基于CNKI的中医英译期刊文献关键词可视化分析

目的分析中医英译领域的发展脉络、研究方向、核心关键词、热点,寻找领域发展新方向。方法在中国知识资源总库(CNKI)检索1949-2019年发表的中医英译领域文献,通过CiteSpace3.8.R1.32对关键词进行统计、聚类,并绘制图谱。结果共纳入文献1742篇,关键词聚类共聚为15类,模块度=0.831,平均轮廓值=0.6099,其中,轮廓值>0.6的聚类7个,表明聚类效果较好,结果可信。识别出高中心度(>0.1)关键词10个,高频(>20次)关键词9个;高突变性(>10)关键词3个,分别是中国传统(节点突变性=13.43)、语言学(节点突变性=12.58)、《黄帝内经》(节点突变性=12.11)。结论中医英译领域的主流研究方向包括中医术语翻译的实践、中医理论体系英译等,今后学科的研究热点将是《黄帝内经》的英译实践与探讨、翻译中传统文化现象的处理及从语言学角度对中医英译行为的体察。

通过眼底影像评估冠心病及相关危险因素的深度学习模型研究

目的开发并验证一款基于视网膜眼底图像的深度学习模型,用于识别冠心病及其危险因素。方法本研究为回顾性研究。收集2018年7月至2021年6月来自中国149家医院和体检中心,年龄>18岁、具有完整冠状动脉造影及视网膜眼底图像的受试者。2名对研究设计不知情的放射科医师独立评估每位受试者的冠状动脉造影图像,判断是否诊断为冠心病。使用卷积神经网络(CNN)深度学习模型,根据有无冠心病将视网膜眼底图像进行标注,按比例分为训练集和测试集进行模型训练。并且在测试集中分别使用单眼和双眼眼底图像评估模型预测性能。使用受试者工作特征曲线下面积(AUC)及相关系数(R2)评估模型识别心血管疾病危险因素(年龄、血压、性别)以及冠心病的效能。结果本研究收集到25222名受试者的51765张眼底图像,其中男性14419名,冠心病患者10255例。训练集纳入了22701名受试者的46603张眼底图像,测试集共纳入2521名受试者的5162张眼底图像。在测试集中,模型从单眼和双眼视网膜眼底图像中判断年龄的R2分别为0.931(95%CI 0.929~0.933)和0.938(95%CI 0.936~0.940)。从单眼和双眼视网膜眼底图像中识别性别的AUC值分别为0.983(95%CI 0.982~0.984)和0.988(95%CI 0.987~0.989)。该模型运用单眼(任一)眼底照片识别冠心病的AUC值为0.876(95%CI 0.874~0.877),双眼(均值)眼底照片的AUC值为0.885(95%CI 0.884~0.888),模型通过双眼视网膜眼底照片判断冠心病的灵敏度为0.894,特异度为0.755,准确度为0.714。结论基于视网膜眼底图像的深度学习模型在评估冠心病及其危险因素(年龄、性别)方面表现良好。