基于深度学习乳腺X线摄影钙化识别分类模型的临床应用价值

【目的】引入基于深度学习乳腺X线摄影钙化识别及分类模型,探讨深度学习技术对钙化灶的准确识别、分类和临床应用价值。【方法】采用多中心乳腺X线检查数据,分别由高-初级诊断医生及两名初级诊断医生采用不结合及结合深度学习模型进行病灶评估,评价其诊断效能。【结果】引入深度学习模型识别钙化灶能力与高-初级诊断医生及两名初级诊断医生识别钙化灶能力相仿(漏检率分别为0.81%vs.0.65%,1.14%vs.1.63%,P>0.05),深度学习模型能够有效帮助高-初级诊断医生(灵敏度0.926,AUC0.81,P=0.014)及两名初级诊断医生(灵敏度0.896,AUC0.79,P=0.049)检出可疑恶性钙化灶,特别是在良性病变中的准确率提升作用明显。【局限】仍需更多前瞻性多中心数据验证模型稳健性,也需引入不同深度学习模型比较其临床应用价值。【结论】深度学习模型有助于乳腺X线摄影钙化识别及分类评估,有助于乳腺癌大规模筛查背景下提供辅助诊断及临床策略支持。

利益分析视角下棚户区改造问题与对策

伴随着不断发展更新的城市规划建设需求,2008年以来我国开始大范围进行各类棚户区改造活动,有效改善了贫困居民的住房条件。但随之而来,也暴露出许多棚户区改造工作中的难题,究其深层原因,主要是由棚户区改造的经济属性、利益相关体的博弈和棚户区改造公共利益界定不明所导致。不断推进棚户区改造工作,需要坚持"政府主导,市场化参与"的模式,在利益均衡的基础上进行科学化决策,以公共利益为导向加强棚改的法制化建设,才能进一步提升贫困家庭的生活质量,有效改善城市整体面貌,促进区域经济发展与社会和谐。

高职院校学生科创实践平台研究与实践——以广东轻工职业技术学院为例

作为培养高层次技术技能人才的高职院校,创新创业教育必须凸显应用性,将实践教学作为核心环节。当前高职院校创新创业教育仍然存在理念落后模式单一、师资不足资源缺乏、受众有限覆盖面窄和各自为政不成体系等问题。基于广东轻工职业技术学院办学特色,探索并实践建设基于"项目引导、平台推动、以赛促创"的学生科创实践平台,将科技项目的实施与实践教学结合起来,激发学生对科学创造与创业实践的浓厚兴趣,培养创新意识、科研精神和创业能力,为进一步优化高职院校创新创业实践教育提供参考和借鉴。

全程护理对肺结核并咯血病人治疗效果的影响

目的:探索全程护理对肺结核并咯血患者的护理效果。方法:选取东莞市第六人民医院收治的120例肺结核并咯血患者,分为观察组和对照组,各60例,对照组采用常规护理,观察组采用全程护理,观察两组患者咯血恢复情况。结果:120例患者经密切观察后表明,观察组肺结核并咯血患者的恢复效果显著优于对照组,差异具有统计学意义(P<0.05)。结论:全程护理对肺结核并咯血患者的护理效果确切。

基于乳腺X线摄影的深度学习技术鉴别乳腺影像报告和数据系统3类与4类疾病的价值

目的探讨基于乳腺X线摄影的深度学习技术鉴别乳腺影像报告和数据系统(BI-RADS)3类与4类疾病的价值。方法回顾性分析2020年1至12月在深圳市人民医院及深圳市罗湖区人民医院乳腺X线摄影评估为BI-RADS 3类及4类305例患者的临床及影像资料。305例患者共314个病灶, 均为女性, 年龄21~83(47±12)岁。按1∶1比例交叉、简单随机分配给2名工作经验分别为5年及6年普通影像诊断医师(普通医师A、普通医师B)和2名工作经验均为21年且经过专业乳腺影像培训的乳腺影像诊断医师(专业医师A、专业医师B)单独阅片, 之后分别结合深度学习系统再次阅片, 最终将乳腺病变重新分为BI-RADS 3类或4类。采用受试者操作特征曲线及曲线下面积(AUC)评价诊断效能, 以DeLong法比较AUC的差异。结果普通医师A结合深度学习系统重新分类BI-RADS 3类与4类乳腺病灶的AUC较普通医师A单独诊断明显提高(AUC分别为0.79、0.63, Z=2.82、P=0.005);普通医师B结合深度学习系统重新分类BI-RADS 3类与4类乳腺病灶的AUC较普通医师B明显提高(AUC分别为0.83、0.64, Z=3.32、P=0.001)。专业医师A结合深度学习系统与专业医师A、专业医师B结合深度学习系统与专业医师B重新分类BI-RADS 3类与4类乳腺病灶的AUC差异均无统计意义(P>0.05)。结论基于乳腺X线摄影的深度学习系统辅助普通医师鉴别BI-RADS 3类与4类疾病的效能更显著。

基于深度学习乳腺X线摄影联合自然语言处理预测不同病理进展期乳腺导管原位癌预后研究

目的建立预测不同病理进展期乳腺导管原位癌(DCIS)预后的模型, 并评估其效能。方法回顾性分析2014年11月至2020年12月深圳市人民医院、北京大学深圳医院、深圳市罗湖区人民医院接受乳腺X线摄影检查的273例不同进展期乳腺DCIS患者的完整病例资料。患者均为女性, 年龄26~86(49±11)岁。其中110例纳入单纯DCIS+乳腺导管原位癌伴微浸润(DCIS-MI)组, 163例纳入浸润性导管癌伴导管原位癌(IDC-DCIS)组, 对患者临床、影像及病理特征进行分析。影像特征提取采用乳腺Mammo AI融合模型及基于深度学习的自然语言处理(NLP)技术的诊断报告结构化模型。对各组患者按照6∶4比例通过Python软件随机分为训练集和验证集, 以单因素分析和多因素logistic回归分析筛选预测因子, 选择赤池信息量准则值最小者构建预测模型。绘制受试者操作特征曲线评估预测模型效能。结果单纯DCIS+DCIS-MI组以雌激素受体(-)或人表皮生长因子受体2(3+)为预后不良参考标准, 预后不良62例, 预后良好48例;IDC-DCIS组以诺丁汉预后指数为参考标准, 预后不良33例, 预后中等73例, 预后良好57例。单纯DCIS+DCIS-MI组中, DCIS核分级、乳腺X线摄影可疑形态钙化、DCIS病理亚型、伴微浸润共4个预测因子被用于建立模型;IDC-DCIS组中, 神经/脉管侵犯、Ki67水平、DCIS分子亚型、DCIS成分占比、乳腺X线摄影伴随征象共5个预测因子被用于建立模型。训练集中模型预测单纯DCIS+DCIS-MI预后不良的曲线下面积(AUC)为0.92(95%CI 0.84~1.00), 验证集中为0.90(95%CI 0.82~0.99);训练集中模型预测IDC-DCIS预后不良的AUC为0.84(95%CI 0.76~0.93), 验证集为0.78(95%CI 0.64~0.91)。结论基于深度学习联合NLP所建立的模型能有效预测不同病理进展期DCIS预后状态, 有利于DCIS风险分层, 为临床决策提供参考。