基于多维度特征融合的深度学习骨龄评估模型

目的 通过基于特征提取的深度卷积神经网络,结合关键区域特征和人口学信息,评估儿童骨龄。方法 自动识别左手X线图像数据,对图像进行预处理,使用基于深度神经网络的X线图像分析方法,实现左手关节骨龄17个关键区域特征的自动提取,再将骨龄影像特征与临床大数据（人口统计、性别）融合训练骨龄评估模型,测试模型的评估效能。结果 使用基于深度学习的特征区域提取方法比传统图像分析方法可以更好地提取特征信息,结合临床信息从另一维度补充了骨龄发育信息。基于多维度数据特征融合的骨龄评估模型检测得到的骨龄平均绝对误差为0.455,优于传统方法和仅端到端的深度学习方法。结论 相较传统的机器学习特征提取方法,基于特征提取的深度卷积神经网络在骨龄回归模型上有更好的表现,结合人口和性别信息可进一步提升基于图像的骨龄预测准确率。     

应用Logistic回归模型评价超声弹性成像在乳腺结节鉴别诊断中的应用价值

目的 运用Logistic回归模型筛选出能够鉴别乳腺结节良恶性的超声声像图特征,并建立以声像图特征为自变量的Logistic回归模型,评价常规超声及超声弹性成像在乳腺结节良恶性鉴别诊断中的应用价值。方法 收集首都医科大学宣武医院2014年1月~2015年12月136例女性乳腺结节手术患者的临床资料,对患者乳腺结节的二维、彩色多普勒及超声弹性成像检查图像进行回顾性分析,以病理结果为金标准,建立回归模型。比较进入方程中的变量的优势比（OR）,评价各变量尤其是弹性成像的鉴别诊断效能。结果 利用Logistic回归分析评价各个超声特征,筛选出毛刺征、微钙化、血流分级及弹性评分4个在乳腺结节良恶性鉴别诊断中有统计学意义的特征变量,其中弹性评分的OR值高于其他自变量。结论 应用Logistic回归模型筛选出对乳腺结节病理性质有鉴别诊断意义的特征变量,超声弹性成像较其他超声特征更有优势,联合应用超声弹性成像及二维声像图特征对于乳腺结节的确诊具有重要临床意义。     

乳腺癌中DLL4的表达与临床病理参数及腋窝淋巴结转移的关系

目的探讨乳腺癌中血管生长因子(DLL4)的表达及其与临床病理参数和腋窝淋巴结转移的关系。方法免疫组化法检测132例乳腺癌组织及40例癌旁组织中DLL4的表达情况,分析DLL4的表达与乳腺癌患者临床病理参数和腋窝淋巴结转移的相关性。结果乳腺癌患者中DLL4的高表达率为56.8%,显著高于癌旁组织组(13.8%)。DLL4的高表达率与乳腺癌患者腋窝淋巴结转移以及TNM分期呈正相关。DLL4高表达是乳腺癌患者出现腋窝淋巴结转移的独立预测因子(OR=3.726,95% CI:1.751~7.929,P=0.001)。结论乳腺癌组织中DLL4呈高表达的患者的恶性程度较高,更易出现腋窝淋巴结转移。     

超微血管三维立体成像对乳腺癌的诊断价值

目的 探讨超微血管三维立体成像（Smart 3D SMI）鉴别乳腺肿物良恶性的价值。方法 选取2019年2月至2020年4月于大连医科大学附属第一医院病理确诊的106例患者（114个乳腺肿物），均行Smart 3D SMI检测，观察肿瘤微血管的三维形态，与病理结果对比，评价其诊断作用。结果 114个乳腺肿物中良性肿物60个，Smart 3D SMI显示血管形态以线型（14个）、树枝型（24个）和无血管型（16个）为主；乳腺癌肿54个，血管形态以残根型（19个）和蟹足型（16个）为主，其血管形态分布差异有统计学意义（χ²=38.78，P<0.01）。Smart 3D SMI诊断乳腺癌的敏感度、特异度、阳性预测值及阴性预测值分别为64.8%、90.0%、85.4%、74.0%。结论 Smart 3D SMI可显示乳腺肿物微血管的三维形态学特征，对乳腺癌有较高的诊断价值。     

血清Six1与乳腺癌临床病理特征的关系研究

目的 研究乳腺癌患者血清中的Six1（sine oculis homeobox homolog 1）水平,探讨其与乳腺癌临床病理特征的关系。方法 应用酶联免疫吸附试验（ELISA）方法检测原发性乳腺癌患者（60例）、乳腺良性疾病患者（45例）和正常对照者（20例）的血清Six1水平。结果 乳腺癌患者血清中Six1水平明显高于乳腺良性疾病患者及正常对照者,且乳腺良性疾病患者血清Six1水平也高于正常对照者（P<0.05）。乳腺癌患者血清中Six1高水平与肿瘤TNM分期、组织学分级以及淋巴结转移有关（P<0.05）,与年龄、肿瘤直径无关（P>0.05）。结论 Six1与乳腺癌的发生及其侵袭转移具有相关性,其变化在乳腺癌的转移和预后评测中起重要作用。     

基于句子级Lattice-长短记忆神经网络的中文电子病历命名实体识别

目的 提出一种基于Re-entity新分词方法的条件随机场（CRF）模型,并与双向长短记忆神经网络（BiLSTM）-CRF和Lattice-长短记忆神经网络（LSTM）进行比较。方法 比较了现有实体识别方法和模型后,针对2018年全国知识图谱与语义计算大会（CCKS2018）任务一“电子病历命名实体识别”,提出基于Re-entity的CRF、BiLSTM-CRF、Lattice-LSTM方法,并在不同语料库训练不同参数级别的字符向量集。分别将各方法引入神经网络模型中进行模型性能对比实验,最后分别基于句子级和篇级输入句长进行对比研究。结果 CRF模型在最优特征工程的结果下引入Re-entity方法后性能得到提高,句子级的Lattice-LSTM模型在该任务上取得了89.75%的严格F1-measure,优于CCKS2018任务一的最高结果（89.25%）。结论 基于Re-entity新分词方法的CRF模型可利用中文临床药物知识库有效提高电子病历中药物的识别率,Re-entity方法可改善数据预处理阶段分词导致的错误累加,Lattice结构可以更好地结合字符和词序列的潜在语义信息,同时句子级输入能有效提高神经网络模型的识别准确率。     

SyK和HGF在乳腺癌中表达及临床意义

目的 研究脾酪氨酸激酶（spleen tyrosine kinase,SyK）和肝细胞生长因子（hepatocyte growth factor,HGF）在乳腺癌表达及临床意义。方法 采用免疫组织化学方法分别检测120例乳腺癌组织、100例正常乳腺组织、100例纤维腺瘤组织之间的SyK和HGF蛋白表达,分析乳腺癌组织中二者的表达水平与临床病理学特征的关系。结果 120例乳腺癌组织中SyK、HGF的表达率分别为30.0%、68.3%,100例正常乳腺组织表达率分别为60%、33%,100例纤维腺瘤组织表达率分别为63%、36%,SyK、HGF的表达率在乳腺癌组织与其他两组之间比较,差异有统计学意义（P<0.01）;而二者表达率在正常乳腺组织与纤维腺瘤组织之间比较,差异无统计学意义（P>0.05）。SyK、HGF的表达与乳腺癌临床分期、淋巴结转移相关（P<0.05）,与年龄、肿块直径及脉管侵犯无关（P>0.05）。随乳腺癌临床分期越晚、有淋巴结转移者,SyK表达率缺失越明显,HGF的表达水平依次升高,差异有统计学意义（P<0.05）。在乳腺癌中SyK与HGF之间表达呈负相关（r=-0.649,P<0.01）。结论 SyK的表达缺失及HGF在乳腺癌的表达增高与乳腺癌的增殖、侵袭和转移等生物学行为密切相关,联合检测SyK、HGF在乳腺癌组织中的表达情况有助于乳腺癌的早期诊断及预后的判断。     

超声特征在乳腺癌筛查中的应用价值

目的 分析乳腺超声特征在乳腺癌筛查中的应用价值。方法 选择2018年10月至2021年12月在中国科学院合肥肿瘤医院甲乳外科住院治疗的60例乳腺疾病患者,所有患者均进行乳腺彩超检查,并经手术或者穿刺病理确诊,根据患者病理诊断分为良性病变(A组,n=30例)和乳腺癌患者(B组,n=30例)。对比两组患者术前超声声像图特征,以病理诊断为金标准,采用受试者工作特征(ROC)曲线探讨乳腺特征在乳腺癌诊断中的价值。结果 B组患者纵横比≥1、后方回声衰减、微小钙化灶、边界不清晰、形态不规则、内部回声不均超声特征出现的阳性率均高于A组,差异有统计学意义(P<0.05)。ROC曲线显示这些乳腺超声特征在乳腺癌诊断中均具有应用价值,其中特异度最高的是纵横比≥1、后方回声衰减,微钙化。三项联合诊断的AUC面积为0.968,特异度90.00%,灵敏度为96.70%。结论 乳腺肿块超声肿纵横比≥1、后方回声衰减、微小钙化灶三项联合诊断灵敏度优于其他指标,有一定参考价值。     

中药材指纹图谱的一种产地信息研究新方法——雷达特征峰

目的 对中药材色谱指纹图谱潜在信息进行发掘研究,通过“雷达特征峰”表述指纹图谱蕴含的中药材产地信息。方法 采用黄芩指纹图谱研究数据和文献报道的其他药材指纹图谱数据进行“雷达特征峰”分析。结果 从指纹图谱中各化学成分的比例关系所映射出的“雷达图”中,可以清晰地区别不同产区的黄芩。结论 通过“雷达特征峰”可以区别不同产地的药材。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

多参数半定量超声评估乳腺癌新辅助化疗疗效的价值

目的探讨多参数半定量超声评价乳腺癌新辅助化疗(NAC)疗效的价值。方法选择2017年1月至2019年1月在安徽医科大学第一附属医院乳腺外科接受NAC治疗后手术的35例乳腺癌患者为研究对象,NAC前后行常规灰阶、彩色多普勒超声结合弹性成像超声检查,采用灰阶病灶大小变化评分、彩色多普勒评分及弹性评分系统评估NAC疗效。以术前和术后病理为参考标准。结果 NAC后,病灶大小较NAC前缩小,彩色多普勒评分及弹性评分降低,差异有统计学意义(P <0. 05)。多参数半定量超声评估NAC疗效的灵敏度、特异度分别为88. 89%、87. 50%,其受试者工作特征曲线下最大面积为0. 953。多参数半定量超声评估结果与病理学分级存在负相关(r=-0. 729,P <0. 001)。结论多参数半定量超声可准确评估乳腺癌患者NAC后疗效。     

高表达人源Her2乳腺癌小鼠模型的建立及鉴定

目的 构建并鉴定高表达人源Her2乳腺癌转基因小鼠模型.方法 构建pMD18T-MMTV-huHER2-EGFP转基因构件,通过原核显微注射方法将线性化、纯化后的外源质粒pMD18T-MMTV-huHER2-EGFP注射入C57BL/6J小鼠受精卵中,胚胎移植至同期发情的假孕受体母鼠输卵管内,获得子代小鼠.采用PCR鉴定子代小鼠尾部组织基因组DNA,用蛋白质免疫印迹法检测乳腺组织Her2蛋白的表达,通过组织病理学切片观察转基因小鼠乳腺组织的病理学变化.结果 经PCR方法检测得到转基因阳性小鼠.蛋白质免疫印迹结果显示,与野生型小鼠相比,F2代阳性小鼠的乳腺组织中Her2蛋白高表达.病理组织切片表明25周龄阳性小鼠的乳腺组织已经出现明显的癌变倾向.结论 高表达人源Her2乳腺癌小鼠模型成功建立并能稳定遗传,可自发形成乳腺癌,其生物学特性和病理学改变与人乳腺癌相近,可作为研究乳腺癌发生发展的动物模型.     

深度学习图像分割算法在胃癌病理切片中的可行性分析

目的 采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别。方法 以U-Net网络为基本架构设计更深层次的胃癌病理切片分割算法模型Deeper U-Net （DU-Net）。采用区域重叠分割法将数据集分割成若干小块图片,然后利用预先训练好的DU-Net网络模型对分割的小图片块进行初次分割,并使用图片分类器清除假阳性样本,重新合成新样本。采用重复学习的方法使用新样本进行多次重复训练,将得到的结果应用全连接条件随机场（CRF）进行后续处理。最终得到胃癌分割图片并验证结果。结果 经过3次重复学习后,DU-Net网络模型的平均精度为91.5%,平均交叉联合度量（IoU）为88.4%;相比于未经重复学习的基础DU-Net模型,其平均精度提升了5.6%,平均IoU提升了2.9%。结论 基于深度学习的胃癌病理切片分割算法实现了精准的分割,提高了模型的泛化能力和鲁棒性,可用于辅助胃癌病理诊断。     

Deep learning applied to two-dimensional color Doppler flow imaging ultrasound images significantly improves diagnostic performance in the classification of breast masses: a multicenter study

BackgroundThe current deep learning diagnosis of breast masses is mainly reflected by the diagnosis of benign and malignant lesions. In China, breast masses are divided into four categories according to the treatment method: inflammatory masses, adenosis, benign tumors, and malignant tumors. These categorizations are important for guiding clinical treatment. In this study, we aimed to develop a convolutional neural network (CNN) for classification of these four breast mass types using ultrasound (US) images.MethodsTaking breast biopsy or pathological examinations as the reference standard, CNNs were used to establish models for the four-way classification of 3623 breast cancer patients from 13 centers. The patients were randomly divided into training and test groups (n = 1810 vs. n = 1813). Separate models were created for two-dimensional (2D) images only, 2D and color Doppler flow imaging (2D-CDFI), and 2D-CDFI and pulsed wave Doppler (2D-CDFI-PW) images. The performance of these three models was compared using sensitivity, specificity, area under receiver operating characteristic curve (AUC), positive (PPV) and negative predictive values (NPV), positive (LR+) and negative likelihood ratios (LR−), and the performance of the 2D model was further compared between masses of different sizes with above statistical indicators, between images from different hospitals with AUC, and with the performance of 37 radiologists.ResultsThe accuracies of the 2D, 2D-CDFI, and 2D-CDFI-PW models on the test set were 87.9%, 89.2%, and 88.7%, respectively. The AUCs for classification of benign tumors, malignant tumors, inflammatory masses, and adenosis were 0.90, 0.91, 0.90, and 0.89, respectively (95% confidence intervals [CIs], 0.87–0.91, 0.89–0.92, 0.87–0.91, and 0.86–0.90). The 2D-CDFI model showed better accuracy (89.2%) on the test set than the 2D (87.9%) and 2D-CDFI-PW (88.7%) models. The 2D model showed accuracy of 81.7% on breast masses ≤1 cm and 82.3% on breast masses >1 cm; there was a significant difference between the two groups (P < 0.001). The accuracy of the CNN classifications for the test set (89.2%) was significantly higher than that of all the radiologists (30%).ConclusionsThe CNN may have high accuracy for classification of US images of breast masses and perform significantly better than human radiologists.Trial registrationChictr.org, ChiCTR1900021375; http://www.chictr.org.cn/showproj.aspx?proj=33139.     

基于级联区域卷积神经网络算法在肾组织病理切片中对肾小球的识别与定位

目的 基于级联区域卷积神经网络(cascade R-CNN)算法开发一种能自动识别肾组织病理切片图像中肾小球的人工智能(AI)系统,帮助病理医师提高计算肾小球个数与识别肾小球的效率.方法 收集2017-2019年3年内在山西医科大学第二医院和山西医科大学附属人民医院行肾穿刺活检术患者的肾脏病理切片,剔除模糊不清、染色质量差的图像,最终得到1 180张质量无明显差异的六胺银(PASM)染色图像.通过高分辨率全视野数字切片(WSI)获得数字化扫描图像,图像数据通过远程病理系统传输到云端并储存.使用cascade R-CNN方法创建训练集(940张图像)和测试集(240张图像),训练集用于训练AI学习识别肾小球,测试集用于测试和评价cascade R-CNN算法识别出肾小球的精确度和召回率.将测试集的病理切片由3名工作年限至少3年的病理医师阅读,计算医师们识别肾小球的精确度与时间.结果 基于cascade R-CNN网络训练完成的深度学习模型识别每张图像肾小球区域时间为(0.20±0.02)s.精确度、召回率分别为93.90％、98.00％,F1值为95.91％.3名病理医师识别每张图像肾小球区域时间分别为(3.57±0.05)、(4.57±0.07)、(3.98±0.02)s,精确度分别为88.08％、89.69％、89.98％,差异均无统计学意义(P均＞0.05).cascade R-CNN算法识别肾小球的精确度高于3名病理医师的平均精确度(89.25％),差异有统计学意义(t=-5.607,P=0.009).结论 cascade R-CNN算法通过高分辨率WSI可快速有效地识别肾小球,能够帮助病理医师提高肾脏疾病的诊断效率.     

乳腺癌合并细微钙化钼靶X线与彩超影像诊断对比分析

目的:观察钼靶X线与彩超对乳腺癌合并细微钙化的影像表现,比较分析两种诊断方法影像特点,指导临床对乳腺癌合并细微钙化的影像诊断。方法:回顾性分析2011年4月-2012年4月本院收治的60例经临床手术病理证实的乳腺癌合并细微钙化的患者影像学资料,分别采用钼靶X线与彩色多普勒超声两种影像诊断方法,比较两种影像诊断方法对乳腺癌合并细微钙化的准确性及影像特点。结果:钼靶X线对钙化灶的检出率为65.0%,高于彩超的35.0%,差异有统计学意义(P0.05);钼靶X线检出灵敏度为86.67%,超声成像对微小钙化检出灵敏度为46.67%。结论:钼靶X线对乳腺癌合并细微钙化的敏感度高于彩超,对早期诊断乳腺癌有较高的诊断价值,彩超可检出钼靶X线影像检出的假阴性病灶,临床可作为辅助诊断和初步筛查。     

乳腺癌组织中lncRNA MALAT1的表达及临床意义

目的 探讨长链非编码RNA MALAT1在乳腺癌组织中的表达及临床意义。方法 采用实时荧光定量聚合酶链反应（quantitative real-time polymerase chain reaction,qRT-PCR）方法检测64例乳腺癌患者癌组织标本及其对应的癌旁组织标本中MALAT1的表达情况,分析其与乳腺癌的临床病理特征关系以及诊断价值。结果 MALAT1在乳腺癌组织中的表达明显高于癌旁组织（P<0.05）,且癌组织中MALAT1的表达水平与ER、PR表达情况以及淋巴结转移明显相关明显相关（P<0.05）;ROC曲线分析发现AUC为0.706。结论 组织中高表达的MALAT1可作为乳腺癌诊断的一个潜在的新型生物学标志物。