简介:摘要急性胰腺炎(acute pancreatitis, AP)是临床医生面临的常见疾病,其中重症急性胰腺炎(severe acute pancreatitis,SAP)病死率较高,因此早期识别可能发展为SAP的患者对于指导治疗意义重大。机器学习是一种多层描述的表征学习,从已有数据中分析挖掘获得规律,并利用这些规律对未知数据做出预测的算法。本研究基于机器学习建立了一个SAP预测评分系统,其可在入院24 h对患者SAP风险进行预测,预测准确率高达87.36%,AUC 94.11%。该模型可以更好的辅助临床决策和治疗,指导医生更早的进行相关干预。
简介:摘要目的建立一种深度学习模型预测调强放疗(IMRT)的三维剂量分布。方法收集直肠癌术后IMRT患者共110例,随机数表法选择其中90例作为训练验证集并作9折交叉验证,剩下20例作为测试集。构建3D U-Res-Net模型,以CT影像、靶区和危及器官(OARs)的解剖结构以及射束信息作为输入,IMRT剂量作为输出训练该模型,并用来预测测试集病例的剂量分布。采用三维剂量分布以及剂量—体积直方图(DVH)剂量参数评估预测精确性。结果在三维剂量分布上,体素剂量的平均预测偏差为-2.12%~2.88%、平均绝对误差为2.55%~5.75%;等剂量面的Dice系数均在0.9以上,平均霍夫距离(HD95)和平均表面距离(MSD)分别0.61~1.54 cm和0.21~0.45 cm。对于DVH剂量参数,除膀胱Dmean (P=0.048)以外,其他剂量学参数差异均无统计学意义(P>0.05)。结论基于3D U-Res-Net模型可以实现直肠癌术后IMRT剂量分布预测,为自动计划设计奠定基础。
简介:摘要目的利用数学模型拟合精确的胰腺节段切除术(CP)学习过程曲线,为更好地了解CP手术方式的练习过程提供参考。方法通过收集中国医学科学院肿瘤医院胰胃外科同组医师在2006年1月至2018年1月期间施行的73例CP患者数据,按照时间排序标号。利用移动平均法(MAM)和累积求和法(CUSUM)精确分析学习曲线,并以SPSS统计软件对不同阶段的相关参数进行对比分析。结果通过MAM和CUSUM拟合的学习曲线将CP分为2个阶段,第1阶段(1~11例)中位手术时间为340 min,中位术中出血量为400 ml;第2阶段(12~73例)中位手术时间为213 min,中位术中出血量为100 ml,差异均有统计学意义(均P<0.001)。2个阶段患者一般资料和术后并发症的发生率差异均无统计学意义(均P>0.05)。结论CP度过11例的学习阶段后效果趋于稳定。外科医师在前11例CP的学习过程中需要熟悉操作流程,积极应对突发事件,积累经验,才能更安全地度过学习阶段。
简介:摘要目的验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法选取535例宫颈癌CT影像,参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV),经专家审查后作为参考勾画,用于自动分割勾画训练和测试。另从测试组中随机挑选根治4例及术后6例,分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试,以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时,分别记录算法和手动勾画耗时。结果数据经VB-Net网络训练得到根治CTV1(dCTV1)、dCTV2、术后CTV1(pCTV1)自动分割模型,自动勾画结果与参考勾画具有较好的一致性(DSC:0.88、0.70、0.86;MSD:1.32、2.42、1.15 mm;HD:21.6、22.4、20.8 mm)。dCTV1算法与三组医师勾画相近(P>0.05);dCTV2及pCTV1算法均优于初中级医师勾画(P<0.05),自动分割勾画耗时较手动勾画显著缩短。结论基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当,应用于临床中将有助于大幅提高工作效率,具有提高勾画一致性和准确性的潜能。
简介:摘要目的将深度学习算法与商用计划系统整合,建立乳腺癌靶区和危及器官(OARs)自动分割平台并加以验证。方法入组在中国医学科学院肿瘤医院行保乳术后放疗的左、右乳腺癌患者各400例。基于深度残差卷积神经网络进行训练临床靶区(CTV)和OARs分割模型,建立端到端的基于深度学习的自动分割平台(DLAS)。使用42例左乳腺癌和40例右乳腺癌验证DLAS平台勾画的准确性。分别计算总体戴斯相似性系数(DSC)和平均豪斯多夫距离(AHD)。并计算相对层位置与每层DSC值(DSC_s)的关系,进行逐层分析。结果左/右乳腺癌全乳CTV平均总体DSC和AHD分别为0.87/0.88和9.38/8.71mm,左/右乳腺癌OARs平均总体DSC和AHD范围为0.86~0.97和0.89~9.38mm。对CTV和OARs进行逐层分析,达到0.90以上表示医生只需要较少修改甚至不用修改的层面,左右乳腺癌的CTV勾画占比约44.7%的层面,OARs自动勾画占比范围为50.9%~89.6%。对于DSC_s<0.7,在两侧边界区域(层位置0~0.2和0.8~1.0) CTV和除脊髓以外的感兴趣区域DSC_s值明显下降,且越靠近边缘降低程度越明显。脊髓采用全层勾画,未发现有特殊区域出现DSC_s明显下降。结论建立端到端的DLAS平台整合乳腺癌分割模型取得较好的自动分割效果。在头脚方向的两侧边界区域,勾画的一致性下降较明显,有待进一步提高。
简介:摘要:目的 探讨护生应用概念图学习的情况。方法 便利选择护生204名,在内科护理教学中使用概念图教学策略,用概念图学习态度问卷评价学生的概念图学习态度。结果 护生的概念图学习总分为101.20±4.56分,各维度得分依序为“以概念图学习概念”、“建构概念图之过程”、“对概念图教学之认同”、“建构概念图之难易”、“以概念图表现概念”,其中条目11、13、19的得分呈负向态度。结论 护生对概念图之学习态度多呈正向性,但建构概念图过程中自信感差、困难感强。
简介:摘要目的开发一种基于深度学习网络的乳腺癌调强放疗计划剂量分布预测的方法,并评估将其用于自动计划的可行性。方法从复旦大学附属肿瘤医院选取240例左侧乳腺癌患者,200例作为训练集,20例作为验证集,另外20例作为测试集。应用深度学习网络建立患者CT影像、靶区和危及器官的勾画图像与剂量分布的相互关系,达到预测新患者剂量分布的目的,并尝试将预测的剂量分布作为目标函数优化并生成治疗计划。结果临床治疗计划的剂量分布和预测的剂量分布相比,靶区(除同步加量的PTV48Gy)和危及器官的剂量值相近,且基于预测的剂量分布生成的治疗计划与预测结果基本相同。结论本研究实现了一种基于深度学习网络的乳腺癌调强计划剂量分布预测方法,有助于进一步实现自动设计治疗计划的目标。
简介:摘要目的探讨职业认同、感知价值对本科护生实验课学习投入的影响。方法采用整群抽样法,于2019年5—6月选择温州医科大学2~3年级1 156名本科在校护生为研究对象。采用职业认同量表、感知价值问卷与学习投入问卷对其进行调查。结果1 156名本科护生职业认同量表条目均分为(3.90±0.52)分;感知价值问卷条目均分为(4.18±0.53)分;学习投入问卷条目均分为(3.67±0.51)分。职业认同、感知价值与学习投入均呈正相关(r值分别为0.554、0.578、0.611,P<0.001);职业认同(β=0.557)、感知价值(β=0.361)均可直接正向影响其学习投入;职业认同还以感知价值为中介变量正向影响其学习投入(中介效应值为0.208)。结论职业认同、感知价值均正向影响本科护生实验课学习投入。护理教育者应注重加强对本科护生职业认同的指导,增加护生对实践教学的价值感知,以提高护生实验课的学习投入水平。