基于CT影像组学机器学习模型预测急性期创伤性脑损伤严重程度

目的 观察基于CT平扫(NCCT)影像组学特征建立的机器学习(ML)模型预测急性期创伤性脑损伤(TBI)严重程度的价值。方法 回顾性收集600例TBI为观察组,以另外65例TBI为外部验证集;另前瞻性纳入50例TBI为前瞻性验证集。根据出院时格拉斯哥预后评分(GOS)将观察组患者分为高危亚组(n=240)与低危亚组(n=360)。由医师A、B以相同标准分别评估观察组患者,基于首诊临床及NCCT资料以逻辑回归(LR)法建立人工模型,预测急性期TBI严重程度。按7 ∶ 3比例将观察组分为训练集(n=420,含168例高危、252例低危)与测试集(n=180,含72例高危、108例低危),基于训练集NCCT提取及筛选影像组学特征,采用LR、支持向量机(SVM)、随机森林(RF)、K近邻(KNN)4种ML法构建预测模型,分别于测试集、外部验证集(含34例高危、31例低危TBI)及前瞻性验证集(含21例高危、29例低危TBI)进行验证。结果 医师A、B判断观察组急性期TBI严重程度的曲线下面积(AUC)分别为0.606及0.771,人工模型的AUC为0.824。基于训练集NCCT筛选出的6个最佳影像组学特征构建的LR、SVM、RF和KNN ML 模型及人工模型在测试集的AUC分别为0.983、0.971、0.970、0.984及0.708,在外部验证集分别为0.879、0.881、0.984、0.863及0.733,而在前瞻性验证集分别为0.984、0.873、0.982、0.897及0.704。结论 基于CT影像组学建立的ML模型能有效预测急性期TBI严重程度。     

医用聚醚醚酮材料骨整合改性的研究进展

聚醚醚酮（PEEK）材料具有良好的生物相容性、优异的机械性能、与骨组织相似的力学性能等优点,目前已广泛应用于临床各个领域。由于固有的生物惰性,使种植体与骨组织不相整合,从而限制了其作为骨科植入材料的应用。提高PEEK骨整合性成为目前研究的热点。研究者将具有促进成骨细胞增殖和分化的材料（如生物陶瓷、金属材料、生物因子等）通过物理或化学方式修饰于材料表面,或者采用表面物理修饰（如粗糙度、孔隙率、纳米结构等）提高其骨整合性。随着研究的逐步深入,PEEK的成骨活性得到增强,在临床上有了更大的应用前景。本文主要对上述提到的近些年用于提高PEEK生物活性的方法作一综述,旨在为研究者提供参考,并对未来发展提出展望。