仿真滤线栅及图像增强后处理算法用于改善儿童低剂量X线片图像质量

目的 观察以仿真滤线栅（SG）和图像增强（SE）改善儿童低剂量X线片图像质量的价值。方法 回顾性分析344例接受410次床旁X线检查的重症监护病房患儿资料,包括290幅胸部平片、51幅腹部平片及69幅胸腹联合平片;分别以SG和SE对图像进行后处理,评估后处理图像质量。结果 410幅SG后处理图像中,2分250幅、1分147幅、0分13幅;SG可显著改善年龄≥1岁和体质量≥10 kg患儿图像质量（P 均＜0.05）,且显示骨骼、气管、外周血管、异物、腰大肌和肠道气体效果较好（P 均＜0.05）。410幅SE后处理图像中,2分250幅、1分58幅、0分102幅;SE可显著改善年龄≥0.5岁和体质量＞4 kg患儿图像质量（P 均＜0.05）,且显示骨骼、气管、大血管、外周血管、心脏后血管和异物效果较好（P 均＜0.05）。结论 SG可显著改善低剂量X线片显示年龄≥1岁和体质量≥10 kg儿童骨骼、气管、外周血管、异物、腰大肌和肠道气体的质量,而SE则可改善显示年龄≥0.5岁和体质量＞4 kg儿童骨骼、气管、大血管、外周血管、心脏后血管和异物的质量。     

社区获得性肺炎病原学及耐药现状研究进展

社区获得性肺炎（CAP）是亚洲成人病死的主要原因之一。近年来,尽管诊断技术在不断进步,新型抗菌药物陆续上市,但CAP的发病率和病死率仍然较高。不同研究中CAP病原菌分布各有不同,耐药情况也有所差异。本文对社区获得性肺炎的病原学及耐药现状进行综述,为临床治疗提供参考。     

120例急性胸部创伤的X线诊断

目的:加强对急性胸部创伤的认识,提高诊断。方法:本组120例均有较完整临床、X线资料,对其主要的X线征象从发生机理及病理基础上进行了分析和讨论。结果:本病有12种常见X线表现,肋骨骨折88.3％(106／120),纵隔血肿1.6％(2／120),肺挫伤40％(48／120),气胸血气胸18.3(22／120),湿肺35％(42／120),胸腔积液41.6％(50／120),支气管断裂13.3％(16／120),膈疝1.6％(2／120),肺囊肿5％(6／120),肺不张8.3％(10／120),肺血肿8.3％(10／120),皮下软组织积气16.6％(20／120),其他骨折25％(30／120)。结论:所有急性胸部创伤均有一定的特征性X线表现,紧密结合临床,有助于提高诊断的准确性。     

儿童单侧肺动脉缺如X线平片及CT表现

目的探讨先天性单侧肺动脉缺如(UAPA)的X线平片及CT表现。方法回顾性分析14例UAPA患儿的影像学资料,观察其X线平片及CT平扫特征。结果 X线平片:患侧肺体积减小9例(9/14,64.29%),透光度减低7例(7/14,50.00%),肺纹理较健侧稀疏9例(9/14,64.29%),合并肺部感染4例(4/14,28.57%);CT平扫:患侧肺体积减小12例(12/14,85.71%),透光度减低7例(7/14,50.00%),肺纹理纤细9例(9/14,64.29%),肺动脉主干缺如1例(1/14,7.14%),合并肺实变、间质改变8例(8/14,57.14%),合并肺内囊变3例(3/14,21.43%)。结论 UAPA的X线平片和CT平扫图像具有一定特征,对诊断UAPA具有重要提示作用。     

人工智能辅助X线识别对骨科的应用价值研究进展

成像作为评估肌肉骨骼病情的重要工具,从对疾病的患病风险评估到对疾病及病情进展的判断以及预后评分等均起到重要作用,伴随人工智能(artificial intellegence,AI)在图像检测和图像解释领域中的迅速发展,一些涉及肌肉骨骼X射线成像的AI辅助识别研究已经检验并显示了很高的潜在价值,可增强X射线成像价值链的各个部分,可通过提高成像效率、成像质量和诊断准确性对临床医生起指导性作用。目前,AI辅助成像识别技术发展仍处在早期阶段,AI算法需要进一步的提升和发展,影像数据仍不足且质量存在较大异质性,技术性能的长期准确性和稳定性需要进一步观察研究。     

多发伤中胸部损伤的CT和X线平片诊断价值分析

目的：探讨多发伤中胸部创伤的X线和CT诊断价值。方法：对46例多发伤中胸部伤患者进行临床、X线平片、CT扫描诊断，对X线平片与CT片进行对比分析。结果：CT表现为肺挫伤39例，肺撕裂伤6例，膈疝4例，X线分别漏、误诊18例、4例和4例，CT漏诊骨折11例。结论：CT能明确胸部创伤病变的部位、性质、程度，敏感性和特异性较X线平片高，能为临床提供更多可靠的诊疗依据，为多发伤中胸部创伤最重要的检查方法之一。     

胸部CT与X线检查诊断胸部闭合性损伤的价值分析

目的探讨胸部CT与X线检查诊断胸部闭合性损伤的临床价值。方法选择76例胸部闭合性损伤患者为研究对象,所有患者均接受胸部CT和X线检查,比较二者对于胸部闭合性损伤的诊断价值。结果患者均经临床确诊,其中肋骨骨折66例,血气胸21例,肺不张8例,肺挫裂伤32例,创伤性湿肺9例,膈肌破裂2例。其中胸部CT对于肺不张、血气胸、肺挫裂伤和创伤性湿肺方面的准确率明显高于胸部X线,比较差异均有统计学意义(均P0.05)。2组对于肋骨骨折和膈肌破裂的诊断准确率差异无统计学意义(均P0.05)。结论胸部CT在诊断血气胸、肺不张、肺挫裂伤和创伤性湿肺方面较X线更为准确,可结合患者临床症状及病情合理选择,部分疾病在条件允许的情况下应选择更为准确而有效的CT检查,以提高诊断率和治疗效果。     

儿童肘关节X线片中的肱桡关系

目的　研究肘关节X线片中肱桡关系划线是否中断作为诊断儿童肘部损伤的重要参考依据。方法　报道 2 1例 2～ 8岁儿童的 42肘正常肘关节X线片 5 4张 ,在摄前后位和侧位X线片时分别采用不同位置 ,划线得出与肱骨小头中心相交、非中心相交、相切、相离的不同结果。结果　正位X线片中 ,桡骨颈纵轴延长线与肱骨小头骨骺中心相交仅仅出现在标准位即前臂旋后 90°时 ,其它位置均出现非中心相交 ,相切或相离 ,侧位X线片中 ,中心相交出现在肘关节屈曲 6 0°～ 12 0°位置。结论　儿童肘部损伤时 ,由于难于配合或投照因素 ,临床医师不得不接受大量非标准位X线片 ,肱桡关系划线非中心相交时 ,必须考虑上述因素 ,避免误诊、漏诊。     

基于深度学习人工智能辅助系统用于CT检出肋骨新鲜骨折

目的 观察基于深度学习的人工智能(AI)辅助系统用于CT检出肋骨新鲜骨折的效能。方法 由2名高年资影像科医师对1 000例急诊CT所示肋骨新鲜骨折患者进行逐层标注,再由另2名高年资医师进行审核;将图像导入深睿医疗Dr.Wise^®骨折CT影像辅助检测系统(简称Dw_AI)。于1 000例中随机抽取60例(40例肋骨新鲜骨折、20例无骨折)作为数据集2,以其余940例为数据集1(902例肋骨新鲜骨折、38例无骨折)。由1名影像科主任医师(CR)基于数据集1独立评估肋骨新鲜骨折,将其结果与Dw_AI结果进行对比,评估Dw_AI的效能。由2名低年资和2名中等年资医师参与多阅片者多病例(MRMC)临床试验,基于数据集2,分别于病灶、肋骨和患者级别评估Dw_AI辅助不同年资医师诊断的效能。结果 数据集1 全部940例中, 2 946支肋骨存在3 452处新鲜骨折;Dw_AI对各级别肋骨新鲜骨折的敏感度均高于CR(P均＜0.05)。数据集2全部60例中,112支肋骨存在123处新鲜骨折;Dw_AI辅助下,不同年资医师诊断各级别肋骨新鲜骨折的敏感度均有所提高(P均＜0.05)。结论 AI辅助系统用于CT检出肋骨新鲜骨折的效能较佳,且能提高医师、尤其低年资医师的诊断敏感度。     

人工智能辅助低年资放射科医师检出乳腺病变

目的观察人工智能(AI)辅助对低年资放射科医师检出乳腺X线片中乳腺病灶的价值。方法回顾性分析73例接受乳腺X线摄影检查的女性患者。由3名低年资放射科医师首先分别阅片,之后于AI辅助下再次阅片,勾画乳腺病灶区域;统计检出病灶数,记录病灶类型及乳腺影像报告和数据系统(BI-RADS)分类。以病理结果或随访最终临床诊断为标准,对比医师单独阅片与AI辅助阅片检出乳腺病灶的敏感度和准确率及对不同类型、不同BI-RADS分类病灶的诊断效能。结果 73例共121个乳腺病灶,其中软组织病灶(包括肿块、结构扭曲与不对称病灶)88个、钙化病灶33个;BI-RADS 2类17个,3类66个,4类及以上38个。与医师单独阅片相比,AI辅助阅片对全部乳腺病灶、特别是软组织病灶的诊断敏感度和准确率均显著提升(P均0.01),而对乳腺钙化病灶的敏感度和准确率差异均无统计学意义(P均0.05)。结论 AI辅助有助于提高低年资放射科医师检出乳腺X线片中乳腺病灶、尤其软组织病灶的效能。     

Artificial intelligence and avian influenza: Using machine learning to enhance active surveillance for avian influenza viruses

Influenza A viruses are one of the most significant viral groups globally with substantial impacts on human, domestic animal and wildlife health. Wild birds are the natural reservoirs for these viruses, and active surveillance within wild bird populations provides critical information about viral evolution forming the basis of risk assessments and countermeasure development. Unfortunately, active surveillance programs are often resource‐intensive, and thus, enhancing programs for increased efficiency is paramount. Machine learning, a branch of artificial intelligence applications, provides statistical learning procedures that can be used to gain novel insights into disease surveillance systems. We use a form of machine learning, gradient boosted trees, to estimate the probability of isolating avian influenza viruses (AIV) from wild bird samples collected during surveillance for AIVs from 2006 to 2011 in the United States. We examined several predictive features including age, sex, bird type, geographic location and matrix gene rRT‐PCR results. Our final model had high predictive power and only included geographic location and rRT‐PCR results as important predictors. The highest predicted viral isolation probability was for samples collected from the north‐central states and the south‐eastern region of Alaska. Lower rRT‐PCR Ct‐values are associated with increased likelihood of AIV isolation, and the model estimated 16% probability of isolating AIV from samples declared negative (i.e., ≥35 Ct‐value) using the rRT‐PCR screening test and standard protocols. Our model can be used to prioritize previously collected samples for isolation and rapidly evaluate AIV surveillance designs to maximize the probability of viral isolation given limited resources and laboratory capacity.     

Consensus document on community-acquired pneumonia in children. SENP-SEPAR-SEIP

Community-acquired pneumonia (CAP) is a prevalent disease among children and is frequently associated with both diagnostic and therapeutic uncertainties. Consensus has been reached between SEPAR, SENP and SEIP, and their conclusions are as follows:Etiology depends mainly on age and other factors and no single analytical marker offers absolute diagnostic reliability.In the event of clinical suspicion of pneumonia in a healthy child, chest X-ray is not necessary. Chest ultrasound is increasingly implemented as a follow-up method, and even as a diagnostic method.The empirical antibiotic treatment of choice In typical forms of the disease is oral amoxicillin at a dose of 80 mg/kg/day for 7 days, while in atypical presentations in children older than 5 years, macrolides should be selected. In severe typical forms, the combination of 3rd generation cephalosporins and cloxacillin (or clindamycin or vancomycin) administered intravenously is recommended.If pleural drainage is required, ultrasound-guided insertion of a small catheter is recommended. Intrapleural administration of fibrinolytics (urokinase) reduces hospital stay compared to simple pleural drainage.In parapneumonic pleural effusion (PPE), antibiotic treatment combined with pleural drainage and fibrinolytics is associated with a similar hospital stay and complication rate as antibiotic treatment plus video-assisted thoracoscopy (VATS).Systematic pneumococcal conjugate vaccination is recommended in children under 5 years of age, as it reduces the incidence of CAP and hospitalization for this disease.     

基于深度学习的计算机辅助诊断系统检出DR胸部正位片中的骨折

目的 观察基于深度学习的计算机辅助诊断系统（DL-CAD）检出DR胸部正位片中骨折的效能及其对低年资放射科医师的辅助作用。方法 ①试验1：回顾性收集547例DR胸部正位片,其中361例存在胸部骨折（共983处骨折）、186例无胸部骨折,评估DL-CAD对骨折的预测性能。②试验2：随机选取试验1中的397例DR胸片,其中211例存在胸部骨折（共604处骨折）、186例无胸部骨折,记录并比较单独DL-CAD（1组）、单独低年资医师（2组）、DL-CAD辅助低年资医师（3组）、单独高年资医师（4组）的检出结果。结果 ①试验1：983处骨折中,DL-CAD识别出672处,正确识别641处,误诊31处,敏感度65.21%（641/983）,F值为77.46%;361例骨折患者中,DL-CAD识别出320例,正确识别314例,误诊6例,敏感度86.98%（314/361）,F值92.22%。②试验2：1、2、3、4组观察者检出骨折的敏感度分别为62.09%（375/604）、61.59%（372/604）、86.75%（524/604）和83.44%（504/604）,F值分别为75.38%、74.62%、90.74%及89.84%;3、4组检测效能均高于1、2组（P均<0.001）,而1组与2组间、3组与4组间差异均无统计学意义（P均>0.05）。结论 DL-CAD对DR胸部正位片中骨折的检出效果较好,且可有效提高低年资放射科医师对胸部骨折的检出效能。