融合空间和多尺度特征的乳腺癌免疫组化Ki-67指数定量分析

  目的  针对乳腺癌免疫组化全视野数字图像(whole slide image, WSI),提出一种智能化定量分析Ki-67指数的方法。  方法  回顾性纳入2020年1—12月北京协和医院乳腺癌患者的病理切片,将其以40倍率扫描为WSI图像,并由2名病理科医生按照2019年国际乳腺癌Ki-67工作组制订的指南对Ki-67指数进行人工判读。按5:8的比例随机将WSI图像分为A、B两个数据集(A数据集按7:1:2比例随机分为训练集、验证集和测试集)。病理科医生对A数据集人工标注热点区域后,40倍视野下将每张WSI随机裁剪为2000个512×512像素的图块,随机选取其中的50个图块,对肿瘤细胞进行标注并计算Ki-67指数。采用条件随机场模型融合图块的空间特征,经ResNet34预训练模型进行特征提取后构建热点区域识别模型,并采用准确率评价其性能。在热点区域内,40倍视野下随机选取10个视野,模型可自动完成细胞分类,并计算Ki-67指数均值。以人工判读结果为金标准,计算模型对B数据集Ki-67指数评估结果的准确率,并采用Bland-Altman法对人工判读与模型分析结果进行一致性评价。  结果  共入选符合纳入和排除标准的乳腺癌患者病理切片132张。其中A数据集50张(训练集、验证集和测试集分别为35张、5张、10张,分别包含图块70 000个、10 000个、20 000个),B数据集82张。模型对测试集热点区域识别的平均准确率为81.5%,对B数据集Ki-67指数计算结果的准确率为90.2%。Bland-Altman法分析显示,人工判读和模型计算的Ki-67指数的一致性良好。  结论  本研究提出智能化定量分析Ki-67指数的方法准确率高,可辅助病理医师实现Ki-67指数的高效判读。     

基于卷积神经网络的病理活检胃癌诊断模型

  目的  基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。  方法  回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视野数字图像(whole slide image, WSI),并按2:2:1的比例随机分为图块分类数据集、切片分类训练集与切片分类测试集。对图块分类数据集病变区域进行标注、图块截取后,按20:1:1的比例随机分为训练集、测试集、验证集。基于Efficientnet和ResNet网络结构构建卷积神经网络(convolutional neural network,CNN)图块级癌与非癌分类模型,并以图块分类准确率、受试者操作特征曲线下面积(area under the curve, AUC)评价该模型的性能。基于此模型拼接获取整张WSI的癌变热力图,提取热力图中切片级癌与非癌分类特征,对LightGBM算法进行训练,最终完成整张胃癌活检切片的诊断与识别,其识别结果以AUC、准确率、灵敏度、特异度进行评价。  结果  共入选符合纳入和排除标准的胃良性疾病(正常胃黏膜、慢性炎症)病理切片500张,胃癌(高级别上皮内瘤变、胃腺癌)病理切片500张。图块分类数据集、切片分类训练集与切片分类测试集WSI分别为400张、400张、200张。图块分类训练集、测试集、验证集图块分别为402 000个、20 000个、20 000个。以Efficientnet-b1网络结构建立的CNN模型对测试集、验证集图块分类的准确率[测试集:91.3%(95% CI: 88.2%~95.4%);验证集:92.5%(95% CI: 89.0%~95.3%)]、AUC[测试集:0.95(95% CI: 0.93~0.98);验证集:0.96(95% CI: 0.92~0.98)]均最高。基于LightGBM算法构建的模型识别整张切片为胃癌的AUC为0.98(95% CI: 0.89~0.98),准确率为88.0%(95% CI: 81.6%~94.3%),灵敏度为100%(95% CI: 88.0%~100%),特异度为67.0%(95% CI: 57.0%~85.0%)。  结论  基于胃活检病理切片建立的CNN诊断模型可对癌变组织进行定位,实现图块级和切片级病变性质精确分类,准确识别胃癌,有望提高病理诊断效率。     

基于多尺度注意力机制的真菌显微图像分类方法

  目的  利用深度学习技术,建立临床常见的侵袭性真菌图像辅助分类模型。  方法  回顾性收集2020年9月—2021年4月解放军总医院第八医学中心曲霉菌属、酵母菌属和新型隐球菌属真菌感染者的显微镜图像,按7∶1.5∶1.5的比例随机分为训练集、验证集和测试集。使用训练集和验证集图像对改进的MobileNetV2网络结构进行训练和参数调试,构建基于多尺度注意力机制的卷积神经网络(convolutional neural network, CNN)真菌图像11分类模型。以机器鉴定结果为金标准,以查准率、召回率和F1值为指标评价该模型对测试集真菌图像的分类效果。将该模型与5种经典CNN模型进行比较,评价指标包括模型参数量、内存占用量、网络每秒处理的图像数量(frames per second, FPS)、准确率及受试者操作特征曲线下面积(area under the curve,AUC)。  结果  共纳入真菌显微镜图像7666张,分别包括曲霉菌属、酵母菌属和新型隐球菌属图像2781张、4115张、770张。其中训练集5366张、验证集1150张、测试集1150张。改进的MobileNetV2模型对测试集11种真菌图像具有较高的分类性能,查准率为96.36%~100%,召回率为96.53%~100%,F1值为97.01%~100%。该模型的参数量、内存占用量分别为4.22 M、356.89 M,FPS为573,准确率为(99.09±0.18)%,AUC为0.9944±0.0018,综合性能优于5种经典网络模型。  结论  本研究提出的真菌图像分类模型,在保持低运算成本的情况下,可获得较高的真菌图像识别能力,其整体性能优于常见的经典模型。     

173例病理性乳头溢液临床病理特点及诊治分析

  目的  分析病理性乳头溢液患者的临床、病理特点及其随诊情况, 以期为临床诊治提供依据。  方法  回顾性收集北京协和医院2015年1月至12月间住院治疗的病理性乳头溢液患者的临床、病理及术后随访资料, 根据乳头溢液的性质将患者分为血性溢液组和非血性溢液组, 比较两组患者的临床、病理特点。  结果  173例符合纳入和排除标准的女性患者入选本研究, 平均年龄(45.65±13.48)岁, 中位病程3(1, 12)个月, 其中血性溢液119例(68.8%, 119/173), 非血性浆液性溢液54例(31.2%, 54/173);术前111例(64.2%, 111/173)经超声检查发现存在病变。血性溢液组和非血性溢液组在年龄、病程、术前体格和钼靶检查结果、术后病理分型等方面差异无统计学意义(P均>0.05);在术前超声检查(是否发现病变)及术后病理诊断(是否为乳腺癌)方面差异存在统计学意义(P=0.012和P=0.045)。血性溢液患者中恶性病变组的年龄更大(P=0.014)。术后中位随访17(14, 20)个月, 病理诊断为乳腺癌的患者均无复发、转移及死亡。  结论  血性溢液提示高乳腺恶性病变风险, 其中年龄较大者乳腺癌风险更高。大部分乳头溢液患者, 特别是血性溢液患者术前超声检查可发现病变。手术治疗是明确诊断并进行治疗的有效手段, 术后预后较好。     

基于矩阵计算的组织病理学图像压缩储存算法

  目的  评价基于矩阵计算的组织病理学图像压缩储存算法的临床应用价值，并寻求最佳图像压缩比。  方法  利用主成分分析法(principal component analysis，PCA)和奇异值分解法(singular value decomposition，SVD)两种经典矩阵算法，对低、中、高分化的宫颈癌组织免疫组化染色图像及HE染色图像进行压缩重建，并采用峰值信噪比和结构相似度针对图像重建质量进行评价。  结果  PCA重建图像压缩比为10.18(保留53个主成分)时，低、中、高分化宫颈癌组织免疫组化染色图像峰值信噪比均值分别为43.84±0.43、43.27±0.25、43.71±0.49，压缩图像结构相似度分别为0.964±0.004、0.963±0.006、0.965±0.005；HE染色图像峰值信噪比均值分别为43.41±0.78、42.95±1.03、43.52±0.69，压缩图像结构相似度分别为0.953±0.010、0.949±0.015、0.960±0.007。SVD重建图像压缩比为10.00(保留128个奇异值)时，低、中、高分化宫颈癌组织免疫组化染色图像峰值信噪比均值分别为39.89±1.69、38.20±2.19、40.90±0.50，压缩图像结构相似度分别为0.949±0.006、0.938±0.011、0.955±0.004；HE染色图像峰值信噪比均值分别为40.31±0.98、39.46±1.59、40.77±1.67，压缩图像结构相似度分别为0.965±0.006、0.943±0.010、0.969±0.005。  结论  采用PCA和SVD可实现对组织病理学图像进行压缩储存并获得较好的图像质量，为解决医院图像存储难题提供了解决方案。     

基于深度学习的宫颈原位腺癌图像识别方法

  目的  基于深度学习算法构建宫颈原位腺癌(cervical adenocarcinoma in situ, CAIS)病理图像诊断模型。  方法  回顾性收集2019年1月至2021年12月中国医科大学附属盛京医院病理科保存的CAIS患者病变组织、慢性宫颈炎患者正常宫颈管腺体病理切片。图像采集后,均按4∶3∶3的比例随机分为训练集、验证集和测试集。使用训练集、验证集数据对VGG16、VGG19、Inception V3、Xception、ResNet50和DenseNet201共6种网络模型进行迁移学习训练和参数调试,构建可识别CAIS病理图像的卷积神经网络二分类模型,并将模型进行组合,构建集成学习模型。基于测试集数据,采用运算时间、准确率、精确率、召回率、F1值、受试者操作特征曲线下面积(area under the curve,AUC)对模型识别CAIS病理图像的性能进行评价。  结果  共入选符合纳入和排除标准的CAIS患者病理切片104张、慢性宫颈炎患者正常宫颈管腺体病理切片90张。共收集CAIS、正常宫颈管腺体病理图像各500张,其中训练集、验证集、测试集图像分别400张、300张、300张。6种模型中,ResNet50模型的准确率(87.33%)、精确率(90.00%)、F1值(86.90%)及AUC(0.87)均最高,召回率(84.00%)居第2位,运算时间较短(2062.04 s),整体性能最佳,VGG19模型次之,Inception V3与Xception模型的性能最差。6种集成学习模型中,ResNet50与DenseNet201集成模型的整体性能最优,其准确率、精确率、召回率、F1值、AUC分别为89.67%、84.67%、94.07%、89.12%、0.90,VGG19与ResNet50集成模型次之。  结论  通过深度学习算法构建CAIS病理图像识别模型具有可行性,其中ResNet50模型的整体性能较高。集成学习可提高单一模型对病理图像的识别效果。     

基于改进的全卷积网络模型预测局部进展期直肠癌新辅助放化疗疗效

  目的  建立基于MRI影像图像预测局部进展期直肠癌(locally advanced rectal cancer，LARC)新辅助放化疗(neoadjuvant chemoradiotherapy，nCRT)后病理学完全缓解(pathological complete response，pCR)模型，以辅助患者个性化治疗方案的制订。  方法  回顾性纳入2013年6月至2018年12月中山大学附属第六医院接受nCRT治疗且行全直肠系膜切除术组织病理对治疗效果进行评定的LARC患者。按1:2的比例将患者依照住院时间先后顺序分为Data A与Data B 2个数据集。其中Data A数据集用于语义分割模型训练，Data B数据集按7:3的比例随机分为训练集和验证集，分别用于pCR预测模型训练与评价。收集Data A数据集病例的T2加权MRI影像资料，采用改进的全卷积网络(fully convolutional networks，FCN)模型对肿瘤区域进行语义分割，建立语义分割模型并提取最终卷积层中的影像特征。采用最小绝对值收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归法对提取的影像特征进行筛选，构建可预测pCR状态的支持向量机(support vector machine，SVM)分类器(预测模型)。以Data B训练集数据为基础，对该预测模型的性能进行训练，进一步在Data B验证集中对其性能进行评价。  结果  共入选符合纳入和排除标准的LARC患者304例，nCRT治疗后82例判定为pCR，222例为非pCR。2013年6月至2015年11月的103例患者为Data A数据集，2015年12月至2018年12月的201例患者为Data B数据集。Data B数据集中，训练集140例、验证集61例。改进的FCN模型对Data B数据集图像分割的Dice值为0.79 (95% CI: 0.65~0.81)，灵敏度为80%(95% CI: 77%~83%)，特异度为72%(95% CI: 64%~85%)。语义分割模型共提取最终卷积层中512个影像特征，经LASSO回归筛选后保留7个，用于pCR状态预测。预测模型在Data B训练集中预测pCR的曲线下面积(area under the curve, AUC)为0.65(95% CI: 0.61~0.71)，在Data B验证集中的AUC为0.69(95% CI: 0.59~0.74)。  结论  本研究提出的改进的FCN模型，对MRI图像进行语义分割具有较高的准确度。基于该方法构建的模型预测LARC患者接受nCRT治疗后pCR状态具有可行性。     

基于复合多聚体材料的缓释局麻药在慢性痛动物模型中的应用

  目的  对复合多聚体材料组成的局麻药缓释载体的药物释放特征和镇痛效果进行测评。  方法  使用静电纺丝技术制备含盐酸布比卡因的PLGA(聚乳酸-羟基乙酸共聚物)缓释膜(静电纺丝膜, M组), 并以PLGA-PEG(聚乙二醇)-PLGA温敏凝胶包裹纺丝膜制备成含盐酸布比卡因的缓释递送系统(凝胶包裹静电纺丝膜形成的复合缓释载体, G组), 评定两组体外释放特征、体内镇痛效果及安全性。  结果  体外条件下, M组对盐酸布比卡因的累积释放时间可达5 d以上, G组累积释放时间可延长至10 d。体内条件下, M组和G组对坐骨神经慢性压迫损伤大鼠模型的镇痛时间均可达14 d, 两组镇痛效果无显著差异(P＞0.05)。M组盐酸布比卡因血药浓度在术后第1天达峰值[(0.294±0.029)μg/L], G组于术后第3天达峰值[(0.192±0.064)μg/L], 且峰值较M组降低, 两组盐酸布比卡因血药浓度均在安全范围内。HE染色示, M组、G组大鼠的心脏、肝脏、脾脏、肺、肾脏组织均未见明显病理改变。  结论  本研究制备的以盐酸布比卡因纳米纺丝缓释膜为基础, PLGA-PEG-PLGA温敏凝胶包裹为介质的复合缓释材料, 可进一步延长盐酸布比卡因缓释时间, 具有长效镇痛效果且无毒性作用。     

胸腺原发上皮肌上皮癌首例报告并文献复习

  目的  探讨上皮肌上皮癌的临床症状、影像学特征、病理组织学特征和治疗方法。  方法  回顾性分析北京协和医院肿瘤内科收治的1例胸腺原发上皮肌上皮癌患者临床资料,并进行文献复习。  结果  患者为中年男性,是目前国内外报道的首例被诊断为胸腺原发上皮肌上皮癌的患者。该患者经手术、化疗、放疗、分子靶向治疗等综合治疗后仍出现疾病进展,从手术确诊至死亡时间为22个月。  结论  胸腺原发上皮肌上皮癌极为罕见,临床表现不典型,诊断主要依靠病理组织学检查,目前首选手术治疗,多学科综合治疗有助于延长患者的生存期。     

炎症性肠病患者幽门螺杆菌感染调查及其危险因素分析

  目的  探究炎症性肠病(inflammatory bowel disease，IBD)患者幽门螺杆菌(Helicobacter pylori, Hp)感染现况，并初步分析其发生Hp感染的危险因素。  方法  2020年1月1日—2020年12月31日通过发送电子问卷的方式对北京协和医院长期随访IBD患者及年龄、性别与之相匹配的北京社区居民展开调查。收集两组人群一般资料、Hp感染相关信息、环境因素等资料。比较两组人群Hp阳性率差异并分析IBD患者Hp感染相关危险因素。  结果  经倾向性评分匹配后，最终纳入本研究IBD患者122例、社区居民1739例。两组人群倾向性评分直方图高度一致。IBD患者Hp阳性率显著低于社区居民(13.1%比42.7%，P＜0.001)，且两组Hp阳性率均随年龄增高呈逐渐升高趋势，但组内比较差异均无统计学意义(P均＞0.05)。单因素分析显示，IBD患者中Hp阳性者长期共餐者Hp感染的比例显著高于Hp阴性者(43.8% 比18.9%，P=0.006)。  结论  IBD患者Hp感染率较社区居民降低，其发生Hp感染可能与长期共餐者Hp阳性有关。     

DenseNet网络深度学习分析CT图像鉴别肺结节良恶性的价值

  目的  探究DenseNet网络深度学习分析CT图像鉴别肺结节良恶性的价值。  方法  选取2017年2月~2019年5月我院收治的疑似肺结节患者80例,患者均进行CT扫描和DenseNet网络深度学习的人工智能系统诊断其良恶性,以病理结果作为金标准。分析CT图像、DenseNet网络深度学习分析联合CT图像对肺结节良恶性的诊断价值。  结果  CT图像表现肺密度增高影,有云雾状阴影,可清晰显示支气管内血管情况,评估结节良恶性准确率为88.75%,敏感度为76.92%,特异性为94.44%,与病理诊断的Kappa值为0.736（P < 0.001）;DenseNet网络深度学习联合CT评估结节良恶性的敏感度为96.15%,特异性为88.89%,DenseNet网络深度学习联合CT评估准确率高于单纯CT评估准确率（91.25% vs 88.75%）,且与病理诊断一致性较好（Kappa= 0.810,P < 0.001）。  结论  DenseNet网络深度学习分析CT图像鉴别肺结节良恶性准确性较高,且与病理结果具有较好的一致性。      

3种不同影像学分类系统对尺骨远端骨折的诊断价值

  目的  比较3种不同影像学分类系统对尺骨远端骨折临床指导的可靠性和可重复性。  方法  连续纳入2015~2020年因尺骨远端骨折就诊于我院的患者共61例,年龄63.3±17.1岁。由3位医师对每位患者的X线采用Biyani分类、国际内固定研究学会/骨科创伤协会（AO/OTA）2007和AO/OTA 2018分类系统独立分类。2周后重复评估。使用一致性评价（Kappa值）分析评估医师的观察者间和观察者内一致性。  结果  Biyani分类的观察者间一致性为0.44,观察者内一致性为0.58;AO/OTA 2007分类的观察者间一致性为0.40,观察者内一致性为0.52;AO/OTA 2018分类的观察者间一致性为0.43,观察者内一致性为0.53（P < 0.05）。除AO/OTA 2007分类的观察者间一致性等级为一般外,其他观察者内和观察者间一致性等级均为中等。  结论  3种分类之间的一致性差异较小,但临床指导价值较差。在Biyani分类上发展未来专用于尺骨远端骨折的专业分类方法,提高分类的准确性、可靠性和可重复性,有助于更好地指导临床治疗。      

胎盘植入MRI征象:出现两种或以上异常MRI征象时诊断准确性更高

  目的  评估产前MRI对胎盘植入诊断的准确性。  方法  回顾性分析2018年5月~2021年5月我院临床怀疑胎盘植入MRI图像，共47例孕妇图像符合标准纳入研究，分析2名医师对胎盘植入异常MRI征象检验的一致性，结合手术病理结果分析MRI胎盘植入诊断效能，比较评估胎盘植入的两种诊断方法:至少出现一种MRI征象（方法1）与至少出现两种MRI征象（方法2）。  结果  胎盘植入异常MRI图像中，2名医师对以下征象有较高一致性，T2WI序列低信号暗带（Kappa=0.874）、子宫肌层局部中断胎盘组织突入（Kappa=0.753）、胎盘内见异常增粗迂曲血管（Kappa=0.870）。MRI诊断胎盘植入总体准确度较高:Youden指数0.69，敏感度90.91%，特异性78.57%。诊断粘连性胎盘准确度低于植入性及穿透性胎盘。方法1诊断胎盘植入ROC曲线下面积为0.714，方法2诊断胎盘植入ROC曲线下面积为0.913，方法2的准确度高于方法1。  结论  MRI是评估胎盘植入的有效手段，至少出现两种异常MRI征象时诊断准确度最高。      

基于状态空间的误差–趋势–季节模型在河南省肺结核发病率预测中的应用

目的 探索基于状态空间的误差–趋势–季节（ETSBSS）模型在河南省肺结核（TB）发病预测中的应用。方法 采用时间序列分解法解析2006—2019年河南省TB的趋势和季节组分。将数据分为训练（2006—2018年）和测试集（2019年）,然后使用ETSBSS模型进行拟合和预测,并将模型性能与季节性求和自回归滑动平均混合（SARIMA）模型进行比较。结果 ETSBSS(A,MD,M)和SARIMA(1,0,0)(0,1,0)12模型被选择为预测河南省TB发病的最优模型。两种模型在训练集上拟合的平均绝对百分比误差（MAPE）依次为ETSBSS模型（5.65%）相似文献   

颈部增强CT在甲状腺癌发生颈部淋巴结转移患者中的诊断效果

  目的  分析颈部增强CT对甲状腺癌颈部淋巴结转移的诊断效能。  方法  回顾性分析76例甲状腺乳头状癌患者的临床资料。以病理诊断结果为金标准,分析增强CT检查对甲状腺癌颈部淋巴结转移的诊断价值。  结果  病理学检查确诊本组患者颈部淋巴结转移153枚,未转移533枚,中央区淋巴结转60.13%;以病理诊断结果为金标准,增强CT诊断颈部中央区淋巴结转移准确率为83.61%,诊断颈侧区淋巴结转移准确率为89.26%;增强CT显示本组患者颈部转移淋巴结平均短径高于未转移淋巴结（8.91±2.62 mm vs 8.02±2.51 mm）,转移与未转移淋巴结短径>10 mm、明显增强、明显不均匀强化、囊变、病灶内钙化及周围组织侵犯数目的差异有统计学意义（P < 0.05）。  结论  增强CT对甲状腺癌颈部中央区淋巴结转移的诊断效能低于颈侧区淋巴结,建议结合超声或MRI检查综合评估。      

低剂量计算机断层摄影血管造影术与数字减影血管造影对冠状动脉中重度狭窄诊断的对比

  目的  探讨低剂量计算机断层摄影血管造影术与数字减影血管造影在冠状动脉中重度狭窄的诊断价值比较。  方法  选取88例确诊冠状动脉粥样硬化性心脏病(冠心病)的患者作为研究对象,应用血管分析软件进行图像重组,分析计算机断层摄影血管造影术检出冠状动脉斑块的性质,评估其狭窄情况,将其结果与对应节段数字减影血管造影检出的病变狭窄度进行对比。  结果  以数字减影血管造影作为金标准,计算机断层摄影血管造影术检出冠状动脉病变斑块所致中重度狭窄855节段,其中软斑块396节段、硬斑块459节段。通过两种检验方法对硬斑块导致中度狭窄、硬斑块导致重度狭窄、软斑块导致中度狭窄和软斑块导致重度狭窄进行检验,差异均无统计学意义(P>0.05)。  结论  低剂量计算机断层摄影血管造影术与数字减影血管造影检查对冠心病诊断都具有较高准确率,而低剂量计算机断层摄影血管造影术检查经济、方便、实用,可作为临床筛查冠心病的首选方法。