简介：摘要目的通过深度卷积神经网络(convolutional neural network，CNN)技术实现胃病变内镜图像的快速、准确人工智能辅助诊断。方法收集2012—2018年北京大学人民医院1 121例胃病变的普通白光内镜图像和病理结果。胃病变图像包括消化性溃疡、早期胃癌及高级别上皮内瘤变、进展期胃癌、胃黏膜下肿瘤共4类，另外还包括无病变正常胃黏膜图像。共17 217张图像作为训练集，使用CNN ResNet-34模型训练分类任务，使用全CNN DeepLabv3模型训练像素分割任务。经过训练后的CNN通过一个测试集评估诊断效能，测试集包括237例胃病变，共1 091张普通内镜图像。计算CNN诊断的准确率、敏感度、特异度、阳性预测值、阴性预测值。结果CNN对于早期胃癌及高级别上皮内瘤变的诊断准确率为78.6%(33/42)，敏感度为84.4%(27/32)，特异度为60.0%(6/10)，阳性预测值87.1%(27/31)，阴性预测值54.5%(6/11)；对于消化性溃疡的诊断准确率为90.4%(47/52)，敏感度为92.7%(38/41)，特异度为81.8%(9/11)；对于进展期胃癌的诊断准确率为88.1%(52/59)，敏感度为91.8%(45/49)，特异度为70.0%(7/10)；对于胃黏膜下肿瘤的诊断准确率为86.0%(43/50)，敏感度为89.7%(35/39)，特异度为72.7%(8/11)。所有测试集图像识别时间为42 s。结论CNN可以作为早期胃癌及其他胃病变内镜图像的快速辅助识别方法，识别速度快，准确率高。

简介：现代教育技术的迅速发展。网络教学在高等教育中占有重要地位，发挥着巨大作用。那么，在网络环境下。教师所扮演的角色必须有相应的转变，才能实现网络教学目标。研究证明，教师作为终身学习者、研究者、创造者。还要成为学生个性发展设计者、引导者、合作者和多种角色并存的调试者。