人工智能在乳腺超声报告生成中的应用

目的超声是中国女性乳腺检查的常用方法,提升超声医生临床诊断效率对乳腺筛查的全面普及意义重大。尽管医生目前有自己的模板生成超声报告,但从模板到最终形成报告,还有很多繁琐工作需要医生完成。本文尝试通过人工智能(artificial intelligence,AI)技术,辅助医生完成部分繁琐工作,提高医生完成乳腺超声报告的效率。方法首先基于乳腺影像报告和数据系统的词汇索引以及医生临床经验,归纳出结构化特征描述语句;然后基于卷积神经网络(convolutional neural networks,CNN)+Transformer模型获取患者的良恶性分类信息,基于Unet和冒泡排序模型自动标记、测量病灶最大径和计算纵横比;最后AI综合上述信息生成初步诊断报告,用以辅助医生生成最终报告。结果AI报告特征描述语句准确率达81.52%,病灶最大径相对误差为10.8%,纵横比准确率达到100%,提升医生撰写报告效率达到68.31%。结论该模型在保证准确率的情况下,能够有效减少医生撰写报告时间,为优化乳腺超声检查流程提供了技术基础。

基于双序列MRI的计算机辅助诊断鉴别软组织肿瘤良恶性的研究

目的:研究使用计算机辅助分析方法针对软组织肿瘤MRI影像进行肿瘤良恶性鉴别的价值。方法:回顾性收集了在辽宁省肿瘤医院就诊的72例软组织肿瘤患者的CE-T1和T1WI双序列MRI影像数据(2017年1月至2018年1月)。通过提取和筛选MRI影像特征,建立支持向量机(SVM)、K-最邻近(KNN)和随机森林(RF)三种机器学习分类器模型对肿瘤病灶进行二分类鉴别;提出一种新型集成学习分类器模型用于将两个序列MRI信息进行融合。通过绘制受试者工作特征曲线(ROC)并计算ROC曲线下面积(AUC值)以评估模型的分类鉴别能力。结果:三种机器学习分类器均取得较好的良恶性鉴别效果;提出的集成学习分类器的分类效果最佳,AUC值达到0.922(敏感性=0.965,特异性=0.783)。结论:本研究提出的计算机辅助模型能够利用MRI影像对软组织肿瘤良恶性进行有效的辅助鉴别,具有一定的潜在应用价值。

基于瘤内异质性分割的软组织肿瘤MRI影像组学辅助诊断研究

目的建立用于软组织瘤磁共振成像(Magnetic Resonance Imaging,MRI)影像辅助诊断的计算机影像组学方法。方法收集了在中国医科大学附属辽宁省肿瘤医院就诊的75例软组织瘤患者的T1增强和T1平扫序列MRI影像数据,采用无监督k-means算法将肿瘤区域分割为高亮度和低亮度亚区。分别提取瘤内亚区及肿瘤完整区域的影像组学特征建立模型,评估各区域诊断价值,建立基于k-最邻近机器学习分类器的融合模型,绘制受试者工作特征(Receiver Operating Characteristic,ROC)曲线和校正曲线,计算ROC曲线下面积(Area Under Curve,AUC)、特异性和敏感性作为模型评价指标,通过决策曲线(Decision Curve Analysis,DCA)分析模型的潜在临床应用价值。结果T1增强序列和T1平扫序列的瘤内高亮度亚区诊断效果均优于低亮度亚区及肿瘤完整区域。通过特征级融合建立的影像组学融合预测模型在训练集和测试集上获得AUC值分别为0.865(特异性=0.763,敏感性=0.763)和0.856(特异性=0.867,敏感性=0.800),校正曲线表明建立的诺模图模型有较好的预测能力,DCA分析进一步表明模型具有良好的潜在临床应用价值。结论本研究提出的基于瘤内亚区分割的MRI影像组学融合模型能对软组织瘤进行有效辅助诊断,具有一定的临床医学应用价值。

STEM教育理念下幼儿园科学活动的组织策略

STEM教育兴起于上世纪80年代的美国,其宗旨在于推进国民的创新能力与实践能力。STEM教育是将科学、技术、工程和数学实施融合,利用跨学科的综合知识与能力解决真实性问题。在我国,STEM教育也已正式列入国家规划。2016年教育部出台的《教育信息化“十三五”规划”》中明确指出有效利用信息技术推进“众创空间”建设,探索STEM教育、创客教育等新教育模式,使学生具有较强的信息意识与创新意识,养成数字化学习习惯,具备重视信息安全、遵守信息社会伦理道德与法律法规的素养。在幼儿园科学教学中,将STEM教育理念渗透其中,将幼儿园科学活动与STEM融为一体,为幼儿学习科学注入新动力,在STEM教育理念下的幼儿园科学教学有以下策略。