基于深度学习的角膜活体共聚焦显微镜图像辅助识别系统的构建及应用

目的构建基于深度学习的角膜活体共聚焦显微镜(IVCM)图像人工智能(AI)辅助识别系统,并评估其在临床上的应用价值。方法采用诊断试验研究方法,收集2021年5月至2022年9月于武汉大学人民医院及武汉大学中南医院行IVCM检查的331例受试者18860张角膜IVCM图像,经资深角膜专家对图像进行筛选分类后用于模型的训练及测试。模型包括低质量图像过滤模型、角膜图像诊断模型及角膜上皮层、前弹力层、基质层和内皮层4个层次识别模型,判断正常及异常角膜图像与对应角膜层次。选取360张独立于数据库的IVCM图像进行人机大赛,比较3位角膜专业高年资医师与人工智能对图片识别的准确度及用时。另选取8位未经过IVCM培训且临床经验少于3年的低年资医师对360张图像进行无模型辅助及模型辅助下识图,对2次评估结果进行差异分析以评估模型辅助效果。结果本诊断模型筛选高质量图像的准确度为0.954,在内部及外部测试集中,识别角膜正常/异常图像的总体准确度分别为0.916和0.896;在识别正常及异常图像的角膜层次中,内部测试集的准确度分别达到了0.983及0.925,外部测试集分别达到了0.988及0.929。人机大赛中,模型总体的识别准确度为0.878,与3名高年资医师的平均准确度相近,且评估速度远高于高年资医师,约为其300倍。低年资医师经机器辅助后对图像正/异常及层次诊断的总体平均准确度为0.816±0.043,明显高于模型辅助前的0.669±0.061,差异有统计学意义(t=6.304,P<0.001)。结论成功构建了一种基于深度学习的IVCM角膜图像辅助识别系统,可以较准确地分辨正常/异常图像并诊断图像对应角膜层次,能够提高临床诊断效率并辅助医师训练学习。

MiR-497对角膜新生血管的抑制作用及其靶向STAT3调控机制

目的探讨miR-497在碱烧伤诱导的角膜新生血管(CNV)形成过程中的作用及其机制。方法选用健康清洁级6~8周龄野生型(WT)C57BL/6小鼠42只以及成功鉴定为CRISPR/Cas9介导的miR-497敲除(KO)和过表达转基因(TG)小鼠各42只,分别作为WT组、KO组和TG组。构建角膜碱烧伤模型,分别于造模后第3、7、14、21天行裂隙灯显微镜检查并进行角膜上皮损伤评分和角膜基质混浊评分,测量CNV面积;采用组织病理染色法观察角膜结构变化和炎症细胞的表达;采用免疫组织化学染色法检测角膜组织中CD31的表达;采用荧光素酶报告基因检测miR-497与信号转导及转录激活蛋白3(STAT3)之间的靶向结合关系;采用实时荧光定量PCR法检测各时间点小鼠角膜组织中miR-497以及血管内皮生长因子A(VEGFA)、肿瘤坏死因子(TNF)-α、白细胞介素(IL)-6、IL-1β、单核细胞趋化蛋白(MCP)-1 mRNA的相对表达量变化;采用Western blot法检测各组造模后14 d角膜组织中STAT3、p-STAT3蛋白的表达。结果小鼠角膜碱烧伤后出现角膜损伤和炎症细胞浸润,同时出现CNV。角膜上皮损伤评分、角膜基质混浊评分和CNV面积呈现先升高后降低的趋势,并在造模后第14天时达峰值。各组造模后不同时间点角膜上皮损伤评分、角膜基质混浊评分、CNV面积和CD31阳性细胞数总体比较差异均有统计学意义(F_(分组)=49.19、34.56、44.56、77.56,均P<0.01;F_(时间)=51.62、65.62、71.32、46.12,均P<0.01);其中KO组各时间点角膜上皮损伤评分、角膜基质混浊评分、CNV面积和CD31阳性细胞数均高于WT组和TG组,TG组各指标均低于WT组,差异均有统计学意义(均P<0.05)。在野生型STAT3共转染细胞中,miR-497组荧光素酶活性明显低于miR-阴性对照组和正常对照组,差异有统计学意义(均P<0.05);在突变型STAT3转染细胞中,各组间荧光素酶活性比较,差异无统计学意义(F=0.69,P=0.56)。WT组、KO组、TG组造模后14 d角膜组织中miR-497的相对表达量分别为0.68±0.11、0.41±0.06、1.05±0.14,均明显低于造模前的1.00±0.04、0.56±0.07、1.34±0.11,差异均有统计学意义(均P<0.01)。造模后第14天,KO组STAT3及p-STAT3蛋白相对表达量均明显高于WT组和TG组,TG组各蛋白相对表达量低于WT组,差异均有统计学意义(均P<0.05)。各组造模后各时间点VEGFA、TNF-α、IL-6、IL-1β和MCP-1 mRNA相对表达量均明显高于造模前,KO组各mRNA相对表达量明显高于同时间点WT组和TG组,TG组各mRNA相对表达量明显低于同时间点WT组,差异均有统计学意义(均P<0.01)。结论MiR-497可抑制碱烧伤诱导的角膜炎症反应及CNV形成,其可能通过靶向STAT3抑制炎症信号通路的激活。

HBIG联合恩替卡韦用于HBsAg阳性受者接受HBsAg阳性供肾移植的临床观察

目的探讨乙肝免疫球蛋白(HBIG)联合恩替卡韦预防乙肝表面抗原(HBsAg)阳性受者接受HBsAg阳性供肾移植后的疗效。方法回顾性分析2015年1月-2017年8月的30例肾移植病例的临床资料。其均为HBsAg阳性受者接受HBsAg阳性供肾,同时在供肾植入前,将HBIG 400 U注入100 ml HTK保存液中,并经肾动脉灌注入肾脏中,以及术后HBIG联合恩替卡韦预防策略。术后随访,评价移植肾、肝功能,检测乙肝DNA复制,并分析受者和移植物的存活率。结果截至2017年10月,随访3~36个月。受者存活率为100%,移植肾存活率为100%。术后3周时,丙氨酸转氨酶(ALT)为(67±17)U/L,天冬氨酸转氨酶(AST)为(53±12)U/L,血肌酐为(112±67.3)μmol/L,乙肝DNA为1×10~2~5×10~8拷贝/ml,2例患者HBV DNA拷贝数较前明显增加,1例患者进展为肝硬化代偿期,无急性肝衰竭和肝肿瘤发生。结论 HBsAg阳性受者可接受HBsAg阳性供肾,同时利用HBIG联合恩替卡韦预防,可有效控制乙肝短期爆发发生。

新型冠状病毒肺炎疫情期间心理健康对干眼的影响及防控

自2019年12月至今,新型冠状病毒肺炎(COVID-19)疫情在武汉和全球暴发,全球范围内新型冠状病毒(2019-nCoV)感染患者仍不断增加,给我国甚至全球公共卫生防控工作带来了极大挑战。在我国,虽然在2019-nCoV感染的疫情防控时期全国医务人员及公共卫生防疫人员全力抗疫,但是长期隔离措施对人们的生活方式带来了巨大冲击,疫区人们对疫情蔓延和患者的伤亡以及经济损失等产生了强烈的恐惧心理和负面情绪,这些心理健康问题会导致和加重干眼的发生和发展。本文探讨疫情期间疫区人们心理健康状况对干眼的影响及作用机制,并提出相关建议,旨在为疫情前后疫区人群的心理应激及相关眼病的管理和防控提供参考。

翻转课堂理念下的初中信息技术教学模式探究

信息技术逐渐改变了我们的生活和学习方式，迅猛发展的信息技术也为现代化教学提供了翻转课堂教学模式这种新型教学观念。初中信息技术应用翻转课堂进行教学，能够提升学生的问题分析和解决能力，弥补传统教学模式的不足。本文分析了翻转课堂教学模式的特点，重点研究了在初中信息技术教学过程中如何开展翻转课堂教学。

基于深层卷积神经网络的眼科B型超声图像玻璃体视网膜疾病辅助诊断系统应用评估

目的探讨一种基于深层卷积神经网络的眼科B型超声图像诊断系统的临床应用价值。方法收集2018年1月至2020年10月于武汉大学人民医院眼科中心进行眼科B型超声检查的1278例受试者3600张B型超声图像,以此构建图像数据集,由3位资深专业眼科医师对图像进行标记。将数据集分为训练集2812张图像和测试集788张图像,采用深度学习算法构建诊断模型,检测模型识别视网膜脱离(RD)、玻璃体积血(VH)及玻璃体后脱离(PVD)的准确性。选取120张独立于数据库的B型超声图像,由3位高年资眼科超声医生进行评估并记录评估时间,并与模型评估结果进行对比分析。另选取8位低年资临床医生模型辅助前后分别对独立于数据库的另外150张眼科B型超声图像进行评估,对2次评估结果进行差异分析以评估模型辅助效果。结果本诊断模型识别正常眼、RD、VH、PVD以及其他疾病的准确度分别为0.954、0.909、0.881、0.990和0.920。人机对比中,模型识别各类眼底疾病的准确度与高年资医师相近,评估图像的时间约为高年资医生的1/2。经模型辅助后,8位低年资医师诊断准确度均有显著提升(P<0.01)。结论该智能评估模型诊断RD、VH、PVD的准确度较高,并能提高临床诊断效率,较好地辅助临床医生进行评估。

人工智能在眼表疾病中的应用现况

近年来,随着计算机学科的进步与学科交叉融合的推进,人工智能(AI)在医学领域呈现出迅猛发展的态势,在眼科学也取得了许多突破性进展。既往AI在眼科学的应用研究大多集中在糖尿病视网膜病变、年龄相关性黄斑变性等眼底疾病。近年来,随着AI学习算法的改进以及大数据的开发利用,AI在眼科学的应用范围得以进一步拓展,越来越多的研究开始将AI应用于眼表疾病。本文综述了AI在圆锥角膜、翼状胬肉及角膜炎等眼表疾病中的相关研究和应用,探讨当前AI在眼科学临床应用中面临的挑战与机遇,并对其未来发展前景进行展望,旨在为眼科AI的发展提供新思路。

睑板腺缺失面积的图像深度处理分析研究

目的探讨睑板腺图像深度处理分析方法的临床应用价值。方法诊断评价研究。采集2017年1月至2018年12月就诊于武汉大学人民医院眼科中心年龄(40.03±11.46)岁的干眼患者的2304幅睑板腺图像构建睑板腺图像数据库,由2名临床医师对图像进行标记,利用深度学习算法建立模型,检测模型对睑板腺识别及标注的准确性并计算睑板腺缺失率。采用平均精度均值(mAP)及验证集损失值评价模型对特征区域识别的准确性。并随机选取64幅数据库以外的睑板腺图像,由7名受试医师独立评估后与模型评估结果进行统计性t检验。结果模型对睑结膜进行标记的mAP>0.976,验证集损失值<0.35;对睑板腺标记的mAP>0.922,验证集损失值<1.0。模型标记的睑板腺比例为53.24%±11.09%,人工标记为52.13%±13.38%,差异无统计学意义(t=1.935,P>0.05)。模型评价每幅图像仅需0.499 s,而临床医师用时平均超过10 s。结论该睑板腺图像深度处理方法可提高临床检查结果的准确性,提高诊断效率,可用于睑板腺功能障碍相关疾病的临床辅助诊断和筛查.