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。     

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。     

翻转课堂结合基于案例的协作学习在新型临床医学八年制教学中的应用

  目的  评估翻转课堂结合基于案例的协作学习(case-based collaborative learning, CBCL)模式在新型临床医学八年制(“4+4”试点班)学生教学中的实施效果。  方法  选取北京协和医学院2019、2020级“4+4”试点班全体学生为研究对象。将翻转课堂结合CBCL的小组教学模式应用于内科消化病学(炎性肠病)授课中。基于课堂上CBCL小组讨论前后的知识测验结果评估学生对相关知识的掌握程度，并采用Likert量表对教学效果进行量化反馈。  结果  共纳入45名“4+4”试点班医学生，其中2019级20人、2020级25人; 课前完成知识测验42人，课后完成知识测验45人。经翻转课堂结合CBCL的小组教学后，学生对炎性肠病发病年龄，溃疡性结肠炎内镜下严重程度、病变范围、鉴别诊断、治疗原则以及克罗恩病临床表现、治疗原则相关题目的回答正确率均有显著提高(P均＜0.001);13道知识测验题回答正确率显著提高[33.3(26.2, 85.7)%比93.3(71.1, 95.6)%, P=0.001]。30名(66.7%，30/45)医学生完成教学效果反馈，其对翻转课堂教学形式的认可度评分为(4.00±0.74)分。  结论  翻转课堂结合CBCL小组教学模式可明显提高新型临床医学八年制学生的教学效果，学生反馈对该教学模式整体较满意。     

耳鼻喉科研究生听力学课程的混合教学模式效果分析

  目的  探讨将听力学课程混合教学模式引入耳鼻喉科临床教学活动中的应用效果。  方法  以2019—2021年于北京协和医院耳鼻喉科进行学习的临床型研究生及规范化培训的住院医师为研究对象。根据前期问卷调查结果设计并采用理论授课与实践相结合的混合教学模式进行听力学课程教学,教学前后以调查问卷形式收集反馈意见并进行统计学分析。  结果  共26名学员参与混合教学模式中各个模块内容的学习及问卷调查。学习前问卷调查结果显示,学员对于听力学课程重要性及理论知识各个模块的临床应用学习倾向性均高于基本原理和测试方法(P均＜0.001)。学习后学员对于听力学知识的了解程度显著优于学习前(P＜0.001),对各部分教学内容满意度较高(得分均值均＞5分, 满意度满分为7分)。  结论  采用混合教学模式对耳鼻喉科研究生进行听力学课程教学已取得初步成效,值得在临床教学中推广。     

北京协和医院眼科临床医学博士后差异化培养方案的建立与应用

  目的  探索差异化培养方案在北京协和医院眼科临床医学博士后学员培养中的实施效果。  方法  选取2018—2020级北京协和医院眼科临床医学博士后学员为评估对象。根据学员的教育背景和能力水平,制订差异化培养方案和进阶式手术培训体系,横向比较分析临床医学博士后学员与同年级其他学员的理论考核成绩,纵向比较分析临床医学博士后学员连续3年理论与技能综合评估成绩及发展趋势,并通过核心胜任力模型分析学员3年间在职业素养、沟通合作、病人照护、知识技能、教学能力和终生学习6个维度的纵向发展趋势。  结果  第1年、第3年临床医学博士后学员的理论考核成绩较同年级其他学员高,临床医学博士后学员的理论与技能综合水平逐年提高,第3年临床医学博士后学员6个维度的核心胜任力均得到有效发展。  结论  差异化培养方案可有效提升临床医学博士后学员的综合水平,为培养高层次复合型医学精英人才作出了积极有益的探索。     

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。     

乳腺原发性神经内分泌癌与浸润性癌(非特殊型)临床病理特点和淋巴结转移相关因素的病例对照研究

  目的  探讨原发性乳腺神经内分泌癌(primary neuroendocrine breast carcinoma, pNEBC)的临床病理特点以及淋巴结转移相关影响因素,为pNEBC的治疗及预后评价提供依据。  方法  回顾性选取2004年11月至2016年10月于北京协和医院乳腺外科手术治疗并诊断为pNEBC的患者为研究组(pNEBC组),1:4配对同期手术并诊断为乳腺浸润性癌(非特殊型)(invasive carcinoma of no special type,NST)的患者为对照组(NST组),比较两组患者的临床病理特点及淋巴结转移相关影响因素。  结果  共50例符合纳入和排除标准的pNEBC患者入选本研究,按照1:4配对原则入选同期NST患者200例。两组患者年龄、瘤体直径、组织学分级、淋巴结清扫数目及TNM分期均无统计学差异(P均＞0.05)。pNEBC组淋巴结转移15例(30.0%,15/50);雌激素受体(estrogen receptor,ER)阳性表达率为96.0%(48/50),孕激素受体(progesterone receptor,PR)阳性表达率为84.0%(42/50),人表皮生长因子受体2(human epidermal growth factor receptor-2,Her-2)阳性表达率为10.4%(5/48),嗜铬素A阳性表达率为58.0%(29/50),突触素阳性表达率为97.9%(47/48)。对于影响淋巴结转移的相关因素,组织学分级、ER表达、PR表达、Her-2表达、Ki-67指数、分子分型差异在两组中均无统计学意义(P均＞0.05),T分期在NST组患者中存在显著差异(P=0.006),在pNEBC组中无显著差异(P=0.872)。  结论  pNEBC患者ER、PR阳性表达率高,Her-2阳性表达率低,突触素阳性表达率较嗜铬素A高,其生物学行为尚需进一步研究,联合检测上述免疫组化指标并结合淋巴结状况,可能有助于pNEBC的预后评估。     

44例西藏地区泡状棘球蚴病临床表现与病理特征

  目的  对西藏地区泡状棘球蚴病(alveolar echinococcosis, AE)患者的临床表现和病理特征进行归纳、总结。  方法  回顾性纳入2013年9月至2021年4月西藏自治区人民医院行手术治疗且病理资料完整的全部AE患者。通过电子病历系统提取其临床和病理资料, 包括临床表现、影像学检查结果、病理结果、治疗方式以及预后等信息, 并通过显微镜对病理切片进行重新阅片, 总结其病理特征。  结果  共纳入44例AE患者。其中男性17例, 女性27例; 平均年龄(36.2±12.3)岁; 32例为农牧民。临床表现以消化系统症状最为常见(54.5%), 其次为呼吸系统症状(13.6%), 29.5%的患者无明显临床症状。CT检查示23例为单发病灶, 21例为多发病灶(肝内多发病灶15例, 多脏器受累6例); 33例经CT检查诊断为AE。组织病理学示送检标本以巨块型为主, 直径1.0~23.0 cm, 切面呈蜂窝状。显微镜下可见病灶内存在大小、形状不一的小囊泡, 其外层囊壁为薄层粉染角质层。囊泡以外生性方式增殖为主。早期病变可见坏死囊泡周围存在大量嗜酸性粒细胞浸润, 伴肉芽肿形成; 晚期陈旧性病变见粉尘状钙化和大片状坏死。44例均可见早期肉芽肿性病变和晚期陈旧性病变不同程度混合存在, 其中5例伴脓肿形成。31例行根治性手术, 13例行姑息性手术+药物治疗, 随访2~82个月, 死亡3例、存活41例。  结论  西藏地区AE患者以青壮年农牧民为主, 女性多见。肝脏为主要受累器官, 少数病例可累及肺或多脏器。临床表现与受累脏器相关, 以消化系统症状较常见。影像学检查对典型病例的辅助诊断具有较好的参考价值, 非典型病例或合并脓肿时需通过病理检查确诊。病理检查可见泡状棘球蚴虫体呈球形囊泡状结构, 且不同时期的病变常混合存在。经根治性手术治疗后多数患者预后良好。     

2019年期刊公开发表的中国临床实践指南文献调查与评价——摘要报告现状分析

  目的  调查2019年期刊公开发表的中国临床实践指南摘要报告现状,为相关研究人员撰写指南摘要及开展指南摘要报告规范研究提供参考。  方法  系统检索并筛选2019年期刊公开发表的中国临床实践指南,提取指南摘要相关信息,对2019年中国指南摘要的报告情况进行分析;基于初拟版RIGHT-Abstract报告清单(包含7个领域,19个条目)对摘要报告质量进行评价,并比较摘要与正文内容报告的一致性。  结果  共纳入符合要求的指南226篇,报告摘要的指南96篇(42.5%);79篇(82.3%)指南发表语种为中文,其中同时提供中、英文摘要的指南52篇(65.8%),17篇(17.7%)发表语种为英文;仅6篇(6.3%)指南为结构式摘要,仅16篇(16.7%)指南在摘要中报告了推荐意见关注的主要内容。RIGHT-Abstract各领域的报告率分别为:背景61.0%,方法13.0%,结果7.3%,审核1.0%,讨论、注册和资助的报告率均为0。分析2019年中国指南摘要与正文内容报告的一致性,发现“疾病和卫生问题”的报告一致性最高(91.7%),其次为“目的”(78.1%)、“目标人群”(70.8%)、“使用者”(38.5%)和“制订人员”(38.5%),其余条目的一致性均低于20.0%。  结论  2019年中国指南摘要的整体报告率较低,结构式摘要占比较少,摘要报告的信息有限,未来需研发和推广正式的指南摘要报告规范,为相关研究人员提供指导。     

胰腺淋巴上皮囊肿的临床诊治特点

  目的  分析胰腺淋巴上皮囊肿(pancreatic lymphoepithelial cyst,PLEC)的临床诊治特点,为提高其诊疗水平提供借鉴和参考。  方法  回顾性分析2015年1月至2019年12月在北京协和医院基本外科行手术治疗并最终确诊为PLEC的患者临床资料,分析其临床表现、影像学特征及治疗效果。  结果  共7例患者确诊为PLEC,年龄31~65岁,其中男性4例,女性3例;5例患者肿物位于胰体尾部,1例位于胰颈部,1例位于胰头部;2例患者血清CA19-9水平增高;3例患者术后出现胰瘘导致腹腔引流管拔除延迟;1例随访中出现体重下降。  结论  PLEC是一种罕见的胰腺囊性病变,临床表现不典型,术前诊断较为困难,手术可完整切除,预后良好;无症状者可考虑保守治疗和随访观察。     

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。     

Differential diagnostic value of the ResNet50, random forest,and DS ensemble models for papillary thyroid carcinoma and other thyroid nodules

Objective To explore the differential diagnostic efficiency of the residual network (ResNet)50, random forest (RF), and DS ensemble models for papillary thyroid carcinoma (PTC) and other pathological types of thyroid nodules.Methods This study retrospectively analyzed 559 patients with thyroid nodules and collected thyroid pathological images and auxiliary examination results (laboratory and ultrasound results) to construct datasets. The pathological image dataset was used to train a ResNet50 model, the text dataset was used to train a random forest (RF) model, and a DS ensemble model was constructed from the results of the two models. The differential diagnostic values of the three models for PTC and other types of thyroid nodules were then compared.Results The DS ensemble model had the highest sensitivity, specificity, accuracy, and area under the receiver operating characteristic curve (85.87%, 97.18%, 93.77%, and 0.982, respectively).Conclusions Compared with Resnet50 and the RF models trained only on imaging data or text information, respectively, the DS ensemble model showed better diagnostic value for PTC.     

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、...     

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...     

Application of Deep Learning to Reduce the Rate of Malignancy Among BI-RADS 4A Breast Lesions Based on Ultrasonography

The aim of the work described here was to develop an ultrasound (US) image–based deep learning model to reduce the rate of malignancy among breast lesions diagnosed as category 4A of the Breast Imaging-Reporting and Data System (BI-RADS) during the pre-operative US examination. A total of 479 breast lesions diagnosed as BI-RADS 4A in pre-operative US examination were enrolled. There were 362 benign lesions and 117 malignant lesions confirmed by postoperative pathology with a malignancy rate of 24.4%. US images were collected from the database server. They were then randomly divided into training and testing cohorts at a ratio of 4:1. To correctly classify malignant and benign tumors diagnosed as BI-RADS 4A in US, four deep learning models, including MobileNet, DenseNet121, Xception and Inception V3, were developed. The performance of deep learning models was compared using the area under the receiver operating characteristic curve (AUROC), accuracy, sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV). Meanwhile, the robustness of the models was evaluated by five-fold cross-validation. Among the four models, the MobileNet model turned to be the optimal model with the best performance in classifying benign and malignant lesions among BI-RADS 4A breast lesions. The AUROC, accuracy, sensitivity, specificity, PPV and NPV of the optimal model in the testing cohort were 0.897, 0.913, 0.926, 0.899, 0.958 and 0.784, respectively. About 14.4% of patients were expected to be upgraded to BI-RADS 4B in US with the assistance of the MobileNet model. The deep learning model MobileNet can help to reduce the rate of malignancy among BI-RADS 4A breast lesions in pre-operative US examinations, which is valuable to clinicians in tailoring treatment for suspicious breast lesions identified on US.     

基于T2加权成像的影像组学特征和临床特征模型在早期宫颈鳞状细胞癌深间质浸润中的诊断价值

目的 初步探讨基于T2加权成像(T2-weighted imaging,T2WI)的影像组学特征联合患者临床特征构建的模型对早期宫颈鳞状细胞癌深间质浸润(deep stromal invasion,DSI)的诊断价值.方法 回顾性纳入2017年1月至2021年2月在北京协和医院行根治性子宫切除术的早期宫颈鳞状细胞癌患者...     

基于多种染色病理图像的非炎性主动脉中膜变性计算机辅助诊断方法

目的 探讨建立非炎性主动脉中膜变性(medial degeneration, MD)患者多种染色病理图像计算机辅助诊断模型的可行性。方法 回顾性收集2018年7—12月首都医科大学附属北京安贞医院诊治胸主动脉瘤及夹层患者非炎性病变的主动脉手术标本病理切片。将其以400倍率扫描为全视野数字图像(whole slide image, WSI)后由2名病理科医师对病变进行标注。按6∶1的比例将标注后的WSI图像随机分为训练集和测试集。采用训练集数据对SE-EmbraceNet进行训练,构建多种染色病理图像MD多分类[包括层内型黏液样细胞外基质聚集(intralamellar mucoid extracellular matrix accumulation, MEMA-I)、穿透型黏液样细胞外基质聚集(translamellar mucoid extracellular matrix accumulation, MEMA-T)、弹力纤维断裂和/或缺失(elastic fiber fragmentation and/or loss, EFFL)和平滑肌细胞核缺失(smooth muscle ce...     

Student becomes teacher: training faster deep learning lightweight networks for automated identification of optical coherence tomography B-scans of interest using a student-teacher framework

This work explores a student-teacher framework that leverages unlabeled images to train lightweight deep learning models with fewer parameters to perform fast automated detection of optical coherence tomography B-scans of interest. Twenty-seven lightweight models (LWMs) from four families of models were trained on expert-labeled B-scans (∼70 K) as either “abnormal” or “normal”, which established a baseline performance for the models. Then the LWMs were trained from random initialization using a student-teacher framework to incorporate a large number of unlabeled B-scans (∼500 K). A pre-trained ResNet50 model served as the teacher network. The ResNet50 teacher model achieved 96.0% validation accuracy and the validation accuracy achieved by the LWMs ranged from 89.6% to 95.1%. The best performing LWMs were 2.53 to 4.13 times faster than ResNet50 (0.109s to 0.178s vs. 0.452s). All LWMs benefitted from increasing the training set by including unlabeled B-scans in the student-teacher framework, with several models achieving validation accuracy of 96.0% or higher. The three best-performing models achieved comparable sensitivity and specificity in two hold-out test sets to the teacher network. We demonstrated the effectiveness of a student-teacher framework for training fast LWMs for automated B-scan of interest detection leveraging unlabeled, routinely-available data.     

Establishment and Evaluation of Intelligent Diagnostic Model for Ophthalmic Ultrasound Images Based on Deep Learning

ObjectiveThe goal of the work described here was to construct a deep learning–based intelligent diagnostic model for ophthalmic ultrasound images to provide auxiliary analysis for the intelligent clinical diagnosis of posterior ocular segment diseases.MethodsThe InceptionV3–Xception fusion model was established by using two pre-trained network models—InceptionV3 and Xception—in series to achieve multilevel feature extraction and fusion, and a classifier more suitable for the multiclassification recognition task of ophthalmic ultrasound images was designed to classify 3402 ophthalmic ultrasound images. The accuracy, macro-average precision, macro-average sensitivity, macro-average F1 value, subject working feature curves and area under the curve were used as model evaluation metrics, and the credibility of the model was assessed by testing the decision basis of the model using a gradient-weighted class activation mapping method.ResultsThe accuracy, precision, sensitivity and area under the subject working feature curve of the InceptionV3–Xception fusion model on the test set reached 0.9673, 0.9521, 0.9528 and 0.9988, respectively. The model decision basis was consistent with the clinical diagnosis basis of the ophthalmologist, which proves that the model has good reliability.ConclusionThe deep learning–based ophthalmic ultrasound image intelligent diagnosis model can accurately screen and identify five posterior ocular segment diseases, which is beneficial to the intelligent development of ophthalmic clinical diagnosis.