目的基于“真实世界”研究2 L复方聚乙二醇电解质溶液(PEG)在结肠镜检查前肠道准备时的应用效果。方法选取2022年11月至2023年4月在我院消化内镜中心使用2 L PEG方案进行肠道准备的4268例患者,根据波士顿肠道准备量表(BBPS)对总体、各...目的基于“真实世界”研究2 L复方聚乙二醇电解质溶液(PEG)在结肠镜检查前肠道准备时的应用效果。方法选取2022年11月至2023年4月在我院消化内镜中心使用2 L PEG方案进行肠道准备的4268例患者,根据波士顿肠道准备量表(BBPS)对总体、各段结肠的清洗结果进行评分,按照是否合格分为合格组(n=3802)和不合格组(n=466)。比较两组的危险因素、依从性及患者感受等。结果在使用PEG进行肠道准备的4268例检查者中,3802例合格(合格率89.1%),466例不合格(不合格率10.9%)。BBPS总评分为(6.60±1.10)分,右侧结肠评分为(2.05±0.48)分,横结肠评分为(2.45±0.55)分,左侧结肠为(2.10±0.45)分。息肉总体检出率为51.6%(2203/4268)。进行多因素Logistic回归方程分析,结果显示,男性、胃肠道外科手术史、糖尿病史、每周排便<3次均为导致结肠镜检查前肠道准备不合格的危险因素(均OR>1,P<0.05)。结论2 L PEG方案能够基本满足中国人结肠镜检查肠道准备的需求,对于男性、胃肠道外科手术史、糖尿病史、每周排便<3次的检查者需要进行更严格的肠道准备方式。展开更多
针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法...针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法。该算法首先构建了多尺度特征增强(multi-scale feature enhancement,MSFE)模块对提取的多尺度图像特征进行细致的筛选和强化,有助于识别和关注图像的重要和关键细节。然后,设计了边界感知冗余框过滤器(boundary aware redundant box filter,BARF),能够有效过滤已知对象重叠框和未知对象冗余框,减少了单个提议框包含不完整对象或密集对象的情况。在自动驾驶数据集道路场景(way scenes,Wayce)上的实验表明,与几种优秀的目标检测算法和开放世界目标检测算法相比,MEBA-OWOD算法在已知类平均精确率均值、未知类平均精确率指标上分别比次优的对比算法提高了0.3%、49.6%。该算法能在不影响对已知目标检测的同时,加强对未知目标的检测,能够较好地应用于自动驾驶领域。展开更多
文摘目的基于“真实世界”研究2 L复方聚乙二醇电解质溶液(PEG)在结肠镜检查前肠道准备时的应用效果。方法选取2022年11月至2023年4月在我院消化内镜中心使用2 L PEG方案进行肠道准备的4268例患者,根据波士顿肠道准备量表(BBPS)对总体、各段结肠的清洗结果进行评分,按照是否合格分为合格组(n=3802)和不合格组(n=466)。比较两组的危险因素、依从性及患者感受等。结果在使用PEG进行肠道准备的4268例检查者中,3802例合格(合格率89.1%),466例不合格(不合格率10.9%)。BBPS总评分为(6.60±1.10)分,右侧结肠评分为(2.05±0.48)分,横结肠评分为(2.45±0.55)分,左侧结肠为(2.10±0.45)分。息肉总体检出率为51.6%(2203/4268)。进行多因素Logistic回归方程分析,结果显示,男性、胃肠道外科手术史、糖尿病史、每周排便<3次均为导致结肠镜检查前肠道准备不合格的危险因素(均OR>1,P<0.05)。结论2 L PEG方案能够基本满足中国人结肠镜检查肠道准备的需求,对于男性、胃肠道外科手术史、糖尿病史、每周排便<3次的检查者需要进行更严格的肠道准备方式。
文摘针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法。该算法首先构建了多尺度特征增强(multi-scale feature enhancement,MSFE)模块对提取的多尺度图像特征进行细致的筛选和强化,有助于识别和关注图像的重要和关键细节。然后,设计了边界感知冗余框过滤器(boundary aware redundant box filter,BARF),能够有效过滤已知对象重叠框和未知对象冗余框,减少了单个提议框包含不完整对象或密集对象的情况。在自动驾驶数据集道路场景(way scenes,Wayce)上的实验表明,与几种优秀的目标检测算法和开放世界目标检测算法相比,MEBA-OWOD算法在已知类平均精确率均值、未知类平均精确率指标上分别比次优的对比算法提高了0.3%、49.6%。该算法能在不影响对已知目标检测的同时,加强对未知目标的检测,能够较好地应用于自动驾驶领域。