基于DenseNet算法对膜性肾病组织病理图像肾小球钉突分类研究

目的开发基于DenseNet算法对膜性肾病(MN)肾小球钉突病理图像进行分类的人工智能模型,研究人工智能模型是否能辅助病理科医师在MN病理检测中发现钉突这一细微结构,提高病理科医师对MN的病理诊断水平。方法选取2014-2019年山西医科大学附属第二医院收治的MN患者肾组织针刺活检病理切片1250张,经筛选符合要求的六胺银(PASM)染色病理切片1150张,选择诊断为MN病理分期Ⅱ期的PASM染色病理图像127张。前期实验通过Cascade R-CNN网络识别并检测肾小球。由高年资病理科医师对切割后的肾小球进行分类,将含有钉突样改变的肾小球视为钉突阳性,共492张图像;将不含有钉突样改变的肾小球视为钉突阴性,共523张图像。使用基于深度学习的DenseNet分类网络构建对肾小球钉突进行分类的人工智能模型。将数据集以8∶2分为训练集和测试集,模型性能通过测试数据集进行评估。使用经训练的DenseNet模型对图像进行测试。通过灵敏度、特异度和受试者工作特征曲线的曲线下面积(AUC)对训练后的模型进行评估。结果基于DenseNet模型是正确检测到的是否有钉突的肾小球并对其进行二分类。根据测试结果得到召回率为98.00%,精确度为92.45%,准确率为95.00%,F1为95.15%。DenseNet模型表现出高性能,AUC为0.97。结论DenseNet对肾小球钉突的二分类获得了较高的召回率、准确率和灵敏度,但精确度和特异度尚需进一步提高才能更好地辅助病理科医师诊断MN。

膜性肾病

病例报告患者女性，５８岁，因浮肿蛋白尿半年于１９９８－０５－２１入院。半年前无明显诱因出现可凹性浮肿，双下肢尤其明显，在当地医院查尿蛋白７．８ｇ／２４ｈ，无肉眼及镜下血尿。病程中亦无发热、皮疹、关节痛，无尿路刺激症状，夜尿不多。按“原发性肾病综合征”...

含氟牙釉质粘接剂粘接强度的研究

目的 通过离体牙试验 ,阐明口腔正畸含氟牙釉质粘接剂的粘接强度。方法 测试和比较含氟牙釉质粘接剂及不含氟牙釉质粘接剂的剪切强度以及扫描电镜下粘接剂渗入酸蚀后牙釉质表面形成的树脂钉突长度。结果 使用含氟牙釉质粘接剂与使用不含氟牙釉质粘接剂的托槽 牙界面剪切强度及粘接剂渗入酸蚀后牙釉质表面形成的树脂钉突长度均无显著性差异。

石蜡薄片、改良特染及光镜油镜对膜性肾炎病理诊断探讨

膜性肾小球肾炎或膜性肾病,是原发性肾小球肾炎最常见的类型。对膜性肾小球肾炎的确诊问题,历来采用肾穿刺取活组织,在光镜、电镜以及免疫荧光三结合下确定诊断。然而。