目的:应用建立的全自动AI牙体分割算法,从CBCT影像中实现牙体的快速自动化分割,以口内扫描真实离体牙获得的三维数据作为金标准,验证算法的准确性.方法:从上海交通大学医学院附属第九人民医院收集30套CBCT数据及相应的59颗离体牙,通过建立的算法,分割出CBCT中的牙体三维数据.将离体牙处理后扫描获得的数字化信息作为金标准.为了比较算法分割结果以及扫描结果之间的差异,选取骰子系数(Dice)、灵敏度(sensitivity,Sen)以及平均表面距离(average symmetric surface distance,ASSD)评价算法的分割准确性.选用组内相关系数(ICC)评价AI系统获得单个牙与数字化离体牙的长度、面积和体积差异.由于存在不同体素大小的CBCT,使用ANOVA单因素方差分析不同体素组间的差异,同时通过SNK法对其进行两两比较.采用SPSS 25.0软件包对数据进行统计学分析.结果:算法分割结果与离体牙扫描结果对比后,得到平均Dice值为(94.7±1.88)％,平均Sen为(95.8±2.02)％,平均ASSD为(0.49±0.12)mm.比较数字化离体牙与AI系统获得的单个牙的长度、面积和体积的组内相关系数ICC值,分别为0.734、0.719和0.885,AI系统分割出的单个牙与数字化模型在评价长度、面积和体积时有着较好的一致性,但分割结果在具体数值上与真实情况仍有差异.CBCT体素越小,即分辨率越高,分割结果表现更好.结论:本研究建立的CBCT牙体分割算法能够准确实现各分辨率下CBCT中全牙列的牙体分割.CBCT分辨率提高,能让算法结果更准确.相比目前的分割算法,本研究的算法性能更好.但与实际情况相比,仍有一定差异,需对算法继续改进及验证.

投稿论文必须为原创,任何大型语言模型工具(例如ChatGPT)不能列为论文作者.如在论文创作中使用过相关工具,应在"方法"或"致谢"或适当的部分明确说明.使用ChatGPT等AIGC工具辅助完成论文撰写,可能涉及抄袭及版权问题,使用者必须谨慎.任何AI工具生成的文本、图表,不能在论文中使用.

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 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.

胰腺癌是一种高度恶性的消化系统肿瘤，缺乏典型的早期症状，且具有高度侵袭性。多数胰腺癌患者就诊时已无根治性手术切除的机会，总体预后极差。近年来，人工智能在医学领域的应用迅速发展，机器学习和深度学习是其中运用最广泛的人工智能方法。基于人工智能技术建立的各种模型被运用到胰腺癌患者的早期筛查、诊断、治疗、预后预测等方面。三维可视化和增强现实导航技术在胰腺癌手术中亦得到了发展和运用。本文就人工智能技术在胰腺癌中的应用现状进行简要总结，并对其应用前景进行展望。

目的:评价青蒿琥酯对小鼠肠缺血再灌注致肺损伤的影响及其与血红素加氧酶-1(HO-1)的关系。方法:SPF级健康雄性C57BL/6小鼠24只，8~9周龄，体重18~22 g，采用随机数字表法分为4组( n＝6)：假手术组(Sham组)、肠缺血再灌注组(I/R组)、青蒿琥酯组(A组)和青蒿琥酯＋HO-1抑制剂锡原卟啉Ⅸ组(AS组)。采用夹闭肠系膜上动脉45 min再灌注2 h的方法建立肠缺血再灌注损伤模型。A组于缺血前1 h经尾静脉注射青蒿琥酯40 mg/kg，AS组于缺血前12 h经尾静脉注射锡原卟啉Ⅸ 7.5 mg/kg，缺血前1 h经尾静脉注射青蒿琥酯40 mg/kg。于再灌注2 h时麻醉处死动物，取肺组织，测定湿重/干重(W/D)比值，HE染色光镜下观察病理学结果并进行肺损伤评分，采用比色法测定肺组织髓过氧化物酶(MPO)活性及MDA含量，采用荧光定量PCR法测定肺组织IL-6 mRNA的表达，采用TUNEL法检测细胞凋亡指数(AI)。 结果:与Sham组比较，I/R组肺损伤评分、W/D比值、MPO活性、MDA含量和AI升高，IL-6 mRNA表达上调( P<0.05)；与I/R组比较，A组肺损伤评分、W/D比值、MPO活性、MDA含量和AI降低，IL-6 mRNA表达下调( P<0.05)；与A组比较，AS组肺损伤评分、W/D比值、MPO活性、MDA含量和AI升高，IL-6 mRNA表达上调( P<0.05)。 结论:青蒿琥酯可减轻小鼠肠缺血再灌注致肺损伤，机制可能与激活HO-1有关。

目的:从铜死亡及其关键调控因子铁氧还原蛋白(FDX1)表达探讨乳脂球表皮生长因子8(MFG-E8)减轻肺移植缺血再灌注损伤的机制。方法:健康雄性SD大鼠50只，随机分为移植组、对照组和MFG-E8组，改良袖套法建立大鼠左肺移植模型。MFG-E8组受体大鼠术前30 min经尾静脉注射rhMFG-E8 20 μg/kg，对照组和移植组受体鼠尾静脉注射同等量生理盐水。肺移植再灌注3 h后阻断右肺门5 min，全自动血气分析检测仪检测动脉血中氧分压(PaO 2)和二氧化碳分压(PaCO 2)。苏木精-伊红(HE)染色观察移植肺组织显微病理改变，组织髓过氧化物酶(MPO)试剂盒检测移植肺MPO活力，原位末端标记(TUNEL)法检测肺细胞凋亡，蛋白免疫印迹(Western blot)法检测肺组织铜蓝蛋白(CER)和铜死亡相关蛋白FDX1表达。组间比较使用 t检验，多组比较采取单因素方差分析。 结果:再灌注3 h后，HE染色可见移植组肺泡结构破坏明显、肺水肿伴大量炎性细胞浸润；MFG-E8组肺泡结构基本完整，炎性反应明显减轻，仅少量炎性细胞浸润。再灌注3 h后，MFG-E8组动脉PaO 2/FiO 2显著高于移植组[(264.65±47.23) mmHg比(208.36±32.45) mmHg，1 mmHg＝0.133 kPa， t＝3.106， P<0.05]，肺组织MPO活力和细胞凋亡指数均明显低于移植组[(0.75±0.13) U/g prot比(0.98±0.17) U/g prot， t＝3.399， P<0.05；(25.21±5.68)%比(34.16±4.75)%， t＝3.822， P<0.05]。移植组大鼠肺组织FDX1蛋白水平表达明显高于对照组(0.52±0.18比0.29±0.14， t＝3.190， P<0.05)；MFG-E8组大鼠肺组织FDX1蛋白水平表达显著低于移植组(0.37±0.12比0.52±0.18， t＝2.193， P<0.05)；移植组大鼠肺组织CER蛋白水平表达低于对照组(0.26±0.11比0.32±0.14， t＝1.066， P>0.05)，但差异无统计学意义；MFG-E8组大鼠肺组织CER蛋白水平高于移植组(0.33±0.15比0.26±0.11， t＝1.190， P>0.05)，但差异无统计学意义。 结论:MFG-E8可能通过抑制氧化应激和铜死亡相关蛋白FDX1表达发挥抗肺移植缺血再灌注损伤作用。

目的:评价血红素氧合酶-1 (HO-1)在七氟烷改善小鼠脓毒症相关性脑病中的作用。方法:成年雄性C57BL/6J小鼠136只，体重20～25 g，6～8周龄，采用随机数字表法分为4组( n＝34)：假手术组(Sham组)、脓毒症相关性脑病组(SAE组)、脓毒症相关性脑病+七氟烷组(SAE+Sevo组)和脓毒症相关性脑病+七氟烷+HO-1抑制剂锌原卟啉Ⅸ组(SAE+Sevo+ZnPPⅨ组)。采用盲肠结扎穿孔法制备小鼠脓毒症相关性脑病模型。SAE+Sevo组和SAE+Sevo+ZnPPⅨ组分别于造模成功后立即吸入2%七氟烷-33%氧气2 h，Sham组和SAE组吸入33%氧气2 h。SAE+Sevo+ZnPPⅨ组于造模前30 min时腹腔注射HO-1抑制剂ZnPPⅨ 25 mg/kg。于造模后6、12和24 h时处死6只小鼠，采用ELISA法检测皮层组织TNF-α、IL-1β、高迁移率族蛋白1(HMGB1)和HO-1水平，采用Western blot法检测皮层组织HO-1表达。于造模后24 h时处死6只小鼠，采用TUNEL染色检测皮层细胞凋亡情况，计算细胞凋亡指数。每组取10只小鼠，分别于造模后3、5、7和14 d时行Y迷宫实验，计算自发交替百分比。 结果:与Sham组比较，SAE组、SAE+Sevo组及SAE+Sevo+ZnPPⅨ组皮层组织TNF-α、IL-1β、HMGB1水平、细胞凋亡指数、HO-1活性及其表达水平升高，自发交替百分比降低( P<0.05)。与SAE组比较，SAE+Sevo组皮层组织TNF-α、IL-1β、HMGB1水平和细胞凋亡指数降低，HO-1活性及其表达水平、自发交替百分比升高，SAE+Sevo+ZnPPⅨ组皮层组织TNF-α、IL-1β及HMGB1水平降低( P<0.05)，其余指标差异无统计学意义( P>0.05)。与SAE+Sevo组比较，SAE+Sevo+ZnPPⅨ组皮层组织TNF-α、IL-1β、HMGB1水平和细胞凋亡指数升高，HO-1活性及其表达水平、自发交替百分比降低( P<0.05)。 结论:七氟烷改善小鼠脓毒症相关性脑病的机制与提高皮层组织HO-1活性，减轻炎症反应有关。

目的:分析第十二胸椎（T 12）水平竖脊肌横截面积与老年急性冠脉综合征（acute coronary syndrome, ACS）住院患者预后的相关性。 方法:采用前瞻性队列研究。收集2019年1月至2022年6月北京博爱医院经急诊收入心血管内科监护病房或急诊监护病房的老年ACS患者的临床资料；入院后24 h内检测血常规、生化指标；完成超声心动图检查；24 h内进行胸部CT检查，计算T 12水平左、右侧竖脊肌横截面积后求和；进行心肌梗死溶栓治疗临床试验（thrombolysis in myocardial infraction, TIMI）评分。随访患者12个月内主要不良心脑血管事件（major adverse cardiovascular and cerebrovascular event, MACCE）的发生情况。比较MACCE组与无MACCE组间临床资料及实验室指标的差异；采用多因素Logistic回归模型分析T 12水平竖脊肌横截面积与ACS后12个月内发生MACCE的相关性。 结果:共406例患者纳入本研究，12个月内MACCE的发生率为22.2%。MACCE组T 12水平竖脊肌横截面积[(20.43±3.51) cm 2vs. (24.36±3.66) cm 2, Z=4.412, P<0.001]低于无MACCE组。Logistic回归分析显示，调整性别、年龄、身体质量指数、TIMI评分、是否血运重建5个因素后，T 12水平竖脊肌横截面积（ OR=0.883, 95% CI:0.803~0.971, P=0.010）与ACS后12个月内发生MACCE呈独立相关。 结论:T 12水平竖脊肌横截面积可作为老年ACS患者12个月内发生MACCE的独立预测因子。

人工智能（AI）能够帮助临床医生对住院患者作出诊断，然而因AI模型存在系统偏差，可能会影响临床医生的诊断准确性。最近发布的监管指南指出，AI模型应包含相关解释，以减少模型错误，但该策略的有效性尚未确定。近期美国学者进行了一项随机临床小插图调查研究，旨在评估存在系统偏差的AI对临床医生诊断准确性的影响，并确定基于图像的AI模型解释是否能减少模型错误。研究于2022年4月至2023年1月在美国13个州进行，参与者包括住院医师、执业护士和医师助理。研究者向临床医生展示了因急性呼吸衰竭住院的9例患者的临床小插图，内容包括患者的症状、体格检查、检验及X线胸片结果。要求临床医生确定肺炎、心力衰竭或慢性阻塞性肺疾病导致患者急性呼吸衰竭的根本原因的可能性。为了确保诊断准确性，共向临床医生展示了2幅未含AI模型输入的小插图。临床医生被随机分配查看6幅带有AI模型输入的小插图，有或没有AI模型解释。在这6幅小插图中，3幅小插图包含标准模型预测，另3幅小插图包含系统偏差模型预测。研究主要结局为临床医生对肺炎、心力衰竭和慢性阻塞性肺疾病的诊断准确性。结果显示：研究参与者中位年龄为34（31，39）岁，其中57.7%为女性。457名临床医生被随机分配查看了至少1幅带有AI模型输入的小插图，其中231名分配到了不带解释的AI模型预测，226名分配到了带解释的AI模型预测。临床医生对3种诊断的基线诊断准确率为73.0%〔95%可信区间（95% CI）为68.3%～77.8%〕。当向临床医生展示不带解释的标准AI模型时，临床医生的诊断准确率较基线诊断准确率提高了2.9%（95% CI为0.5%～5.2%）；当向临床医生展示AI模型解释时，临床医生的诊断准确率则较基线诊断准确率提高了4.4%（95% CI为2.0%～6.9%）。与基线诊断准确率相比，存在系统偏差的AI模型预测导致临床医生的诊断准确率降低了11.3%（95% CI为7.2%～15.5%）；而带解释且存在系统偏差的AI模型预测则导致临床医生的诊断准确率降低了9.1%（95% CI为4.9%～13.2%），两种模型相比没有明显差异（差异为2.3%，95% CI为-2.7%～7.2%）。研究人员据此得出结论：尽管标准AI模型提高了诊断准确性，但存在系统性偏差的AI模型降低了医生的诊断准确性，常用的基于图像的AI模型解释并未改变这种有害影响。