数字资产会计处理探析

数字资产的迅猛发展成为我国经济发展的新态势,也逐步成为企业和国家之间竞争的核心资产。但是,国际会计准则和我国现有的会计准则均未对数字资产的会计处理有单独规定。鉴于此,文章先从数字资产的定义及分类进行论述,然后借鉴国外对数字资产相关会计处理规则,提出我国应增设“数字资产”科目,并从会计确认、会计计量、会计核算以及会计披露四个方面的实用建议。

基于影像特征建立乳腺癌腋窝淋巴结转移机器学习预测模型

目的探索乳腺癌原发灶的X线及超声征象术前无创预测腋窝淋巴结(ALN)转移的价值。方法回顾性收集320例经病理证实为浸润性乳腺癌女性病人的临床及影像资料。根据ALN病理结果是否有转移灶,将病人分为ALN阳性组(154例)和阴性组(166例)。数据集以8∶2的比例随机分为训练集(256例)和测试集(64例)。提取乳腺癌原发灶的全视野数字化乳腺X线摄影(FFDM)和超声(US)影像征象,选择最优算法分别构建基于FFDM、US征象以及两者联合的ALN转移预测模型,根据受试者操作特征(ROC)曲线下面积(AUC)评估模型效能并选取最优模型。采用SHAP可解释技术可视化最优模型决策过程,解析乳腺癌ALN转移的影像预测因子。2组病人FFDM和超声影像征象比较采用Mann-Whitney U检验、卡方检验或Fisher确切概率检验。采用Delong检验比较各模型的AUC。结果基于FFDM、US以及联合特征构建的3种模型,其AUC值有递增趋势,但AUC差异均无统计学意义(均P>0.05)。SHAP可解释技术显示,乳腺癌ALN转移的前5个重要影像预测因子包括2个US征象(肿块最大径、强回声光点)以及3个FFDM征象(皮肤增厚、乳头回缩、乳腺密度散在纤维腺体类)。其中,US显示肿块较大、FFDM上表现为皮肤增厚或乳头回缩时,模型更倾向于预测ALN转移为阳性;而在US上未发现强回声光点或在FFDM上乳腺腺体类型表现为散在纤维腺体类时,模型更倾向于预测ALN阴性。结论基于FFDM及US征象构建的可解释机器学习模型能较好地预测乳腺癌ALN转移,有望成为术前无创预测乳腺癌ALN转移的新手段。

冠心病监护病房开展舒适护理联合情绪疏导的临床观察

目的探究冠状动脉粥样硬化性心脏病(简称冠心病)监护病房(CCU)开展舒适护理联合情绪疏导对患者治疗效果的影响。方法选取80例冠心病患者作为研究对象,按照随机数字表法分为对照组(常规护理)和观察组(舒适护理+情绪疏导),各40例。比较2组患者舒适度、心理弹性、CCU住院时间、呼吸机支持治疗时间及并发症发生率。结果护理前,2组患者舒适度评分(Kolcaba评分)比较,差异无统计学意义(P<0.05)。护理后,2组患者Kolcaba评分均增加,且观察组Kolcaba评分高于对照组,差异有统计学意义(P<0.05)。护理前,2组患者心理弹性比较,差异无统计学意义(P>0.05)。护理后,2组患者心理弹性均较护理前增强,且观察组高于对照组,差异有统计学意义(P<0.05)。观察组CCU住院时间(4.78±0.87)d,呼吸机支持治疗时间(7.65±1.24)d,少于对照组的(7.25±1.24)d、(10.25±1.25)d,差异有统计学意义(P<0.05)。观察组并发症发生率为2.50%,低于对照组的15.00%,差异有统计学意义(P<0.05)。结论CCU冠心病患者实施舒适护理联合情绪疏导可提升患者舒适度、心理弹性,缩短治疗时间,降低并发症发生率。

基于X线及超声乳腺影像报告和数据系统构建机器学习模型预测乳腺癌分子分型

目的观察基于X线及超声的乳腺影像报告和数据系统(BI-RADS)选取影像学特征构建的机器学习模型预测乳腺癌分子分型的可行性。方法回顾性分析200例经病理的浸润性乳腺癌,根据免疫组织化学结果分为Luminal组(n=109)与非Luminal组(n=91),组内按7∶3比例随机分为训练亚组及测试亚组。采集11个临床信息,并提取24个影像学特征,建立4种机器学习模型,通过受试者工作特征(ROC)曲线评价各模型预测不同分子分型乳腺癌的效能,比较各模型曲线下面积(AUC)的差异。结果测试组随机森林(RF)、极端梯度提升(XGBoost)、逻辑回归(LR)及支持向量机(SVC)模型判断不同分子分型乳腺癌的敏感度分别为74.10%、74.10%、77.80%和70.40%,特异度分别为63.60%、51.50%、57.60%和60.60%,准确率分别为68.30%、61.70%、66.70%和65.00%;其中RF模型判断Luminal型与非Luminal型乳腺癌的AUC值最大(AUC=0.70,P<0.05),但与其他模型间差异均无统计学意义(P均>0.05)。结论 RF模型预测不同分子分型乳腺癌的效能较好。

不同分子分型原发乳腺癌临床病理特征及X线、超声表现:140例23~35岁患者

目的探讨不同分子分型原发年轻乳腺癌的临床病理特征及X线、超声诊断要点。方法收集经病理确诊的140例原发年轻乳腺癌,回顾性分析其各亚型的临床病理资料以及X线、超声表现。采用免疫组织化学检测ER、PR、HER2及Ki-67,HER2(++)者行FISH检测。结果 140例年轻乳腺癌的分子分型比例依次为Luminal B型>HER2过表达型>三阴性型>Luminal A型。各亚型年轻乳腺癌的X线表现差异具有统计学意义(P<0.05)。Luminal A型主要表现为肿块伴钙化,呈不规则形,边缘毛刺;Luminal B型表现为肿块伴钙化,呈不规则形,边缘模糊;HER2过表达型表现为单纯钙化,呈细小多形性或/及细线样,段样分布;三阴性型表现为单纯肿块,呈不规则形,边缘模糊。不同亚型的超声均表现为不规则实性低回声团伴钙化,边缘模糊,但回声性质及血供情况存在差异。不同亚型年轻乳腺癌的病理学类型虽具有统计学意义,但均以IDC 2级多见,且以Luminal B型所占比例最高。各亚型年轻乳腺癌的淋巴结转移及远处转移以Luminal B型常见,但差异均不具有统计学意义(P>0.05)。结论本组病例超声主要征象虽不具特征性,但三阴性型较常出现混合回声,各分子亚型血供也有所区别,因此术前可根据X线及超声综合表现作出初步分子分型判定。

影像组学在乳腺癌分子分型中的应用现状及研究进展

影像组学通过提取并分析不同成像中肿瘤的灰度直方图特征、形态特征等肉眼无法识别的特征以量化肿瘤异质性,目前已广泛应用于乳腺癌的诊断与鉴别诊断、生物学行为评价以及预后评估等方面,尤其在术前无创性评估乳腺癌的分子分型方面显示出极大的潜能。就影像组学在乳腺癌分子分型中的研究进展予以综述。

基于区块链技术的数据资产确权问题研究

在快速更迭的数字时代,数据已经发展为当今时代重要的价值要素与资产资源,数据资产亦释放出巨大的商业价值。而随之产生的主体分散、权属复杂、数据价值参差、难以追溯、信息茧房等数据确权问题难以解决。区块链是一种不可篡改的、可追溯的、全历史的数据库存储技术,这与数据资产的确权难题天然契合。研究内容从现状与局限出发,利用区块链技术设立数据资产确权机制,为数据资产的确权和交易提供了实现条件,并从政府、社会和技术三方面提供确权依据与政策指南。

AI+技术在智能财务应用中的潜在伦理风险分析与对策

新技术与人工智能(AI)结合运用于财务领域能够显著提升财务工作质效,但同时也容易因技术应用引发隐私泄露、算法偏见和过度依赖等伦理风险。本文结合区块链智能结算平台、基于中台技术+AI的销售预算模型、差旅费用智能报销机器人三种智能财务工具的应用,对其中潜在的隐私泄露、算法偏见和过度依赖等伦理风险进行分析,并进一步从对隐私泄露风险进行伦理评估、算法偏见公平性管理和对过度依赖进行干预性管理三个方面提出对策建议。