放射多组学协同学习预测鼻咽癌自适应放疗触发机制

针对传统的放射多组学(影像组学、剂量组学和轮廓组学)模型往往采用特征拼接的方式,容易忽略不同组学特定统计属性、产生过拟合的问题,提出了以一致性约束和自适应权重为核心构建的多组学协同学习算法(multi-omics collaborative learning,MOCL)。该算法采用一致性约束挖掘不同组学特征之间的互补模式,再通过香农熵自适应学习不同组学特征的权重,最后引入紧致度图来避免过拟合现象。通过将MOCL在311名鼻咽癌患者组成的临床影像数据上得到的实验结果与3种传统的机器学习算法以及2种多视角算法进行比较,结果表明MOCL在多组学协同学习上,具有一定的优势,能为鼻咽癌自适应放疗资格预测提供有价值的决策依据。

力学载荷对骨整合影响的动物实验研究

植入体的骨整合使植入体与骨组织间形成牢固的接合,可承受功能性生理载荷.加载时间是决定植入体骨整合进程的关键因素.然而,关于初期载荷是否影响骨整合的进程,或者,无载荷愈合期是否可以缩短等问题现在还不清楚.本文通过动物实验,研究在骨愈合初期,外部载荷如何影响骨整合的进程.将钛植入体侧向植入山羊胫骨,从术后4周开始,对植入体加不同大小轴向载荷.加载两周时,取下连带植入体的胫骨;设计专门的"拔出"力测试实验,以检测不同分组(包括加载组和无载荷组)植入体的拔出力、骨-植入体界面的剪切强度.并采用组织学染色、能量色散谱(energy dispersive spectroscopy,EDS)和扫描电子显微镜(scanning electron microscope,SEM)分析骨-植入体界面特征,以评价骨整合状态.结果表明,术后4周时,骨-植入体界面没有良好的骨整合,在无载荷组样本的骨-植入体界面处可发现成纤维样组织,而轴向10N加载组样本的骨-植入体界面则发生良好的骨整合.这表明,植入手术后一定的载荷可以有利于骨整合的发生.本研究提示,术后初期的载荷会影响植入体骨整合的进程,而适宜的载荷可缩短术后骨整合发生的时间.