简介:摘要大数据环境下肿瘤病例为肿瘤的临床诊断提供了庞大的数据资源,同时人工智能技术的发展促进深度学习应用水平不断提升,推动肿瘤MRI图像的快速、精准分类进入深度学习时代。本文主要分为以下四个部分,第一部分针对目前主流的深度学习MRI图像分类模型:卷积神经网络、深度信念网络、深度残差网络、Vision Transformer展开综述。首先,阐述了各模型的历史沿袭、最初针对的问题及主要思想;其次,概括了模型的网络架构并探讨其在MRI图像分类上的最新应用;然后,分析了模型的特点、目前存在的局限及各自发展趋势。第二部分论述了一些影响分类性能的关键因素;第三部分提出了一些广泛使用的性能增强技术;文章最后讨论了深度学习分类MRI图像在临床实践中面临的主要限制,并对未来研究方向进行展望。本文的结果可为研究人员提供一个全面的比较,以及各种深度学习模型的有效性,有望促进脑肿瘤研究的进展。
简介:摘要为缓解牙周病学线下教学课时紧张的难题,南京医科大学牙周病学教研组设计了在线自主学习平台。在线自主学习平台已经实施一年,为了进一步了解其应用效果,本文以南京医科大学2017级口腔医学专业97名学生为例,阐述了牙周病学在线自主学习平台的设计、实施,通过期末考试成绩、问卷调查和访谈结果评价其应用效果。结果显示,学生牙周病学期末考试成绩为(78.64±10.14)分,优秀率为50.0%(48/96),及格率为92.7%(89/96)。90.7%(88/97)的学生对在线自主学习平台总体满意。可见,牙周病学在线自主学习平台有助于学生系统掌握理论知识,得到了学生的广泛认可,此外学生认为牙周病学自主学习平台高效实用、实时互动、充满挑战。
简介:摘要循证医学起源于流行病学之时便已经形成了一系列严格的方法。这些方法可用于评估基于假设的实证研究在评价诊断试验、结局预测工具和干预措施方面的有效性、影响力和适用性。机器学习是人工智能的一部分,它使用计算机程序识别海量数据集中的模式和关联,然后将这些模式和关联整合到用于辅助诊断和预测结局(包括对治疗的反应)的算法中。这两个领域如何相互关联?他们有何异同,如何各有千秋?两者可否相互借鉴和补充以使临床决策更为明智和有效?
简介:摘要目的了解医学研究生碎片化学习现状,探讨碎片化学习在医学研究生学习中的优势及其存在的问题。方法本研究采用问卷调查方法。2019年5月,选取上海交通大学医学院2019级14个专业的293名医学研究生为研究对象,对其进行医学专业碎片化学习现状的问卷调查。通过SPSS 25.0统计学软件对数据进行分析。结果79.5%(233/293)的研究生存在碎片化的学习行为;65.9%(193/293)的研究生认为碎片化学习对其专业学习利大于弊;59.7%(175/293)的研究生表示碎片化学习在学习方面提供的帮助有限。医学研究生认为碎片化学习在医学专业学习中具备的前3位优势是:碎片化学习有效利用了碎片时间[83.3%(244/293)];学习资源丰富[59.7%(175/293)];知识新颖,时效性强[50.5%(148/293)]。碎片化学习在研究生中存在的主要问题排在前3位的是:知识掌握不牢固[68.3%(200/293)];学习内容不系统[63.1%(185/293)];时间被分割,难以集中注意力[46.8%(137/293)]。结论医学研究生中普遍存在碎片化的学习行为,但其碎片化学习能力有待提高;碎片化学习具有提高时间利用率、学习资源丰富、知识新颖的优势,但是研究生的碎片化学习效率和学习效果均有待提高。
简介:摘要目的探索课题组前期研究构建的医学慕课(massive open online course,MOOC)教学设计规范体系的学习体验情况。方法从学情分析、课程内容设计、教学过程设计、教学评价设计四个维度改编了调查问卷。选取某医学院校519名临床医学专业、学习过依据该体系制作的"急性脑梗死的超早期诊疗"等MOOC案例的学生为调查对象。运用SPSS 25.0软件进行统计分析。结果该体系各维度具有较高的认可度,学情分析64.5%、内容设计57.6%、教学设计过程54.5%、教学评价设计59.3%。结论研究发现医学MOOC教学设计体系具有良好的学习体验效果,并依据数据反馈探索出了教学设计实操中应重视学情分析的核心因素、教学内容的适切性等教学设计重点,为医学MOOC教学设计提供了实践依据和方法参考。
简介:摘要目的针对前列腺癌放疗,研究锥形束CT(CBCT)生成伪CT的深度学习方法,以满足自适应放疗的需要。方法纳入瓦里安On-Board Imager采集的74例前列腺癌患者的CBCT图像及其模拟定位CT图像,并使用MIM软件进行形变配准。将数据按简单随机法分为训练集(59例)和测试集(15例)。使用U-net、Pix2PixGAN和CycleGAN学习CBCT到模拟定位CT的映射。以形变配准后CT作为参考图像,评价平均绝对误差(MAE)、结构相似指数(SSIM)和峰值信噪比(PSNR)。另外单独分析了图像质量,包括软组织分辨率、图像噪声和伪影等。结果使用U-net、Pix2PixGAN和CycleGAN生成图像的MAE分别为(29.4±16.1)、(37.1±14.4)、(34.3±17.3)HU。在图像质量方面,U-net和Pix2PixGAN生成的图像存在过度模糊的问题,导致了图像失真;而CycleGAN生成的图像保留了CBCT图像结构且改善了图像质量。结论CycleGAN能有效地提高CBCT图像质量,有更大的潜力应用于自适应放疗中。
简介:摘要目的基于深度学习方法开发创伤出血量分级预测模型,以辅助预测创伤动物出血量。方法基于中国人民解放军总医院构建的战创伤动物实验时效评估数据库中猪枪弹伤实验数据进行回顾性观察性研究。提取研究总体的出血量数据,并按照出血量将其分为0~300 mL组、301~600 mL组、>600 mL组。采用生命体征指标作为预测变量、出血量分级作为结局变量,基于4种传统机器学习和10种深度学习方法开发创伤出血量分级预测模型;采用实验室检验指标作为预测变量、出血量分级作为结局变量,基于上述14种算法开发创伤出血量分级预测模型。通过准确率和受试者工作特征曲线下面积(AUC)对上述两组模型进行效果评价,并将两组中的最优模型混合得到混合模型1;通过遗传算法进行特征选择,并根据最佳特征组合构建混合模型2;最后,将混合模型2部署于动物实验数据库系统中。结果纳入数据库中创伤动物96只,其中0~300 mL组27只,301~600 mL组40只,>600 mL组29只。在基于生命体征指标构建的14种模型中,全卷积网络(FCN)模型为最优模型〔准确率为60.0%,AUC及95%可信区间(95%CI)为0.699(0.671~0.727)〕;在基于实验室检验指标构建的14种模型中,循环神经网络(RNN)模型为最优模型〔准确率为68.9%,AUC(95%CI)为0.845(0.829~0.860)〕。FCN与RNN模型混合后得到混合模型1,即RNN-FCN模型,模型效果得到提升〔准确率为74.2%,AUC(95%CI)为0.847(0.833~0.862)〕;通过遗传算法进行特征选择,根据筛选后的特征组合构建混合模型2,即RNN-FCN*模型,进一步提升了模型效果〔准确率为80.5%,AUC(95%CI)为0.880(0.868~0.893)〕,该模型包含10项指标,分别为平均动脉压(MAP)、血细胞比容(HCT)、血小板计数(PLT)、血乳酸(Lac)、动脉血二氧化碳分压(PaCO2)、二氧化碳总量、血Na+、阴离子隙(AG)、纤维蛋白原(FIB)、国际标准化比值(INR)。最后,将RNN-FCN*模型部署在数据库系统中,实现了对创伤动物出血量的自动、连续、高效、智能、分级预测。结论基于深度学习开发了一种创伤出血量分级预测模型,并部署在信息系统中,实现了对创伤动物出血量的智能分级预测。
简介:摘要目的分析线上学习模式对青少年视力的影响。方法选取安徽理工大学附属眼科医院2019年12月1-31日(线上授课前)的视力筛查数据和2020年12月31日至2021年1月31日(线上授课后)视力筛查数据,两组数据均来自淮南地区的中小学校,两组数据以年龄段分组:6~12岁(小学组,n=1 124),> 12~15岁(初中组,n=552),> 15~18岁(高中组,n=554)。应用SPSS 22.0统计学软件分析两组各年龄段在线上授课前后视力的变化。结果线上授课前,近视率为52.70%,其中6~12岁近视率为25.31%,> 12~15岁近视率为71.89%,> 15~18岁近视率为88.34%。线上授课后,近视率为62.40%,其中6~12岁近视率为40.25%,> 12~15岁近视率为78.60%,> 15~18岁近视率为91.88%。线上授课前后近视率差异有统计学意义(χ2=21.44,P < 0.001)。结论线上学习模式对青少年视力有较大的影响,应制定相应措施,加强对青少年近视的预防和防控力度。
简介:摘要目的探讨使用远像光屏进行阅读学习的效果与舒适性。方法前瞻性交叉试验。于2021年7月通过首都医科大学附属北京同仁医院招募成年受试者39人,男性16人,女性23人,年龄(26.4±4.5)岁。按区组随机方法决定先用印刷品阅读(19人)和先用远像光屏阅读(20人),先后阅读打印在纸张上(印刷品)的和显示在远像光屏上的数字校正表,之间休息2 h。记录阅读速度、阅读效率及阅读正确率,记录每次阅读前后的视力(最小分辨角的对数)、屈光度数、闪光融合频率(CFF)、视疲劳评分、立体式锐度等的变化值。定量资料的比较采用配对t检验。结果受试者阅读印刷品的阅读速度、阅读正确率、阅读效率分别为(41.2±11.6)组/min、80.7%±13.3%和(32.4±7.4)组/min,阅读远像光屏的阅读速度、阅读正确率、阅读效率分别为(41.7±11.1)组/min、76.4%±12.6%和(31.1±6.4)组/min,阅读速度(t=-0.462,P=0.648)和阅读效率(t=1.954,P=0.058)的差异无统计学意义,阅读正确率的差异有统计学意义(t=2.226,P=0.032)。受试者在阅读印刷品后右眼和左眼视力分别下降0.014±0.032、0.013±0.050,而阅读远像光屏后分别提高0.007±0.033、0.007±0.036,差异均有统计学意义(右眼t=2.592,P=0.013;左眼t=2.154,P=0.038)。阅读印刷品后右眼、左眼近视度数分别增加(0.07±0.29)和(0.06±0.24)D,阅读远像光后则分别增加(0.01±0.29)和(0.02±0.28)D;阅读印刷品后CFF降低(0.1±1.0)Hz,阅读远像光屏后增加(0.3±1.2)Hz;阅读印刷品和远像光屏后视疲劳主观量表评分均增加;但两者比较差异均无统计学意义(均P>0.05)。结论使用远像光屏进行阅读不影响阅读效率或额外增加视疲劳的程度,能够避免近距离阅读印刷品引起的视力的下降。
简介:摘要目的采用血清代谢指纹采集方法筛选肺癌相关差异调控代谢物,为肺癌诊断提供候选标志物。方法在上海长海医院开展队列入组工作,共纳入2021年1月27日至6月4日的228例受试者,其中包括初诊确认肺癌患者97例和健康体检人群131名。根据标准流程采集入组队列血清样本,并通过分层随机抽样,将入组队列分为训练集和完全独立的验证集。采用纳米辅助激光解吸电离质谱对血清样品进行代谢指纹图谱采集。对训练集样本年龄、性别进行质量控制后,通过机器学习算法构建基于血清代谢指纹图谱的诊断模型,并采用受试者工作特征(ROC)曲线评价模型的分类效能。结果通过新型纳米辅助激光解吸电离质谱,可在1 min内完成血清样品的代谢指纹提取,过程仅需消耗1 μl原始血清。针对训练集,基于此构建的分类器诊断肺癌的ROC曲线下面积(AUC)为0.92(95%CI 0.87~0.97),敏感度为89%,特异度为89%。在独立验证队列中,AUC为0.96(95%CI 0.90~1.00),敏感度为91%,特异度为94%,没有表现出性能损失。确定了由5个代谢物组成的标志物组合,展示了肺癌患者的独特代谢模式。结论本研究结合血清代谢指纹图谱和机器学习建立了肺癌的诊断模型,用于区分肺癌患者以及健康对照,可用于临床的体外诊断。