排序方式: 共有33条查询结果,搜索用时 15 毫秒
21.
22.
目的 建立并验证基于影像组学和机器学习方法鉴别胃肠道间质瘤与非胃肠道间质瘤。方法 纳入符合标准的患者435例,采集胃肠道间质瘤与非胃肠道间质瘤(包括胃平滑肌瘤、神经鞘瘤)共3279张超声内镜图像,按7:3比例分为训练集和测试集,采用Pyradiomics提取肿瘤影像组学特征并应用PCA、LASSO、Xgboost、Random Forest、RFE算法设计特征筛选方案,基于所选特征通过SVM分类器建立模型并评估对胃肠道间质瘤与非胃肠道间质瘤的预测性能。 结果 由最终筛选得到的影像组学特征建立影像组学模型,五种特征筛选模型(PCA, PCA+LASSO, PCA+Xgboost, PCA+ Random Forest, PCA+RFE)的曲线下面积(Area under curve,AUC)分别为0.581,0.870,0.874,0.860, 0.661。结论 PCA与Xgboost的特征筛选方法效果最佳,基于上述影像组学和机器学习方法鉴别胃肠道间质瘤与非胃肠道间质瘤的模型可用于患者的术前预测,并可作为指导后续个性化治疗的有效临床工具。 相似文献
23.
目的应用中药对轻度血管性认知功能障碍患者进行临床干预,观察中药醒脑治瘫胶囊治疗轻度血管性认知功能障碍临床疗效,并探讨其作用机制。方法 1、60例符合轻度血管性认知功能障碍患者(痰瘀阻窍证)随机分为2组,其中治疗组30例,对照组30例。2组分别进行MMSE量表、MoCA量表中文版(北京)、中医临床疗效、实验室指标等观察比较。结果 1、临床疗效比较:治疗组总有效率90.0%。2、MMSE比较:与治疗前相比,治疗组MMSE分值提高幅度较明显(P〈0.01),与对照组治疗后相比有统计学意义(P〈0.05)。3、MoCA比较:与治疗前比较,治疗组与同组治疗前比较,有非常显著统计学意义(P〈0.01)。与对照组治疗后相比有统计学意义(P〈0.05)。4、hs-CRP、TC、TG、HDL、LDL比较:与治疗前比较,治疗组治疗后与治疗组治疗前及对照组治疗后比较,均有统计学意义(P〈0.05或P〈0.01);治疗组对血脂相关指标改善尤为明显(P〈0.05或P〈0.01)。结论醒脑治瘫胶囊可通过多环节、多途径来改善轻度血管性认知功能障碍,其中改善氧化应激指标是其重要的作用机制。 相似文献
24.
脏腑特性理论源自《黄帝内经》,如《素问·五脏别论》说:“五脏者,藏精气而不泻也,故满而不能实;六腑者,传化物而不藏,故实而不能满也。”这里的“藏精气而不泻”、“传化物而不藏”是对五脏和六腑各自生理功能的概括,而“满而不能实”和“实而不能满”则是对五脏和六腑各自生理特性的概括。以下是关于肺脏的生理功能及生理特性的简要阐述。 相似文献
25.
缺血性脑卒中作为临床常见病、多发病已受到广泛重视.近年来,胰岛素抵抗作为脑梗死的独立危险因素,国内外许多学者对胰岛素抵抗与脑梗死的关系进行了探讨.本文就缺血性脑卒中与IR相关性加以概述. 相似文献
26.
目的 探索神经网络结合显微高光谱成像识别乳腺癌组织的可行性和应用价值。方法 采用显微高光谱成像技术采集乳腺癌组织的图像数据,使用基于神经网络的显微高光谱乳腺癌组织图像分析方法,实现乳腺癌组织的自动分类和区域划分。提出数据预处理方法以提高图像的信噪比,利用神经网络训练图谱信息识别乳腺组织病变区域并突显以利于可视化。结果 基于神经网络的显微高光谱的乳腺组织识别分析方法同时利用了图谱两个方面的特征,获得了比传统彩色病理图像更好的识别结果。结论 基于神经网络的显微高光谱乳腺组织图像分析方法可以提供特征性的样本信息,是传统彩色病理图像的有效补充。在神经网络分析方法的支持下,将显微高光谱成像技术应用于乳腺癌组织的分析具有一定的应用前景。 相似文献
27.
28.
目的 建立鲜肿节风挥发油中b-榄香烯的TLC鉴别方法和HPLC含量测定方法。方法 TLC鉴别采用硅胶G薄层板,以正己烷为展开剂;HPLC含量测定采用Waters 5C18-AR-Ⅱ (4.6 mm×250 mm,5 μm) 色谱柱,甲醇-乙腈-水为流动相,流速1 mL·min-1,检测波长210 nm,柱温30 ℃。结果 供试品薄层色谱在与β-榄香烯色谱相应的位置上,显相同的紫红色斑点。b-榄香烯在0.221 5~2.214 8 μg呈良好的线性关系(r=0.999 9),精密度试验的 RSD为1.89%,方法平均回收率为98.49%,其RSD为1.02%(n=6)。结论 该方法为评价鲜肿节风挥发油的质量提供了可靠保证。 相似文献
29.
[摘要] 目的 探讨深度学习在儿童心脏超声标准切面自动识别中的可行性和准确性。方法 通过上海交通大学医学院附属上海儿童医学中心心脏超声诊断中心影像归档和通信系统(PACS)数据库中,选取2022年9月至2022年10月行心脏超声检查的儿童的4035张心脏超声图像,按照6∶2∶2的比例将图像随机分为训练集(2421张)、验证集(807张)、测试集(807张)。通过改进DenseNet开发了一个轻量、高效的深度学习模型实现对15类儿童心脏超声标准切面的自动识别,并与DenseNet121、InceptionV3、MobileNetV3 3种常用的深度学习模型进行比较。采用准确度、精确率、特异度、召回率和F1指数评价深度学习模型的识别性能。使用参数量、模型大小和浮点运算数3个指标评估模型的识别效率。采用混淆矩阵展示模型的识别结果,并通过热力图反映模型对图像特征的关注度。结果 DenseNet121,InceptionV3,MobileNetV3和所提出模型对15类儿童心脏超声标准切面和非标准切面的识别平均F1指数分别为94.59%、95.13%、92.41%、94.73%,参数量分别为7.0×106、24.4×106、4.2×106、1.8×106,模型大小分别为13.941 MB、48.777 MB、8.445 MB、3.588MB,浮点运算数分别为11.16×109、12.89×109、0.86×109、3.05×109。从混淆矩阵中可以得出所提出模型对15类儿童心脏超声标准切面和非标准切面的识别率要高于其他模型,而在热力图中也可以看出,所提模型能够关注到关键的特征区域。结论 提出的深度学习模型可准确地识别儿童心脏超声标准切面,且模型的参数量较少,运行效率较高。 相似文献
30.