IO卡件自动测试系统的设计与实现

阐述一种自动测试系统的框架,该系统框架采用分层结构和模块化,结合IO卡件的测试流程及现有生产技术条件,实现一种可用于IO卡件烧录测试的自动化测试系统。测试系统包含控制软件、信号源测试机箱及相关部件,可配套离线版测试工装或自动化产线使用,实现对待测单板开展烧录、校准和功能测试以及待测成品的完整功能测试。该测试系统的部署实施可以提高生产测试效率,完成重复性劳动的自动化处理,并可同步生成测试报告,实现生产测试数据档案的电子化,从而使企业规模化生产的管理水平和管理质量得到提升。

关联数据驱动下的数字图书馆参考咨询服务模式研究

目前参考咨询服务体系仍然存在平台技术与系统功能不完善的问题。文章基于关联数据技术构建参考咨询服务新模式,通过关联数据实现图书馆信息资源的精细化、结构化及语义关联化数据整合,对已有模式中每个环节进行优化,增添统计分析模块改善虚拟咨询服务方式,提高参考咨询服务质量。

彩色多普勒超声联合超声弹性成像技术在乳腺肿瘤鉴别诊断中的应用及效能分析

目的:探索临床诊断乳腺肿瘤时联合应用彩色多普勒超声与超声弹性成像技术的效果。方法:将我院2019年6月-2020年10月期间收治的128例乳腺疾病患者作为研究对象,所有患者均经病理穿刺活检进行确诊,且入院后均先完成彩色多普勒超声和超声弹性成像检查。根据病理穿刺活检结果进行分组,乳腺良性肿块患者分为良性组,恶性肿瘤患者分为恶性组,比较彩色多普勒超声与超声弹性成像技术单独应用及联合应用的准确性、特异性和敏感性。结果:临床诊断乳腺肿瘤时单独采用彩色多普勒超声的准确率,特异性和敏感性分别为94.53%,92.63%和84.85%,单独应用超声弹性成像技术的准确率,特异性和敏感性分别为95.31%,94.74%和84.85%,二者联合诊断准确率,特异性和敏感性分别为98.44%、98.95%、96.97%。结论:临床诊断乳腺肿瘤时联合应用彩色多普勒超声与超声弹性成像技术可有效提高诊断的准确率、特异性和敏感性。

CDFI、UE联合诊断乳腺结节及TNM分期效果观察

目的探讨超声弹性成像技术(UE)与彩色多普勒超声技术(CDFI)联合用于乳腺结节良恶性临床鉴别及TNM分期诊断的价值。方法选取86例乳腺结节患者作为研究对象,均给予CDFI联合UE检查。以手术病理诊断结果作为“金标准”,回顾分析该种诊断方案的应用效能。结果86例患者中62例为良性病变,24例为恶性病变。良性组、恶性组CDFI检查血流分级及UE评分比较均有明显差异,且差异均有统计学意义(P<0.05)。TNM分期不同,患者UE评分、CDFI血流分级均明显不同,且差异有统计学意义(P<0.05)。CDFI联合UE检查用于恶性乳腺结节检查的敏感度高达95.83%,显著高于UE、CDFI检查的79.17%(P<0.05),诊断特异度、准确度对比均无显著差异(P>0.05)。结论CDFI和UE检查应用于乳腺结节良性、恶性临床鉴别诊断表现出较高效能,且能够为TNM分期评估提供可靠参考数据。

基于知识图谱的国内信息资源管理发展研究

如何有效管理大量信息,及时、准确地做出决策,消除信息的不确定性和不对称,成为信息管理资源所面临的重要问题。以1998-2017年CSSCI中有效的1220篇信息资源管理领域作为研究文献的样本,采用文献计量学分析方法,利用可视化文献分析软件Citespace绘制科学知识图谱,然后考证出1998-2017年之间国内信息资源管理研究的热点主题和重要前沿趋势,以期为全面了解未来信息资源管理的发展趋势提供理论支撑。

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例,以2018年8月31日为节点将其分为训练集(526例)和验证集(302例),提取肿块的超声影像组学特征并进行特征筛选,运用k最近邻(kNN)、逻辑回归(LR)、朴素贝叶斯(NB)、随机森林(RF)和支持向量机(SVM)5种机器学习算法分别建立预测模型,使用重复交叉验证方法做内部验证,计算比较各模型的敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV),并实施外部验证,绘制ROC曲线并比较ROC曲线下面积(AUC)以评价模型的鉴别诊断性能,绘制校准曲线评价模型校准度。结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中,5种模型的敏感度、特异度、PPV、NPV比较,总体差异均有统计学意义(P均<0.001)。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778,3项指标均高于其他4种模型;敏感度中位数为0.824,高于kNN、RF和SVM模型。此外,SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759,虽均低于LR模型,但均高于其他3种模型。在外部验证中,LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703,其中LR与SVM的AUC差异有统计学意义(P=0.012);此外,各模型在校准性能上表现并不一致,LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。结论以超声影像组学特征为基础,运用不同机器学习算法建立的乳腺癌超声预测模型,均表现出较高的诊断性能,其中LR模型表现最为突出;选择合适的机器学习算法有助于进一步提高预测模型的诊断性能,提供更加准确的量化预测结果。