基于支持向量机超声多模态诊断肾疾病的研究

目的：比较支持向量机（support vector machine，SVM）和传统的Logistic回归构建基于常规超声、彩色多普勒超声和弹性成像多模态联合诊断肾脏疾病的诊断能力。 方法：收集有病理诊断的肾脏疾病患者94例及正常对照组109例，分别进行常规超声、彩色超声和剪切波弹性检查。建模的方法采用支持向量机和Logistic回归。其中SVM法根据随机数字法分为3：1两组，153例作为训练样本，进行单因素变量判断和模型建立，50例患者作为验证样本，用于评价根据训练样本建立的SVM模型预测效果。结果：共入组203例患者，Logistic回归中左肾皮质弹性硬度和右肾宽度进入回归方程，Logistic回归模型准确性83.74%，支持向量机模型的诊断准确性85.10%，二者具有相似的诊断能力。 结论：多模态超声具有较高的肾脏疾病诊断效能，支持向量机和Logistic模型具有相似的诊断能力。     

基于深度学习的超声影像诊断对终末期慢性肾病的价值

目的探讨基于深度学习的卷积神经网络模型DenseNet121对终末期肾病的诊断价值。 方法回顾性选择2019年1月1日至9月30日期间中日友好医院诊断为终末期肾病的489张肾超声影像和对照组450张健康肾超声影像。采用深度卷积神经网络模型DenseNet121进行网络的训练和验证,把是否为终末期肾病作为参考标准。然后将深度学习模型的诊断结果与专业影像医师的诊断结果进行比较。以受试者工作特征曲线（ROC）评价深度学习模型的诊断性能,以准确性、特异度、敏感度和曲线下面积（AUC）作为衡量指标比较深度学习模型和专业影像医师的诊断性能,采用Delong方法比较2种诊断方式AUC的差异。 结果专业医师对终末期肾病诊断的准确性为89.36%,敏感度为81.63%,特异度为97.77%,AUC为0.897。基于深度学习的卷积神经网络模型对终末期肾病诊断的准确性为93.51%,敏感度为96.12%,特异度为90.66%,AUC为0.934;与专业医师相比,具有更高的诊断能力（Z=3.034,P=0.002）。 结论基于深度学习的超声诊断方法显示了较高的诊断性能,有潜力辅助专业影像医师,进行终末期肾病的诊断。     

基于支持向量机多模态超声模型诊断肾疾病

目的 比较基于支持向量机（SVM）和传统Logistic回归法基于常规超声、彩色多普勒超声和弹性成像参数构建的多模态超声模型诊断肾脏疾病的效能。方法 收集94例肾脏疾病患者（肾病组）及无肾脏疾病的对照组患者109名，分别进行常规超声、彩色超声和剪切波弹性检查。采用Logistic回归法和SVM构建模型。利用随机数字法将全部201例患者按照3：1分为2组，以其中153例为训练样本，进行单因素变量判断和建立SVM模型；以50例为验证样本，评价SVM模型的预测效果。结果 Logistic回归方程纳入左肾皮质弹性硬度和右肾宽度。Logistic回归模型预测肾脏疾病的准确率为83.74%，SVM模型为85.10%（χ²=0.21，P=0.65）。结论 多模态超声对于肾脏疾病具有较高诊断效能；SVM和Logistic模型的诊断效能相似。     

精益管理在甲状腺穿刺预约流程优化中的应用

目的利用精益管理理论,优化甲状腺穿刺预约流程。方法以2019年6月至2019年9月中日友好医院超声科行甲状腺穿刺预约的患者为研究对象。分定义、测量、分析、改进和控制5个阶段进行。随机纳入流程改进前50例患者为对照组,流程改进后50例患者为研究组,共收集100例患者,比较两组患者的预约流程总时间,预约流程总行走距离与往返次数,以及患者满意度。结果改进后患者预约流程总时间由(58.6±31.5)min降为(32.5±12.8)min,患者满意度评分由3.3分升高至4.3分;行走距离由(90~546)m变为(94~219)m,其中涉及超声科开检查申请单和缴费行走距离由(78~149)m降为7 m;总排队次数从3~7次降为1~2次。结论基于精益管理优化方法,可以优化穿刺患者预约诊流程,提高患者满意度,有利于医院整体资源更高效运行。     

CEUS定性及定量诊断甲状腺结节

目的 探讨CEUS目测定性法与时间-强度曲线(TIC)定量法诊断甲状腺结节良恶性的临床价值。方法 对81例94个取得病理诊断结果的甲状腺实性结节术前行CEUS,分别采用定性法、定量法观察各指标,进行单因素分析后采用Logistics回归行多因素分析;采用ROC曲线比较定性法及定量法。结果 定性法中动脉期增强程度、增强时相、实质期增强程度及环形强化诊断甲状腺良恶性结节差异有统计学意义(P<0.05);定量法中,始增时间、相对始增时间(rRT)、峰值强度(IMAX%)、峰值时间、相对峰值时间诊断甲状腺良恶性结节差异有统计学意义。定性法动脉期增强程度对鉴别良恶性结节差异有统计学意义(P<0.001)。定量法中,IMAX%(P=0.006)和rRT(P=0.004)对鉴别结节良恶性差异有统计学意义。定性法及定量法诊断甲状腺恶性结节准确率分别为73.40%(69/94)和79.79%(75/94)。定性法和定量法ROC曲线下面积分别为0.756和0.868(P=0.002)。结论 甲状腺结节CEUS TIC定量法诊断能力优于定性法。定量法中甲状腺结节增强IMAX%减低和rRT增加对诊断恶性结节最有意义。