目的:探讨机器学习算法构建脓毒症心肾综合征患者早期死亡风险预测模型的方法，为临床早期识别高危患者及精准治疗提供依据。方法:入选同济大学附属同济医院2015年1月1日至2019年5月31日期间入院的脓毒症心肾综合征患者为研究对象，收集患者确诊时的临床表现、实验室检查及治疗情况等资料。研究终点事件定义为患者确诊后30 d内死亡。运用Python软件构建不同机器学习算法模型，采用受试者工作特征曲线下面积（ AUC）评估各模型的预测效能。运用构建的最优模型筛选疾病相关风险因素，构建可视化决策树模型和半朴素贝叶斯（sNB）模型。 结果:340例患者入选本研究，其中114例（33.5%）患者确诊后30 d内死亡。支持向量机（SVM ）、随机森林（RF）、梯度提升树（GBDT） 、极端梯度提升（XGBoost）和轻量梯度提升（LGBM）5种模型的 AUC值分别为0.652、0.868、0.870、0.754和0.852，其中GBDT模型预测患者发生终点事件的 AUC值最优。依据GBDT模型特征重要度评分筛选出前10项患者预后的影响因素，包括序贯器官衰竭评估（SOFA）总评分、神经系统SOFA评分、血管活性药物应用史、高敏肌钙蛋白（cTNI）、年龄、肌红蛋白（MYO）、循环系统SOFA评分、慢性肾脏病史、心率和基线血肌酐值等参数，建立可视化决策树模型，模型共4层，15个节点，8个终端节点。依据SOFA总评分、MYO变化率、基线血肌酐值和年龄等4项影响因素建立决策树流程，模型预测患者发生终点事件的 AUC值为0.690。sNB模型提示总SOFA总评分与神经系统SOFA评分、SOFA总评分与血管活性药物、cTNI与基线血肌酐值间的相互作用影响患者的短期预后。 结论:基于机器学习建立的脓毒症心肾综合征患者早期死亡风险预测模型结果提示，高SOFA评分仍然是预测脓毒症心肾综合征患者预后不良的首要危险因素。本研究建立的可视化决策树模型和sNB模型可在疾病早期针对高危患者进行临床判断，为脓毒症患者的精准治疗提供预测依据。

目的:比较 18F-脱氧葡萄糖(FDG)PET/CT的4种重建算法对肺结节标准摄取值(SUV)的影响。 方法:回顾性收集2018年2月至2019年7月在山西医科大学第一医院行 18F-FDG PET/CT检查的46例实性肺结节患者[男27例，女19例，中位年龄66(44～82)岁]的PET/CT图像，采用有序子集最大期望值迭代法(OSEM)、OSEM＋飞行时间(TOF)、OSEM＋TOF＋点扩散函数(PSF)及正则化算法(BSREM)进行图像重建(方法依次以G1～G4表示)，通过视觉和半定量方法分析肺结节及背景参数。根据肺窗所测结节直径，分为小结节(直径≤10 mm)和大结节(10 mm<直径≤30 mm)。行Kruskal-Wallis秩和检验及Bonferroni法分析不同算法间SUV的差异，行Spearman相关分析探讨SUV变化率(%ΔSUV)与结节直径的相关性，行受试者工作特征(ROC)曲线分析探讨SUV对肺结节良恶性的诊断效能。 结果:共114个结节，大结节55个，小结节59个。在视觉分析中，G4较G1～G3的小结节视觉检出率分别提高了55.93%(33/59)、44.07%(26/59)和20.34%(12/59)。在114个肺结节中，最大SUV(SUV max)、平均SUV(SUV mean)在不同算法间比较差异有统计学意义(中位SUV max ：2.65～5.29，中位SUV mean：2.05～2.99； H值：20.628和17.749，均 P<0.001)，G4对G1的SUV max(中位数分别为5.29和2.65)和SUV mean(中位数分别为2.99和2.05)有明显提升(均 P<0.001)。%ΔSUV max(中位数：4.45%～52.96%)、%ΔSUV mean(中位数：1.69%～47.56%)与结节直径呈负相关[9.75(6.20，16.58) mm； r s值：－0.371～－0.354、－0.371～－0.320，均 P<0.001]。在59个小结节中，G4对G1的SUV max(中位数分别为4.05和2.14)有明显提升( H＝18.327, P<0.001)，G4对G1和G3的SUV mean (中位数分别为2.31、1.26和1.53)有提升作用( H＝16.808，均 P<0.05)。在55个大结节中，SUV在不同算法间的差异无统计学意义( H值：0.812～7.290，均 P>0.05)。G1～G4的SUV max诊断良恶性的最佳截断值分别为4.335、5.185、5.410、5.745，曲线下面积(AUC)分别为0.747、0.699、0.756和0.778，四者的SUV mean及SUV peak最佳截断值对应的AUC也显示出类似趋势。 结论:在4种重建算法中，BSREM可明显提高图像质量和直径10 mm以下肺结节的SUV max及SUV mean，其SUV良恶性诊断阈值应适当上调。

目的:尝试利用MRI表观扩散系数（ADC）的早期变化前瞻性指导5-氟尿嘧啶（5-FU）耐药胃癌患者源性皮下移植瘤小鼠模型更换化疗方案，并比较与体积指导换药组之间肿瘤负荷的差异。方法:2020年1月至6月，采用5-FU耐药患者的胃癌组织建立30只小鼠模型，采用AdaBoost算法将小鼠随机分为实验组和对照组，每组15只。移植后第26天所有小鼠均以5-FU作为一线化疗药开始化疗，每两天行MR检查，包括T 2WI和扩散加权成像（DWI）。使用开源软件ITK-SNAP测量肿瘤体积，利用ADC图测量肿瘤ADC值。实验组根据肿瘤ADC值变化率、对照组根据肿瘤体积增长率确定化疗药物更换时间，将5-FU更换为紫杉醇。观察终点为小鼠进入恶病质状态。采用独立样本 t检验比较两组间的肿瘤负荷差异。 结果:5-FU治疗后两组ADC值均升高，化疗后第4天ADC值开始下降，实验组在这一时间点用紫杉醇替代5-FU继续化疗。对照组在化疗后第6天肿瘤体积增长率明显增加（从8.6%增加到16.1%），对照组于该时间点用紫杉醇替代5-FU化疗。观察终点位于化疗后第18天，实验组小鼠肿瘤负荷为（1.82±0.09）cm 3，对照组肿瘤负荷为（2.01±0.09）cm 3，差异有统计学意义（ t=2.25， P=0.033）。实验组化疗后第16天和对照组开始化疗后第18天，此时两组紫杉醇的用药时间均为12天，实验组的肿瘤负荷为（1.61±0.12）cm 3，对照组肿瘤负荷为（2.01±0.09）cm 3，差异有统计学意义（ t=2.03， P=0.040）。 结论:对于5-FU耐药胃癌小鼠皮下移植模型，根据化疗后肿瘤ADC值的早期变化指导更换化疗药物可获得更低的肿瘤负荷，提示其为可行的优化化疗方案的方法。

目的 针对临床试验中的生存数据,基于加速失效时间模型提出一种亚组识别方法.方法 将Adaptive Elastic Net应用于加速失效时间模型(称为惩罚模型),通过检验协变量与治疗组别的交互项来识别亚组相关协变量.采用基于极大似然的change-point算法寻找预测计分的截断点以对患者进行亚组分类.采用二阶段适应性设计,以评价治疗效果是否存在于所识别的获益亚组人群中.对比四种模型(含协变量主效应的惩罚模型、单变量模型,以及不含协变量主效应的惩罚模型、单变量模型)的亚组识别效果.结果 模拟结果显示,在样本量较小、删失率较高、获益亚组占比较小以及样本量不超过协变量个数的情况下,含协变量主效应的惩罚模型在获益亚组的识别上有明显的优势;而其他情况下,则是不含主效应的单变量模型较优.在二阶段适应性设计中,这两种模型进行亚组识别的Ⅰ类错误均控制在0.05左右;当潜在获益亚组时,相比于传统设计,适应性设计很大程度上提高了检验效能.结论 含协变量主效应的惩罚模型适用于生存数据的亚组识别;相比于传统设计,二阶段适应性设计更适用于潜在获益亚组的疗效评价.