小组教学模式的探索与实践

医学学生在学习理工类课程时普遍存在积极性不高、课程内容相对较难等问题,在教学过程中运用互动性高、竞争性强的小组教学模式提高了医学学生学习理工类课程的积极性,培养了学生独立思考的能力和创新意识,改变了机械灌输的教学模式,充分体现了学生的主体地位和教师的指导作用。教学实践证明,小组教学模式能够取得较好的成效,为提高教学质量提供了适宜的方法和途径。     

影像组学在宫颈癌中的研究进展

<正>自1895年伦琴发现X线开始,便诞生了医学影像学^[1]。经过一百多年的发展,医学影像学已不再满足单纯的解剖成像,功能成像、分子成像等也成为目前影像检查的核心内容,为病变提供较全面的分析、解读视角。随着医学影像大数据与临床辅助诊断技术的快速发展,加上精准医疗理念的提出,影像组学技术应运而生。本文将从影像组学的概念及影像组学现状、影像组学在宫颈癌中的应用及挑战等方面进行综述。1 影像组学概念及影像组学现状影像组学是使用自动化、     

医学院校理工类课程作业质量调查与分析

目的:全面了解医学院校学生对理工类课程的作业完成质量。调查研究学生在耗费时间,独立完成情况,未能独立完成的原因,完成作业热情,完成作业动力,学习价值感,共5个方面的情况。方法:设计调查问卷,重点获得学生对待作业的态度,抄袭作业的情况及其原因方面的数据。问卷采用选择题的方式,每题要求受访者分别针对语言类课程、医学类课程、理工类课程作答,采用无记名方式收集数据,由于数据总体分布未知,因此采用SPSS软件中的非参数检验进行数据统计分析,根据样本情况不同采用了Friedman检验,Mann-Whitney U检验,和Kruskal-Wallis检验。结果:数据分析包括两方面:相较其它学科的作业情况分析,除学科种类外的因素导致的差异分析。一方面,学科不同学生作业的抄袭频率,作业完成方式,作业价值感有显著差异(p<0.05),相对医学和语言类课程,理工类课程作业的抄袭频率更高,作业完成方式独立性更差,但价值感更强。同时,批改作业对高质量完成作业能起到极大的督促作用。另一方面,从对待作业的态度和抄袭作业的频率来评价分析,性别不同不会导致作业质量差异显著(p>0.05),而年级不同,兴趣不同会导致作业质量差异显著(p<0.05)。结论:根据数据分析结果,提出三点建议提高医学院校的理工科作业质量:改进收作业方式,尽量批改作业;采用科学的作业布置策略;结合课堂教学提高学生兴趣。     

图像增强技术在数字X射线医学影像中的应用

目的:提出一种在临床操作使用上更加有效的低对比度X射线影像增强方法。方法:利用高频加强滤波和直方图均衡混合的方法对数字X射线医学影像进行图像增强处理,比较其图像增强前后的效果。结果:采用该方法增强低对比度X射线影像,设置合理的高频滤波参数,参数设置为a=0.5,且b=2.0,其锐化效果相比于传统的高通滤波具有很大优势。得到锐化后的图像,可增强图像细节部分,比单独采用其中任一种方法所产生的效果更佳。结论:X射线影像增强方法具有较高的临床应用价值。     

弥散张量成像观察首发非自杀性自伤青少年脑白质网络特征及其与临床表现的相关性

目的 观察首发非自杀性自伤(NSSI)青少年脑白质网络拓扑属性特征及其与临床表现的相关性。方法 对30例NSSI青少年(NSSI组)及29名健康对照者(HC组)采集弥散张量成像(DTI),记录相关临床量表评分；比较组间白质网络拓扑属性的差异，分析差异脑区与临床量表评分的相关性。结果 组间全局网络属性差异均无统计学意义(P均>0.05)。相比HC组，NSSI组部分脑区局部网络度量指标差异有统计学意义，包括右侧额中回(眶部)、左侧额下回(三角部)、右侧脑岛、左侧内侧旁扣带回、右侧楔叶、右侧枕上回、右侧顶下缘角回、右侧角回及左侧丘脑节点效率(NE)降低而节点最短路径长度(NLP)增加(P均<0.05),左侧尾状核NLP增加(P<0.05),右侧额中回(眶部)、右侧脑岛、左侧内侧旁扣带回、左侧楔叶、右侧角回及左侧丘脑节点度中心性(DC)降低(P均<0.05),右侧额上回(眶部)DC增强(P<0.05)。NSSI组左侧额下回(三角部)、左侧内侧旁扣带回NLP及左侧丘脑DC与临床量表评分呈正相关(r:0.383～0.404,P均<0.05),左侧内侧旁扣带回NE...     

基于增强CT影像组学在宫颈癌根治性放疗疗效的研究

目的 探讨基于增强CT的影像组学对宫颈癌患者根治性放疗疗效的二分类预测，进一步对其进行四分类预测，并建立四分类预测模型，为临床宫颈癌精准治疗提供基础支撑。方法 回顾性分析2016年7月至2021年7月川北医学院附属医院肿瘤放疗科收治的宫颈癌患者316例，行根治性放疗后评效结果为：完全缓解(CR)77例、部分缓解(PR)161例、疾病稳定(SD)71例和疾病进展(PD)7例。将纳入患者治疗前增强CT图像进行感兴趣区(ROI)勾画，并提取相关影像组学特征，然后采用自适应合成抽样法将数据平衡至644例。根据CR、PR、SD、PD四分类标签经过互信息、基于随机森林递归特征消除法得到最相关的影像组学特征，分别带入逻辑回归(LR)与支持向量机(SVM)进行模型训练、验证和测试，根据模型评价指标选出最优模型。绘制各模型的受试者工作特征曲线(ROC),并计算曲线下面积(AUC)。结果 经过特征筛选后，选出5个最相关的影像组学特征，对于LR四分类模型：测试集准确率为0.531,micor AUC值与macor AUC值分别为0.755、0.737;SVM四分类模型：测试集准确率为0.636,micor ...