人工智能在医学图像处理中的研究进展与展望

目前,世界总体已进入老龄化社会,患各种疾病的人越来越多,有限的医疗资源难以满足当今社会的医疗需求。人工智能在医疗领域的应用早期包括信息咨询、电子病历等,后期在基于影像、病理等数据的基础上对皮肤病、肺结节等方面的智能诊断进展迅速。人工智能在类似这些领域的广泛应用可以适当地缓解医疗资源紧张、临床医生负担重等问题。本述评从人工智能辅助医学图像分割、疾病的智能诊断和智能预后评估三个方面,分析近几年国内外人工智能在医学图像处理中的研究和应用,探讨医学人工智能的研究进展,并对今后的研究方向进行展望,为未来人工智能辅助医学图像处理提供借鉴,加快医疗资源数字化,节约医疗成本,提高医疗效率。

颅脑CT影像深度学习预测脑出血破入脑室

目的 探索深度学习技术在脑出血是否破入脑室自动分类方面的应用。方法 收集2010年1月到2020年12月陆军军医大学第一附属医院神经外科收治的1 027例自发性脑出血患者的颅脑CT影像,将每层图像划分到正常、未破入脑室、破入脑室3个类别,利用DenseNet121、ResNet50、ResNet101、Swin-base、Vit-base与VGG16等6种典型的深度网络分别构建用于判断脑出血是否破入脑室的分类模型,并在内部数据集和外部数据集(CQ500)上分别进行测试。为增强深度学习网络的可解释性,利用EigenGradCAM方法制作热力图对深度模型的关注区域进行可视化。结果 利用精确率、召回率、特异性、阴性预测值与F1值评价深度模型性能,VGG16模型在内部测试集上,正常组分别取得0.983、0.977、0.984、0.978与0.980,未破入脑室组分别取得0.917、0.902、0.965、0.958与0.909,破入脑室组分别取得0.877、0.911、0.966、0.976与0.894;外部测试集上,正常组分别取得0.967、0.870、0.985、0.938与0.916,未破入脑室组分别取得0.827、0.939、0.902、0.967与0.879,破入脑室组分别取得0.938、0.906、0.970、0.954与0.922;内部测试集和外部测试集的准确率分别为0.940、0.905。基于EigenGradCAM方法制作的热力图表明VGG16能够合理关注到相关区域。结论 利用VGG16构建的深度模型在判断脑出血是否破入脑室方面取得了最优的预测性能,表明深度学习可以应用于脑室出血的判断。

人工智能在乳房外Paget病病理诊断及鉴别中的应用

目的建立乳房外Paget病(extramammary Paget’s disease,EMPD)组织病理诊断的人工智能(artificial intelligence,AI)诊断模型,并评价其对EMPD诊断及鉴别诊断的效能。方法收集2003年9月至2023年2月于陆军军医大学第一附属医院皮肤科就诊并行皮肤组织活检术,且病理明确诊断为EMPD、Bowen病、皮肤鳞状细胞癌(squamous cell carcinoma,SCC)以及表皮增生肥厚为主要病理特征的非肿瘤性皮肤病患者的病理资料。以EMPD为主要研究对象,与Bowen病、SCC以及非肿瘤性皮肤病病理图像进行鉴别,通过ResNet101、DenseNet121深度学习神经网络对4种疾病的组织病理进行分类诊断并评价模型效能。结果ResNet101诊断模型诊断EMPD、Bowen病、SCC及非肿瘤性皮肤病的20倍组织病理图像的AUC值分别为0.97、0.98、1.00、0.96,准确度为(0.925±0.011);40倍组织病理图像AUC值分别为1.00、0.99、1.00、0.97,准确度为(0.943±0.017)。DenseNet121诊断模型诊断EMPD、Bowen病、SCC及非肿瘤性皮肤病的20倍组织病理图像的AUC值分别为0.98、0.95、0.99、1.00,准确度为(0.912±0.034);40倍组织病理图像AUC值分别为0.99、0.96、1.00、1.00,准确度为(0.971±0.012)。表示分类诊断模型能够将EMPD与Bowen病、SCC及非肿瘤性皮肤病等的低倍组织病理图像进行有效区分。ResNet101计算量为786.6 M、参数量为4.5 M,DensNet121计算量为289.7 M、参数量为0.8 M。结论本研究建立的组织病理图像人工智能诊断模型对EMPD的诊断及鉴别诊断具有较高效能,并推荐DenseNet121为皮肤病理图片的诊断模型。

破而后立:骨骼系统中破骨细胞新功能解析

骨骼系统为支撑身体、协调躯体运动、控制矿物质稳态和造血提供了重要的基础。破骨细胞是由单核/巨噬细胞造血谱系前体细胞融合而成的特化细胞,在骨稳态和健康维持中至关重要。已有大量实验证实其细胞形成和功能失调与骨质疏松症、骨折愈合、骨关节炎和原发性/转移性骨肿瘤等密切相关。一直以来,破骨细胞作为“噬骨者(bone eaters)”被聚焦于探讨其在骨稳态和疾病中的角色。近年来,随着单细胞标记和检测技术的快速发展并在骨领域中的广泛应用,新的“破骨细胞亚型”概念及其功能不断得到解析和完善。骨微环境稳态是破骨细胞及其主导的细胞网络共同活动的结果;从细胞网络出发,系统阐释破骨细胞与骨/关节疾病的内在关系,才能更好地理解疾病的本质。“破而后立”——是本课题组所提出通过调控破骨细胞来重建骨微环境稳态、以延缓骨/关节疾病进程的新理念。同时,将“破骨细胞”概念引入传统组织工程骨与软骨构筑技术,有望实现骨/软骨疾病干预和再生修复的综合应用。

基于增强CT图像和Swin Transformer网络的食管癌T分期智能诊断模型的构建与评估

目的基于增强CT图像和Swin Transformer网络,拟构建食管癌T分期智能诊断模型。方法收集2018年1月至2022年4月在陆军军医大学第一附属医院和山西省肿瘤医院胸外科经病理证实为食管癌的150例患者的45000张术前增强CT图像。经过UperNet Swin网络自动分割和肿瘤体积的计算,使用ResNet50、Swin Transformer和VIT 3个网络进行食管癌T分期智能诊断模型的构建。使用精准率、召回率、F1-score、特异度以及阴性预测值(negative predictive value,NPV)等指标在150例内部数据集上评价模型性能,描绘混淆矩阵和ROC曲线。结果在3个食管癌T分期诊断的模型中,Swin Transformer模型结合肿瘤体积、病理信息等特征的分期诊断效果最好,T1~T4期的精准率分别为1.00、0.67、0.83、1.00,AUC为0.861,优于ResNet50和VIT分期诊断模型,它们的精准率分别为0.13、0.27、0.59、0.81和0.03、0.14、0.56、0.75,AUC分别是0.611和0.542。结论与ResNet50和VIT网络比较,Swin Transformer网络能够更精准进行食管癌智能T分期诊断。

基于Vgg16-Unet模型的MRI图像下前列腺分区智能分割研究

目的基于前列腺核磁共振图像(MRI),构建深度学习智能分割模型,展开MRI图像下前列腺分区的智能分割研究。方法收集山西省肿瘤医院2018年1月至2020年10月33例经MRI扫描的前列腺癌患者T2WI本地数据,包括T1期6例,T2期15例,T3期9例,T4期3例。选取荷兰奈梅亨拉德堡德大学医学中心提供的前列腺MRI公开数据集中前列腺癌患者的T2WI序列数据,共379例数据,所有数据按照7∶1∶2的比例随机划分为训练集265例、验证集38例和测试集76例。在Unet模型基础上以Vgg16模型为编码器,使用多层卷积层的同时利用迁移学习策略,构建Vgg16-Unet模型,以医师手工勾画和标注的前列腺分区(前纤维基质带、中央带、外周带、移形带)为金标准,在测试集上,采用Dice相似系数(Dice similarity coefficient,DSC)、95%豪斯多夫距离(95%Hausdorff surface Distance,HD95)评估模型对前列腺分区的分割精度。结果模型在测试集上对前纤维基质带、中央带、外周带、移形带实现了较为准确的分割,其平均DSC分别为56.95%、47.28%、80.78%、90.63%,平均HD95分别为20.84、20.02、15.39、11.20 mm。模型智能分割与手工标注测量的体积一致性较好,其差值均位于95%一致性区间内。结论构建的Vgg16-Unet模型分割精度优于Unet、Unet++、ResUnet++3个Unet经典变种网络,能够显著提高前列腺癌MRI图像分割效率,减轻医师工作量。

基于深度学习的MRI图像下前列腺癌T分期诊断研究

目的通过与Dense-Net、Res-Net和Vision-Transformer(ViT)网络比较,探讨Swin-Transformer(SwinT)网络在前列腺癌MRI图像T分期诊断中的优势。方法收集2018年4月至2022年1月期间山西省肿瘤医院和陆军军医大学第二附属医院共152例经病理活检证实的前列腺癌患者的MRI图像,包括T2WI和fT2WI两种序列共计3017幅。依据临床T分期报告,将患者图像分为2类:低中危组(T≤T2c)和高危组(T≥T3a),并将所有患者按照7∶1∶2的比例简单随机划分为训练集(n=107)、验证集(n=15)和测试集(n=30)用于训练智能T分期诊断模型。采用准确度、精确度、混淆矩阵、受试者工作特征曲线(ROC)以及ROC曲线下面积(AUC)等参数评估各网络的诊断效能。结果在低中危组和高危组的二分类中,Dense-Net、Res-Net、ViT以及SwinT网络模型训练集中精确率分别为0.587、0.410、0.600、0.680,以及AUC分别为0.630、0.477、0.648、0.708。SwinT网络模型热力图的注意力主要集中在前列腺区域,特征提取效果最好。结论相比Dense-Net、Res-Net及ViT网络,SwinT网络在前列腺癌MRI图像分类任务中取得了最优的预测性能,可用于前列腺癌T分期的智能诊断,提高诊疗效率。

基于中国数字化人体的支气管树三维模型构建及纤维支气管镜手术模拟仿真

目的构建人体肺支气管树详细的三维数字化结构,并进行虚拟仿真和3D打印,为纤维支气管镜手术虚拟仿真提供精准的形态学资料。方法选择中国数字化人体CVH1,2,5,6胸部的断层解剖图像,使用AMIRA软件对肺和支气管树进行分割并三维重建,使用Cinema 4D软件平滑,构建交互式3DPDF模型,并进行3D打印,创建虚拟纤维支气管镜手术仿真模型。结果我们构建了4例详细的肺支气管树三维数字化模型,包括3例成人,1例儿童,展示了人体支气管树3~6级分支,4级与6级分支数都为上一级分支数两倍左右,左肺段支气管为8段,6级支气管分支数为63.8±3.6,右肺段支气管为10段,6级支气管分支数为63.8±3.6,左右肺6级支气管数比为0.79。支气管最长长度均位于左叶,儿童管腔直径均小于3例成人的管腔直径。结论支气管树的三维数字化模型、3D打印模型、3D-PDF和手术虚拟仿真软件,提高了对支气管树解剖学和发育生物学的认识。我们认为,左肺的B1+2和B7+8段支气管为单独的段支气管,而不是两段合并的段支气管,此研究为临床解剖学教学和纤维支气管镜手术虚拟仿真提供了形态学基础。

大鼠脑缺血后早期心脑耦合变化规律及预后观察

目的基于大鼠大脑中动脉闭塞(middle cerebral artery occlusion,MCAO)模型研究脑缺血后早期心脑耦合指标的变化规律及其与预后的关系。方法将20只7~8周龄健康雄性SD大鼠[体质量(290±25)g]随机分为2组(n=10):脑缺血实验组(MCAO组)和假手术组(Sham组)。两组大鼠同步采集基线和术后0~4 h的Ⅱ导联心电图(electrocardiography,ECG)和双通道脑电图(electroencephalogram,EEG),每24 h进行神经功能缺损评分(neurological deficit score,NDS)并记录生存时间。心电信号提取心率变异性(heart rate variability,HRV)指标:RR间期序列(RR Interval,RRI)、低频成分(low frequency,LF)、高频成分(high frequency,HF)、低高频比值(LF/HF);脑电信号提取δ、θ、α、β波功率谱指标。基于上述指标构建心脑网络,采用转移熵算法量化不同网络节点之间的耦合强度并应用于生存预后,比较曲线下面积(area under curve,AUC)。结果心脑之间存在双向作用且在缺血后双向耦合均增大,其中HRV LF成分与脑电δ波功率谱之间存在明显增强的耦合作用。转移熵指标(AUC=0.717,P=0.010)在预后性能上优于HRV指标(AUC=0.571,P=0.404)和EEG功率谱指标(AUC=0.583,P=0.329)。结论脑缺血后心脑之间低频耦合增强,心脑耦合指标提高了预后性能。

信号长度对基于心率校正心率变异性分析准确性的影响

目的 观察信号长度对基于心率校正心率变异性(heart rate variability, HRV)分析结果的影响,探索获得准确HRV分析所需采集信号的最短时间长度。方法 采集2017年5月至2019年11月在陆军军医大学第一附属医院体检或就诊的116名正常对照者和72名肥厚型心肌病(hypertrophic cardiomyopathy, HCM)患者的24 h心电数据,运用基于心率校正的HRV方法计算临床常用的9个指标。以24 h结果为标准,对比3种信号长度(5、30、60 min)计算结果的准确性和可靠性。结果 用基于心率校正的HRV方法对3种长度的信号进行分析,HCM患者的9个HRV指标均显著低于正常对照者(P<0.05)。当信号长度为5、30和60 min时,随着信号长度的增加,HRV结果和24 h结果的相关系数逐渐增大,分别为0.36±0.22、0.76±0.14和0.97±0.04 (P<0.05),和24 h结果的相对误差逐渐减小,分别为(28.09±22.96)%、(7.78±4.78)%和(3.27±1.79)%(P<0.05),受试者工作特征曲线下面积逐渐增大,分别为0.75±0.04、0.87±0.08和0.89±0.08 (P<0.05)。结论 短时HRV分析对HCM患者风险评估结果的准确性随信号长度的减小而降低。当使用基于心率校正的HRV分析方法时,获得准确结果所需采集信号的最短时间为60 min。

空间双线性注意力网络识别溃疡性结肠炎与克罗恩病

目的 利用深度学习技术辅助内镜医师识别溃疡性结肠炎(ulcerative colitis, UC)与克罗恩病(Crohn’s disease, CD)。方法 收集2018年1月至2020年11月陆军特色医学中心消化内科与邵逸夫医院消化内科共1 576例受试者的内镜图像,包括CD、UC与正常三类共计34 300幅,并按照9∶1的比例随机划分训练集与测试集,用于对网络进行训练与测试。在ResNet50基础上构建新颖的空间双线性深度网络(SABA-ResNet),引入空间注意机制,通过膨胀卷积扩大感受野以联系上下文信息,并与普通卷积局部归纳特性相配合,自适应聚焦病变区域。利用双线性注意提高网络的特征表示能力,以二阶信息加权特征映射的通道信息,从而提高模型的分类性能。结果 SABA-ResNet在测试集上对CD、UC和正常识别的总体准确率为92.67%(95%CI:91.91~93.37),AUC分别为0.978(95%CI:0.972~0.983)、0.977(95%CI:0.971~0.982)和0.999(95%CI:0.998~1.000),灵敏度分别为88.40%、89.07%、98.89%,特异性分别为95.49%、94.88%、98.93%,F1值分别为88.80%、89.01%和98.60%。消融实验与类激活映射图表明空间注意与双线性注意可帮助模型捕获更多病变区域的特征。结论 所构建的网络将空间注意与双线性注意相结合,在CD、UC与正常的识别中取得了良好的性能,可以有效辅助内镜医师对UC与CD进行识别。

构建多病种心脏MRI跨设备智能分割算法

目的构建多病种心脏磁共振成像(magnetic resonance imaging,MRI)跨设备智能分割算法,提升模型在多病种条件下、不同影像设备中的通用性。方法利用MICCAI 2020公开的M&Ms Challenge心脏磁共振数据集(n=320)作为研究对象,针对现有分割模型因小样本数据训练导致泛化能力差的问题,提出不平衡相似度优化损失函数USOLoss,改进主流的UNet、DeepLabV3+、TransUNet算法,对不同病种(疾病组)和不同影像设备(设备组)的心脏磁共振成像进行分割,并进行内外部数据验证。结果利用戴斯相似系数(Dice similarity cofficient,DSC)和豪斯多夫距离(Hausdorff distance,HD)评估模型的性能,其中疾病组模型最佳分割结果DSC为0.845(扩张型心肌病,n=20)、0.811(肥厚型心肌病,n=20)、0.833(健康受试者,n=20)和0.816(其他病种,n=0.62),HD为3.05、2.53、2.15和2.36 mm;设备组模型最佳分割结果DSC为0.830(飞利浦,n=20)、0.844(西门子、n=20)、0.843(佳能,n=20)和0.815(通用电气,n=50),HD指标分别为1.96、2.92、1.67和2.08 mm。与未使用构建算法的模型相比,使用USOLoss构建的模型各项测试结果均得到了提升(P<0.05)。结论不平衡相似度优化损失函数全面提升了现有主流深度学习UNet、DeepLabV3+和TransUNet网络模型性能,降低了不同疾病类型和不同影像设备对分割性能的影响。

基于机器学习的早期肝肿瘤超声造影诊断模型建立及应用价值

目的建立辅助超声造影(contrast-enhanced ultrasound,CEUS)诊断早期肝肿瘤的机器学习模型,并探索其临床诊断效能。方法采用病例-对照研究设计方案,筛选2015年6月至2020年6月在陆军军医大学第一附属医院超声科行CEUS检查,有病理诊断结果且肝肿瘤直径≤30 mm患者的病例资料。最终490例患者共520个肿瘤[恶性肿瘤474个(91.15%),良性肿瘤46个(8.85%)]纳入研究,其中男性406例(82.86%),女性84例(17.14%);年龄22~82(51.98±0.46)岁。由4位超声科医师分析常规超声及CEUS影像特征,意见不一致时经讨论达成共识。将纳入病例资料按照近4∶1比例随机划分为训练集(n=400)和测试集(n=90)。采用支持向量机、随机森林、邻近算法和Logistic等4种模型分析患者常规超声及CEUS影像特征、慢性肝病史和肿瘤标志物。应用准确性、特异性、敏感性和受试者工作曲线下面积(area under the subject curve,AUC)等指标评价模型性能。结果4种模型中,随机森林模型性能最优,在测试集中的准确性、敏感性、特异性和AUC分别为0.97、0.83、0.71、0.987(95%CI:0.934~1.000),其中AUC与其他3种模型差异无统计学意义(均P>0.05)。随机森林模型中按照特征贡献度排名,前5名分别是:肝硬化、年龄、CEUS和常规超声中直径、延迟期增强方式,与以往研究中得出的临床诊断肝脏恶性肿瘤的指标一致,表明本研究建立的模型具有较好的可解释性。结论本研究建立了能联合分析患者CEUS特征、慢性肝病和肿瘤标志物的机器学习模型,在CEUS中诊断早期肝肿瘤的准确性较高。

基于fNIRS的大脑前额叶皮层在不同脑力负荷下的激活模式研究

目的利用功能性近红外光谱成像技术(functional near-infrared spectroscopy,fNIRS)探讨大脑双侧前额叶皮层(prefrontal cortex,PFC)在不同脑力负荷下的激活模式。方法选取本校在校学生34例(男性17例,女性17例),分别进行3种负荷水平的n-back(n=1、2、3)认知记忆任务试验,采用fNIRS检测被试大脑双侧PFC的含氧血红蛋白(HbO_(2))的相对含量和时间特性。结果随着负荷水平的增加,被试任务的正确率显著下降,反应时逐步升高,在1-back时显著低于2-back和3-back,但2-back和3-back之间差异无统计学意义。大脑双侧PFC的激活强度随着负荷水平增加呈现非线性增强,相比于1-back,2-back时左、右侧PFC的激活均增强,特别是右侧PFC激活显著增强(P<0.05),然而3-back时双侧PFC的激活程度与2-back、1-back时差异均无统计学意义。检测fNIRS信号的时间特性发现,左侧PFC在3-back时的血流动力学响应较强。结论fNIRS可以检测到不同脑力负荷下大脑双侧PFC在激活强度和血氧响应模式上均存在差异,随着脑力负荷增加,右侧PFC的功能激活显得较为重要。

基于近红外功能成像技术的大脑冲突监测功能研究

目的运用近红外功能成像技术研究反应时不同的两组被试在冲突监测任务下大脑血氧反应的差异,探讨大脑冲突监测功能的神经机制。方法选取28名本校在校学生作为健康被试,其中男性16名,女性12名,年龄17~20(18.79±0.55)岁。运用近红外功能成像技术(functional near-infrared spectroscopy, fNIRS)采集被试Stroop任务下大脑的血氧浓度变化量。根据他们在Stroop任务中的反应时分为快组和慢组,每组14名。通过nirsLAB软件进行数据分析,对比两组被试大脑血氧反应的差异,并计算被试行为学指标与其大脑血氧浓度变化的相关关系。结果 Stroop任务主要激活的脑区位于双侧背外侧前额叶(dorsolateral prefrontal cortex, DLPFC)和额极区。相比慢组,Stroop任务下快组的脱氧血红蛋白(Hb)浓度变化显著降低(P<0.05),主要位于左侧DLPFC和额极区。同时,Ch4通道Hb的浓度变化值与被试反应时呈现正相关关系(r=0.422 3,P=0.025 2)。结论实验结果验证了DLPFC在冲突监测功能中的核心作用,同时发现左侧额极区的Hb浓度变化可以作为反映大脑冲突监测功能的重要指标。

机器学习自动识别小鼠异位性心搏

临床上检测异位性心搏,对心血管疾病的早发现、早诊断、早治疗有重大意义。异位性心搏的自动识别能有效减轻人工识别的负担。采用37只小鼠各10 min的心电图(ECG)信号,由3位专家完成异位性心搏的标定及数据库的建立。在此基础上,使用7种机器学习方法,组合脉冲排除滤波器和模板匹配算法的值,对异位性心搏点进行自动识别。实验结果表明,7种机器学习的方法都能得到较好的预测性能(所有曲线下面积(AUC)大于0.899),其中集成学习AdaBoost的预测能力最好(AUC=0.940,准确度、特异性均为0.888)。

基于XGBoost的COVID-19患者重症风险早期预测模型的建立与评价

目的利用新型冠状病毒病(corona virus disease 2019,COVID-19)患者的临床特征数据构建XGBoost预测模型,并评价预测模型对COVID-19患者重症进展风险早期预测的效能。方法对2020年2月10日至4月5日火神山医院病案系统内经实验室确诊的COVID-19患者进行筛选,共收集347例有完整医疗信息和实验室检查结果的患者数据。首先筛选出21个具有显著性差异的指标作为训练模型的输入特征;对构建的XGBoost模型进行贝叶斯优化以调整参数,并基于特征重要性筛选出最优特征组合;进一步分析各特征数值大小对预测结果的正负影响,利用SHAP(SHapley Additive exPlanation)对各特征重要性进行量化和归因;对XGBoost预测模型进行性能评价,并将其与其他机器学习方法进行对比,讨论其优势所在。结果本研究选取21个重症组与非重症组差异显著的特征进行训练和验证。在K最邻近(k-nearest neighbor,KNN)模型中具有10个特征的最优子集获得了验证集中4个模型中曲线下面积(area under curve,AUC)值的最高值。年龄、脉率、白细胞计数、中性粒细胞计数、C-反应蛋白、总胆红素、肌酐、D-二聚体(D-Dimer)越高,疾病重症风险越高;淋巴细胞计数、白蛋白水平越低,疾病重症风险越高。XGBoost与支持向量机的预测性能优于其他机器学习方法(在测试集上AUC值分别为0.9420、0.9594),其中XGBoost训练速度明显更优。结论基于XGBoost成功建立了预测模型,以最优特征子集实现了对COVID-19患者重症进展风险的早期预测。

L1/2正则化的逐次高光谱图像光谱解混

由于高光谱遥感图像的混合程度较高,使得传统的非负矩阵欠逼近(Nonnegative Matrix Underapproximation,NMU)算法所提取的基本成分仍然"不纯",且易受噪声影响。针对这些不足,提出了一种基于L1/2正则化的软阈值NMU逐次光谱解混算法。首先,通过引入丰度的L1/2正则项来增强算法的地物区分能力,进而提高所分离地物的纯度;其次,利用软阈值惩罚函数代替NMU中的残差非负约束,通过调节惩罚因子来控制非负元素的数量,从而提高算法的抗噪性能。在仿真数据和实测数据上的实验结果表明,即使在有噪声的条件下,该算法也能得到较好的分离结果。

二氯乙酸盐激活ROS-JNK通路增强索拉非尼对肝癌细胞增殖的抑制作用

目的探讨二氯乙酸盐(dichloroacetate,DCA)与索拉非尼(sorafenib)联合使用对肝癌细胞Hep3B增殖抑制的效果及可能机制。方法将Hep3B细胞分为对照组(DMSO)、DCA处理组(5 mmol/L)、索拉非尼处理组(10μmol/L)和联合组(5 mmol/L DCA联合10μmol/L索拉非尼)4个组,处理24 h后,在显微镜下观察各组细胞形态;采用CCK-8检测细胞增殖,流式细胞仪检测细胞凋亡;通过Western blot检测凋亡相关蛋白PARP的表达和p-JNK的水平;采用活性氧(ROS)检测试剂盒检测细胞ROS的变化;用流式细胞仪检测加入抗氧化剂和阻断JNK通路后的细胞凋亡的变化。结果 DCA和索拉非尼联合处理24 h能够显著改变细胞形态,杀伤细胞。与对照组和单独用药组比较,联合组显著增强对肝癌Hep3B细胞的增殖抑制效果(P<0.05),明显增加Hep3B细胞中PARP的剪切与JNK的磷酸化水平,胞内ROS水平也明显升高;联合使用抗氧化剂NAC可显著抑制DCA和索拉非尼处理导致的JNK磷酸化水平升高和对Hep3B细胞的增殖抑制效果。结论 DCA和索拉非尼联合使用可显著抑制肝癌细胞Hep3B的增殖,其机制可能与激活ROS-JNK通路有关。

基于静息态功能磁共振的肌萎缩侧索硬化症大脑功能网络研究

目的探讨肌萎缩侧索硬化症(amyotrophic lateral sclerosis,ALS)脑功能网络异常模式,为ALS早期诊断及预后评估寻找客观影像学标记。方法于2015年5月至2018年3月在陆军军医大学第一附属医院神经内科招募确诊ALS患者25例;同时招募年龄、性别匹配的26例健康志愿者作为对照组,均行3.0T磁共振扫描仪采集静息态(functional magnetic resonance imaging,fMRI)扫描,构建大脑大尺度功能网络。基于图论理论进行网络差异分析,经双样本t检验比较两组脑功能网络的全局和节点属性,并将ALS患者脑功能连接及网络参数与认知及运动功能评分进行Pearson相关分析。结果与健康对照组相比,ALS患者大脑前、后脑区之间功能网络连接显著增强(P<0.05);左侧眶内额上回-缘上回功能连接降低并与修订版ALS功能量表(revised ALS functional rating scale,ALSFRS-R)评分呈正相关(r=0.512,P=0.008)。与健康对照组相比,ALS患者标准化特征路径长度降低,额叶、枕叶等脑区节点效率及节点度增加(P<0.05),扣带回及苍白球等结构的节点效率及节点度降低(P<0.05)。结论应用静息态功能磁共振数据可反映ALS患者脑功能网络连接异常改变,左侧眶内额上回-缘上回功能连接值可作为一种客观影像学标记,用于对ALS的早期诊断及预后评估。