生长分化因子15与猝死的相关性研究

目的:探索生长分化因子15(growth differentiation factor 15, GDF15)对猝死（sudden death, SD）患者的预警预测价值。方法:选取2018年1月至12月于解放军总医院第一临床中心急诊科就诊的SD患者49名纳入病例组,随机（随机数字法）选取于解放军总医院体检中心就诊的健康...     

基于深度学习的肝外伤超声图像自动识别模型

目的建立基于深度学习的卷积神经网络肝损伤模型（CNLDM）,并评估其对肝实质挫裂伤的诊断价值。 方法通过动物实验获得2009张含有肝实质挫裂伤超声图像及1302张正常肝超声图像,作为模型的训练集和验证集。回顾性收集2015年1月至2021年4月解放军总医院第一医学中心确诊存在肝实质挫裂伤的超声图像153张,以及81张不含肝实质挫裂伤的肝超声图像,作为模型的外部测试集。6名不同年资医师分别对测试集图像数据进行判读。使用受试者操作特征（ROC）曲线及决策曲线分析（DCA）检验模型效能,比较不同年资医师与CNLDM模型预测肝实质挫裂伤的敏感度、特异度、准确性、阴性预测值及阳性预测值。 结果CNLDM模型诊断效能（敏感度为80%,特异度为77%,阳性预测值为87%,阴性预测值为66%）优于低年资医师组（敏感度为61%,特异度为75%,阳性预测值为82%,阴性预测值为51%）,略差于高年资医师组（敏感度为84%,特异度为86%,阳性预测值为92%,阴性预测值为75%）,差异具有统计学意义（H=15.306,P＜0.001;H=3.289,P＜0.001）,而模型效能与中年资医师组接近,差异无统计学意义（P＞0.05）。DCA显示模型在阈值0.4~0.6之间有较好的测试集收益。 结论基于超声的人工智能模型可以较为准确地区分正常肝与含有肝实质挫裂伤的异常肝,对进一步指导临床诊治工作具有重要的意义。