0.363，受试者工作特征曲线示曲线下面积为0.856）。全局解释中SHAP直观图显示特征变量的重要性排序依次为C反应蛋白、美国国立卫生研究院卒中量表评分、血小板计数、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分和年龄；SHAP散点图可视化了6个特征变量的贡献方向，呈"两端分布"现象；SHAP依赖图显示了6个特征变量的观测值与SHAP值间的依赖关系，其中C反应蛋白趋势最为显著。SHAP力图为单个样本提供了局部解释，使得极端梯度提升模型更加透明和可解释性。 结论:基于年龄、美国国立卫生研究院卒中量表评分、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分、C反应蛋白水平和血小板计数为特征变量的极端梯度提升模型预测急性缺血性脑卒中患者预后的性能最优，在此基础上结合SHAP进行模型解释和可视化，有助于理解各特征变量对预测结果的贡献大小及方向。

目的:分析乙型肝炎肝硬化失代偿患者发生细菌感染的影响因素并构建风险预测模型。方法:回顾性分析2014年1月至2020年4月在浙江省人民医院收治的198例乙型肝炎肝硬化失代偿患者资料。所有患者根据是否发生细菌感染分为细菌感染组( n＝86)和非细菌感染组( n＝112)。采用多因素Logistic回归模型分析乙型肝炎肝硬化失代偿患者发生细菌感染的危险因素，以逻辑回归模型为基础，通过R软件绘制列线图，构建风险预测模型。通过受试者工作曲线(ROC)对该风险预测模型进行评估。 结果:多因素Logistic回归分析结果显示，既往吸烟史、凝血酶原时间、中性粒细胞计数、超敏C-反应蛋白为乙型肝炎肝硬化失代偿患者发生细菌感染的独立危险因素( P<0.05或<0.01)，而规律抗病毒治疗和高密度脂蛋白为独立保护因素( P<0.05或<0.01)。ROC曲线分析显示，风险预测模型的曲线下面积(AUC)为0.872(95% CI 0.820～0.924， P<0.01)，MELD评分的AUC为0.670(95% CI 0.599～0.735， P<0.01)。风险预测模型预测乙型肝炎肝硬化失代偿发生细菌感染的价值高于MELD评分( Z＝4.89， P<0.01)。 结论:该风险预测模型对于乙型肝炎肝硬化失代偿患者发生细菌感染具有较好的预测价值。

手术能够治愈肥胖症2型糖尿病患者（diabetes mellitus type 2，T2DM）的高血糖情况，减重代谢手术也被纳入T2DM合并肥胖症的治疗指南当中。但是并非所有T2DM患者均能从减重代谢手术中获益，而且即便术后T2DM缓解也存在一定复发的可能，同时要承受术中、术后等一系列并发症的风险，因此需要一个系统对患者进行手术的风险/收益比进行评估。临床预测模型是一种基于临床变量，对某种相关结局发生的可能性进行评估的工具，主要包括评分表、列线图模型、逻辑回归模型、人工智能算法等。目前研究及应用较多的T2DM预后预测模型主要包括：ABCD评分、DiaRem评分、Ad-DiaRem评分、DiaBetter评分表、IMS列线图模型，以及逻辑回归模型等。另外，随着外科治疗T2DM被普遍接受，仍不断有新的模型被陆续提出，并用于术后减重效果的预测，或者从新的角度对术后T2DM缓解情况进行预测。信息技术的发展推动了人工智能算法预测的开发，可以进行更大量的计算，纳入更多的变量，获得更准确的结果，既可以开发客户端应用于临床，也可以用于对已有模型准确度的验证。本文对现有的T2DM合并肥胖症患者行减重代谢手术的预测模型进行综述，旨在为使用或构建相关预测模型时提供参考。

目的:探讨CT影像组学特征在预测胰管结石体外冲击波碎石（ESWL）治疗效果中的价值。方法:回顾性分析2016年7月至2023年1月间西湖大学附属杭州市第一人民医院消化内科167例行ESWL治疗的胰管结石患者的临床资料。根据首次ESWL治疗后最大残留结石的大小将患者分为完全碎石组（结石直径≤3 mm，94例）和不完全碎石组（结石直径>3 mm，73例）。使用ITK-SNAP软件对胰管结石图像进行勾画，利用联影公司开发的人工智能工具包提取影像组学特征，将胰管结石数据集按照8∶2比例随机分配到训练集（118例）和测试集（29例）中，采用绝对值最大归一化处理，再通过最小绝对收缩和选择算子（Lasso）进行降维和选择，计算CT影像组学分值，逻辑回归分类器构建胰管结石ESWL治疗效果预测模型。绘制受试者工作特征曲线（ROC），计算曲线下面积（AUC）及灵敏度、特异度、准确率，以评估预测模型的性能。采用决策曲线分析评估CT组学分值诊断胰管结石ESWL疗效的临床应用价值。结果:共提取2 287个影像组学特征，经Lasso回归降维最终筛选11个最佳影像组学特征建立胰管结石ESWL治疗效果的预测模型，其训练集和测试集的AUC值分别为0.89、0.87，灵敏度、特异度、准确率分别为82%、79%，82%、82%，82%、80%。独立验证集中AUC值为0.90，灵敏度、特异度、准确率分别为78%、90%、85%。决策曲线分析结果显示，当用CT影像组学分值诊断胰管结石ESWL疗效的概率>0.05时，使用CT影像组学分值诊断胰管结石ESWL疗效比不使用更能使患者在临床中获益。结论:应用CT影像组学特征模型可以预测胰管结石ESWL的治疗效果。

目的:基于代际差异视角，了解护士离职意愿现状及影响因素，分析共性与差异。方法:采用分层整群抽样法，于2018年1—3月选取来自全国23所综合医院的12 291名护士为研究对象，采用离职意愿量表、工作-家庭冲突量表及个人-环境匹配量表对护士进行问卷调查。采用Pearson相关性分析探讨护士的工作-家庭冲突、个人-环境匹配与离职意愿的相关性。采用多重线性回归分析探讨不同代际护士离职意愿的影响因素。本研究共发放问卷12 291份，回收12 291份，剔除有明显逻辑错误的问卷，最终回收有效问卷11 753份，有效回收率为95.62%（11 753/12 291）。结果:"70后"离职意愿低于"80后"和"90后"；工作-家庭冲突、个人-组织匹配和近1年是否经历负性事件是不同代际护士离职意愿的共同影响因素（ P<0.01）；职称、夜班数及生育情况是"90后"护士离职意愿的特异性影响因素（ P<0.05）；用工形式是"80后"护士离职意愿的特异性影响因素（ P<0.05）。 结论:"80后"及"90后"护士的离职意愿均高于"70后"，且不同出生年代的护士离职意愿现状及其影响因素存在差异，建议针对护士的代际特征制订干预策略，有效降低护士离职意向。

目的:探讨多囊卵巢综合征（polycystic ovary syndrome， PCOS）患者胰岛素抵抗（insulin resistance，IR）对行体外受精-胚胎移植（ in vitro fertilization and embryo transfer， IVF-ET）助孕结局的影响。 方法:采用回顾性队列研究，分析2018年1月至2020年12月期间在河南省人民医院生殖医学中心首次行IVF助孕的1 105例PCOS女性的资料，并收集2 136例同时期因单纯输卵管因素行IVF助孕女性的资料作为对照。根据是否合并IR分为四组：PCOS合并IR组（记为A1组）、PCOS非IR组（记为A2组）、对照合并IR组（记为B1组）和对照非IR组（记为B2组）。分析其控制性促排卵指标及移植后临床结局。采用二元逻辑回归校正混杂因素，分析早期自然流产的影响因素。结果:①A1、A2、B1、B2四组间穿刺卵泡数［（16.8±8.1）枚、（17.8±7.9）枚、（12.6±6.2）枚、（13.4±6.2）枚， P<0.001］、获卵数［（14.2±7.9）枚、（15.3±7.7）枚、（11.5±6.0）枚、（12.3±6.3）枚， P<0.001］、获卵率［84.6%（8 518/10 070）、86.1%（7 738/8 986）、91.8%（8 346/9 096）、91.9%（17 367/18 898）， P<0.001］、M II卵子数［（12.1±7.0）枚、（13.0±7.0）枚、（9.7±5.3）枚、（10.4±5.5）枚， P<0.001］、双原核（two pronuclei，2PN）卵裂数（8.2±5.3、9.0±5.4、6.7±4.1、7.4±4.3， P<0.001）、可利用胚胎数［（7.1±4.8）枚、（7.6±4.9）枚、（5.7±3.7）枚、（6.4±3.9）枚， P<0.001］、可利用胚胎率［82.3%（4 207/5 110）、82.2%（3 851/4 684）、82.3%（4 124/5 008）、83.9%（8 972/10 690）， P=0.008］、优质胚胎数［（3.7±3.4）枚、（4.0±3.5）枚、（3.2±2.7）枚、（3.5±2.9）枚， P<0.001］、优质胚胎率［42.8%（2 185/5 110）、43.5%（2 037/4 684）、45.7%（2 290/5 008）、46.9%（5 009/10 690）， P<0.001］差异均有统计学意义；M II卵率、2PN卵裂率、可利用囊胚形成率差异均无统计学意义（均 P>0.05）。②四组间早期流产率差异有统计学意义［16.3%（63/387）、9.7%（34/351）、12.1%（56/464）、8.7%（82/939）， P=0.001］，临床妊娠率、胚胎种植率、异位妊娠率差异均无统计学意义（均 P>0.05）。进一步组间比较显示，A1组的早期流产率［16.3%（63/387）］显著高于A2组［9.7%（34/351）， P=0.008］及B2组［8.7%（82/939）， P<0.001］，差异均有统计学意义。③采用logistic回归分析早期流产的影响因素显示，IR是早期流产率的独立影响因素［ OR=1.464，95% CI：1.361~2.065， P=0.019］。 结论:PCOS女性合并IR对IVF助孕后首次胚胎移植的早期流产结局有一定的影响。

目的:探讨基于MRI的深度学习（DL）影像组学机器学习模型在术前区分病理低级别和高级别软组织肉瘤（STS）的价值。方法:回顾性纳入2007年11月至2019年5月青岛大学附属医院经病理证实的151例STS患者为训练集、山东第一医科大学附属山东省立医院和河北医科大学附属第三医院的131例STS患者为外部验证集。根据法国国家癌症研究中心（FNCLCC）肿瘤分级标准，STS病理分级低级别（FNCLCCⅠ和Ⅱ级）161例，高级别（FNCLCCⅢ级）121例。分别提取病灶的手工影像组学（HCR）特征和DL影像组学特征，分别基于HCR特征、DL特征和两者组合特征，建立决策树、逻辑回归、支持向量机（SVM）3种分类器的机器学习模型，采用受试者操作特征曲线下面积（AUC）评价各机器学习模型预测高级别和低级别STS的效能，确定最优机器学习模型。采用单因素和多因素logistic回归筛选临床和影像学特征，建立临床影像学模型。结合最优机器学习模型和临床影像学模型，建立列线图，采用AUC来评估各模型和列线图的预测性能，AUC间比较采用DeLong检验。采用Kaplan-Meier生存曲线和log-rank检验评价最优机器学习模型在STS患者无进展生存期（PFS）风险分层中的表现。结果:基于HCR和DL组合影像组学特征的SVM机器学习模型的AUC最大，在训练集和外部验证集中预测STS分级分别为0.931（95%CI 0.889~0.973）和0.951（95%CI 0.904~0.997），为最优机器学习模型。临床影像学模型在训练集和外部验证集中的AUC分别为0.795（95%CI 0.724~0.867）和0.615（95%CI 0.510~0.720），列线图分别为0.875（95%CI 0.818~0.932）和0.786（95%CI 0.701~0.872）。外部验证集中，最优影像组学机器学习模型预测STS分级的性能优于列线图和临床影像学模型（ Z=3.16、6.07， P=0.002、<0.001）。最优影像组学机器学习模型预测的高级别和低级别STS患者的PFS差异有统计学意义（训练集χ2=43.50， P<0.001；外部验证集χ2=70.50， P<0.001）。 结论:基于MRI的DL影像组学模型可有效预测STS的FNCLCC肿瘤分级，其中HCR和DL组合影像组学特征的SVM分类器模型效能最佳，并有望对患者预后进行风险分层。