胆道恶性肿瘤的精准诊疗

胆道恶性肿瘤是一种高度侵袭性的恶性肿瘤,近年来发病率逐年升高,大多数患者就诊时无手术机会,且传统全身化疗疗效有限。近年来,肿瘤精准治疗理念指导下的靶免治疗在晚期胆道恶性肿瘤中取得了显著进展,本文就胆道恶性肿瘤的精准诊疗进行述评,并对临床应用进行讨论。

滑模技术在水利水电施工中的应用

在水利工程建设的不断发展中,水利水电工程技术也在不断的发展,并且在发展中有很大的空间。滑模技术在施工中,其具有施工效率高、安全系数高且成本低等特点,在施工建设中被广泛的进行了应用。在滑模混凝土施工技术中,给防洪蓄洪、水力发电等建设工程提供了有力的保障,本文将综合滑模技术在水利工程中的应用综合的进行阐述,并将滑模技术的施工要点及在工程中的运用综合的进行了阐述,促进其在以后的水利工程建设中,更好的发挥其效果,并且在文中还结合工作中的实际经验,对滑模技术要点的综合控制进行了阐述,使其在工程建设中,能有效的进行控制。

关于白石水电站技术改造增容增装机组的分祈

本文介绍了利用新技术改造旧式水轮机及为了充分利用现有水利工程设施进行增装机组，使其发挥更大效益的经验。

推进新时代企业支防建设的实践与探索

在治安防控体系建设中,不断探索企业技防建设的新思路、新方法有着非常重要的现实意义。本文通过系统梳理企业技防建设工作的基本情况,指出技防建设工作中在资金筹集、使用维护、制度建设等方面的不足,提出在推进技防建设过程中,充分发挥企业主体责任,坚持“顶层设计、协作配合、突出重点、整合资源”的基本原则,通过建设指挥平台、推进技防建设达标、提高重点物资储运技防应用、注重监控大格局建设以及加强技术创新等途径,不断促进技防建设再上新水平。

基于可解释人工智能的临床决策支持系统:孟超肝病外脑

近年来,人工智能机器学习与深度学习技术有了飞跃的进步,利用临床决策支持系统进行辅助诊断与治疗是智慧医疗发展的必然趋势。临床医务工作者通常在追求模型高准确性的同时忽略模型的可解释性,导致使用者对系统缺乏信任感,阻碍临床决策支持系统的落地应用。笔者团队从可解释人工智能的角度出发,在构建肝病领域的临床决策支持系统上进行初步探索,在追求模型高准确性的同时,采用数据治理技术、内在可解释性模型、对复杂模型的事后可视化、设计人机交互和提供基于临床指南的知识图谱与数据来源等方法赋予系统可解释性。

机器学习算法在肝细胞癌微血管侵犯术前预测中的应用价值

目的探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料;男235例,女42例;年龄为(56±10)岁,年龄范围为33~80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图,支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标:(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以±s表示,组间比较采用配对t检验。计数资料以绝对数表示,组间比较采用χ2检验。单因素和多因素分析采用Logistic回归模型。结果(1)训练集及验证集患者临床病理资料分析:训练集和验证集患者性别(男,女)分别为157、36例和78、6例,两组比较,差异有统计学意义(χ2=6.028,P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析:训练集193例患者中,MVI阳性108例,MVI阴性85例。单因素分析结果显示:年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比=0.971,2.449,1.368,4.050,2.956,4.083,2.532,1.996,95%可信区间为0.943~1.000,1.169~5.130,1.180~1.585,1.316~12.465,1.310~6.670,2.214~7.532,1.016~6.311,1.323~3.012,P<0.05)。多因素分析结果显示:AFP>20μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比=3.680,3.100,1.438,3.628,95%可信区间为1.842~7.351,1.334~7.203,1.201~1.721,1.438~9.150,P<0.05),而年龄越大,MVI发生风险越低(比值比=0.958,95%可信区间为0.923~0.994,P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较:①应用多因素分析结果筛选指标,包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界,构建逻辑回归列线图,SVM、RF、ANN及LightGBM机器学习算法预测模型,一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815,SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.731~0.849,0.744~0.860,0.752~0.867,0.747~0.862,Z=0.995,0.245,0.130,0.102,P>0.05)和(95%可信区间为0.690~0.873,0.679~0.865,0.702~0.882,0.715~0.891,Z=0.325,0.026,0.744,0.803,P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序,选择重要度>0.01的指标,包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ-谷氨酰转移酶、ALP和纤维蛋白原,构建RF机器学习算法预测模型;挑选重要度>5.0的指标,包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原,构建LightGBM机器学习算法预测模型;由于ANN及SVM机器学习算法不具备筛选指标能力,应用单因素分析结果筛选指标,包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平,构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836,分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.740~0.857,0.779~0.887,0.729~0.848,0.789~0.895,Z=0.421,0.119,0.689,1.517,P>0.05)和(95%可信区间为0.710~0.888,0.700~0.881,0.701~0.881,0.740~0.908,Z=0.856,0.458,0.532,1.306,P>0.05)]。结论机器学习算法可用于术前预测肝细胞癌MVI,但其应用价值尚需多中心大样本数据进一步验证。