“数据结构与算法”课程融入思政教学的探索——以某地方医学院校生物医学工程专业为例

“数据结构与算法”是计算机信息处理及软件编程技术领域的工学课程,也是生物医学工程专业中的一门专业教育课程。文章以《高等学校课程思政建设指导纲要》(以下简称《纲要》)文件中工学学科与专业教育课程的课程思政教学体系的相关要求为出发点,同时以促进生物医学工程专业的培养目标和培养要求为落脚点,从学科和课程的综合视角,将《纲要》中的课程思政建设内容整体融入具体的教学过程中,旨在培养学生精益求精的大国工匠精神,激发学生科技报国的家国情怀和使命担当,使他们成为“五育并举”、全面发展的人才。

结直肠癌与糖尿病关联的关键基因鉴定与机制探讨

目的 鉴定糖尿病与结直肠癌的关键基因并探讨其关联机制。方法 对TCGA结直肠癌差异表达基因与糖尿病相关基因取交集后做富集分析,并通过Cytoscape软件等开展蛋白互作网络分析,最后通过GEO进行外部验证。结果 筛选出31个交集基因集,富集分析表明其与胰岛素分泌及2型糖尿病等有关。蛋白互作网络分析鉴定了2个关键基因CD36和SERPINE1,它们分别在结直肠癌中低表达和高表达(P <0.05),且均为不良预后因素。结论 糖尿病和结直肠癌的共同关键基因CD36和SERPINE1可能通过糖尿病相关途径影响了结直肠癌患者的生存预后。

基于深度学习的影像组学预测直肠癌T2与T3分期

目的本研究探讨基于MRI轴位高分辨T2WI图像的深度学习(deep learning,DL)影像组学在术前预测直肠癌T2与T3期的价值。材料与方法回顾性分析皖南医学院第一附属医院(弋矶山医院)2018年1月至2022年12月361例经术后病理证实的T2与T3期直肠癌患者的完整资料,其中T2期100例,T3期261例,按7∶3采用分层抽样将患者随机分为训练集(n=262)与测试集(n=99)。采用单因素与多因素logistic回归分析筛选临床影像特征独立危险因素。利用ResNet-18模型作为DL特征提取的基础模型,分别基于轴位高分辨T2WI图像提取手工影像组学(hand-crafted radiomic,HCR)特征及DL影像组学特征,分别基于临床影像特征、HCR特征、DL特征及三者组合特征利用支持向量机(support vector machine,SVM)、K最近邻(K-nearest neighbor,KNN)、极端梯度增强机(extreme gradient boosting,XGBoost)三种算法构建12个机器学习模型,采用ROC曲线下面积(area under the curve,AUC)评价各模型的诊断效能,确定最优模型作为输出模型。结果单因素与多因素logistic回归分析临床影像特征中碳水化合物抗原(carbohydrate antigen 199,CA19-9)[95%置信区间(confidence interval,CI):1.150-1.820,P=0.002]及肿瘤长径(longest diameter,LD)(95%CI:1.159-22.584,P=0.031)为预测T2与T3期直肠癌的独立危险因素,构建的所有模型中组合特征模型效能均高于单独特征模型,训练集XGBoost分类器模型效能最高,AUC为0.998(95%CI:0.995-1.000),作为本研究输出模型。结论基于MRI轴位高分辨T2WI图像的DL影像组学机器学习模型可有效预测直肠癌T2与T3期,其中训练集组合特征的XGBoost分类器模型效能最佳。

基于定量CT及临床危险因素列线图预测重症新型冠状病毒肺炎短期预后

目的:探讨定量CT结合临床危险因素构建的列线图预测重症新型冠状病毒肺炎(COVID-19)短期预后的价值。方法:回顾性分析287例重症COVID-19患者的胸部CT及临床资料,其中好转出院222例(生存组),住院期间死亡65例(死亡组),采用分层抽样按7∶3将患者随机分为训练集(n=200)与验证集(n=87)。单因素与多因素logistic回归分析筛选导致死亡的独立危险因素,构建联合预测模型,并绘制模型的列线图。Hosmer-Lemeshow检验及校准曲线评价模型的拟合优度与校准度。结果:单因素与多因素logistic回归分析实性密度体积百分比、年龄、慢性阻塞性肺病、白细胞计数、淋巴细胞计数、中性粒细胞计数、超敏C反应蛋白是预测患者死亡的独立危险因素。联合预测模型的曲线下面积训练集为0.836 (95%CI 0.771~0.901)、验证集为0.825 (95%CI 0.722~0.928),Hosmer-Lemeshow检验训练集(χ^(2)=9.927,P=0.270)及验证集(χ^(2)=7.777,P=0.456)均拟合较好,校准曲线显示了较高的校准度。结论:定量CT结合临床危险因素构建的预测模型能够有效预测重症COVID-19患者短期预后,基于此构建的列线图能够可视化预测结果。

临床-影像组学列线图术前预测直肠癌T分期

目的:探讨临床特征联合影像组学列线图术前预测直肠癌T分期的价值。方法:回顾性分析2018年1月至2022年7月收治的508例经组织病理学确诊的直肠癌患者的临床及影像资料。将患者按7∶3随机分为训练组(n=355)及验证组(n=153)。用MaZda软件基于增强CT静脉期图像分别提取瘤体及瘤周纹理特征,利用LASSO回归对训练组纹理特征降维,建立影像组学标签,并计算标签评分。采用多因素Logistic回归分析筛选独立危险因素,构建临床-影像组学联合预测模型,并绘制模型的列线图及校准曲线,使用受试者工作特征(ROC)曲线评价各模型的预测效能,决策曲线(DCA)评价模型的临床适用性。结果:基于瘤体及瘤周共提取614个纹理特征,降维后得到6个最优特征。建立的所有模型中列线图效能最高。列线图的AUC在训练组为0.894(95%CI:0.860~0.928),验证组为0.946(95%CI:0.914~0.978)。结论:临床-影像组学列线图术前能够有效地预测直肠癌T1-2期与T3-4期,并将预测结果可视化,为临床直肠癌规范化治疗提供参考依据。