简介：摘要目的探讨不同病理类型以血尿为主要表现的患儿各临床指标的差异，并建立基于临床资料的BP神经网络预测模型。方法收集2003年6月至2018年12月重庆医科大学附属儿童医院以血尿为主要表现并行肾活检患儿的临床资料及肾脏病理结果，进行各临床指标的差异性比较，并建立以血尿为主要表现患儿肾脏病理的BP神经网络预测模型。结果共纳入438例患儿。其中男232例，女206例；起病年龄(7.00±3.15)岁。按照不同临床表现分为：镜下血尿组(179例)、肉眼血尿组(81例)、镜下血尿并蛋白尿组(44例)、肉眼血尿并蛋白尿组(134例)。差异性检验结果显示，各组性别、起病年龄、病程、诱因、尿爱迪(Addis)计数中红细胞数、24 h尿蛋白定量、血清素氮、血肌酐、血清蛋白、血IgA水平差异均有统计学意义(均P<0.05)；不同病理类型性别、起病年龄、病程、家族史、尿Addis计数中红细胞数、24 h尿蛋白定量、血尿素氮、血肌酐、血清蛋白、血IgA、C3水平差异均有统计学意义(均P<0.05)。基于以上指标，构建BP神经网络预测模型，并通过留一法验证了该预测模型的准确率为61.19%。结论通过进行不同临床表现和病理分型下各指标的差异性比较，建立以血尿为主要表现患儿的肾脏病理的BP神经网络预测模型。通过相关指标能较为准确预测肾脏病理，为肾活检时机提供依据。

简介：摘要近年来卷积神经网络(convolutional neural network ，CNN)在辅助分析肺癌方面表现出良好的应用前景和研究价值。CNN可以从图像数据中自主学习以提取特定的与临床相关的特征。本文对构建CNN通过输入CT图像进行端到端分析，从而在术前预测肺癌风险和临床治疗效果；以及通过输入肺结节组织切片图像进行术后病理学分析作一综述。

简介：摘要目的优选活血散瘀泡腾片的提取工艺。方法以芍药苷与羟基红花黄色素A含量、干膏收率为评价指标，采用层次分析法、多指标综合评分法结合正交试验、Back Propagation(BP)人工神经网络优选加水量、提取时间、提取次数等工艺参数。结果芍药苷和羟基红花黄色素A分别在0.079 5～1.590 4 μg、0.038 5～1.539 2 μg范围内线性关系良好，平均回收率分别为98.18%、96.22%，RSD分别为0.77%、1.31%。确定活血散瘀泡腾片最佳提取工艺为9倍量水，加热回流提取3次，每次1 h。结论正交试验联合BP人工神经网络优化方法实用高效，优选的提取工艺科学合理，稳定可行。

简介：摘要目的探讨人工神经网络在腹腔镜操作培训中的应用价值。方法采用前瞻性队列研究方法。选取2019年9—11月陆军军医大学第一附属医院158名腹腔镜零基础学员(2019级、2018级、2017级外科硕士研究生52名，外科规培生58名，实习生12名，进修生36名)进行腹腔镜操作培训。采用随机数字表法将学员分为两组。进行人工神经网络腹腔镜模拟器培训的学员设为人工神经网络组；进行箱式腹腔镜模拟器培训的学员设为普通腹腔镜模拟器组。两组学员利用各组的模拟器，接受10 h(为期5 d的连续训练，每天训练时长为2 h)培训，培训内容为腹腔镜手术基本技能。观察指标：(1)两组学员培训前后腹腔镜模拟器操作成绩比较。(2)两组学员培训后腹腔镜模拟器操作成绩提高程度比较。正态分布的计量资料以±s表示，组内比较采用配对t检验，组间比较采用独立样本t检验。偏态分布的计量资料以M(范围)表示。结果筛选出符合条件的学员158名，男140例、女18例；中位年龄为27岁，年龄范围为20~34岁。158名学员中，人工神经网络组79名；普通腹腔镜模拟器组79名。(1)两组学员培训前后腹腔镜模拟器操作成绩比较：人工神经网络组学员培训前钉子转移、图案切割、结扎、体内缝合打结、体外缝合打结分别为(51.2±4.9)分、(45.6±3.7)分、(43.0±3.6)分、(42.1±3.1)分、(39.6±3.1)分，学员培训后上述指标分别为(78.6±3.0)分、(76.4±3.9)分、(79.9±2.5)分、(78.3±3.5)分、(84.1±3.8)分，学员培训前后上述指标比较，差异均有统计学意义(t=-42.490，-56.256，-80.373，-70.802，-79.742，P<0.05)。普通腹腔镜模拟器组学员培训前上述指标分别为(50.1±2.9)分、(45.4±3.9)分、(42.7±3.0)分、(42.3±3.4)分、(39.2±4.7)分，学员培训后上述指标分别为(70.4±5.0)分、(69.8±4.0)分、(72.3±3.3)分、(72.3±3.5)分、(72.8±3.2)分，学员培训前后上述指标比较，差异均有统计学意义(t=-28.942，-42.436，-58.357，-52.322，-53.098，P<0.05)。(2)两组学员培训后腹腔镜模拟器成绩提高程度比较：人工神经网络组学员培训后钉子转移、图案切割、结扎、体内缝合打结、体外缝合打结操作成绩提高程度分别为(27.4±5.7)分、(30.8±5.0)分、(36.9±4.1)分、(36.2±4.5)分、(39.5±5.4)分，普通腹腔镜模拟器组学员培训后上述指标分别为(20.3±6.2)分、(24.4±5.1)分、(29.6±4.5)分、(29.9±5.1)分、(33.5±5.6)分，两组学员上述指标比较，差异均有统计学意义(t=7.597，7.946，10.638，8.200，6.969，P<0.05)。结论腹腔镜操作培训中引入人工神经网络可以提高培训效果。

简介：摘要目的用精准自动勾画女性肠道器官的Dense V-Network模型对宫颈癌患者进行训练并评估。方法将Dense Net与V-Net2个网络模型进行融合，形成一种用于三维CT图像自动分割的Dense V-Network算法。160例宫颈癌患者CT数据被随机分为训练集130例用于调整模型参数，测试集30例用于评估自动分割效果。采用戴斯相似性系数(DSC)等8个参数定量评估分割效果。结果小肠DSC、杰卡德距离、体积差异性系数、敏感性指数、包容性指数、豪斯多夫距离、轮廓平均差异、质心偏差分别为0.86±0.03、0.25±0.04、0.10±0.07、0.88±0.05、0.85±0.05、(2.98±0.61) cm、(2.40±0.45) mm、(4.13±1.74) mm，结果优于单一算法(均P<0.05)。结论Dense V-Network算法可较为准确地分割肠道器官，医生修改审查简单易行，可用于临床。

简介：摘要计算机辅助技术在内镜中的各项应用是近年来的研究热点，其中使用深度学习的人工智能技术(AI)具有跨时代意义。卷积神经网络(CNN)在图像分析中表现最佳，在消化学科领域，CNN被用于处理大量的临床数据和各种内镜图像资料。现主要介绍机器学习技术和AI在无线胶囊内镜小肠疾病自动诊断中的应用。

简介：摘要目的探讨基于卷积神经网络（CNN）的人体行为识别在新一代院前急救中的应用。方法从蒙特利尔跌倒视频数据集获取60份视频，按5∶1比例分为模型训练数据和评价测试数据。①数据模型训练：利用奇异值分解对图片进行清晰化处理，通过目标检测与傅里叶变换识别图片中人体的目标边界，将人体曲线描绘出来；利用OpenCv计算机视觉和机器学习软件库人体姿态估计将人体的重要部位（如臀部、膝盖）标出，计算重要部位连线与水平方向的夹角及检测框架的长宽比例，识别人体是否具有异常行为。②评价测试：从模型训练数据集中随机提取6个视频，每个视频抽取10个1帧，将每帧看成一张图片，对每帧进行CNN行为识别，计算正常行为和异常行为的识别率。结果数据模型训练过程中，对每帧进行人为的标签化，训练CNN人体行为识别模型。评测结果显示，正常行为识别率为（90.33±3.03）%，异常行为识别率为（87.74±2.88）%。结论在路人发生危险行为时，通过CNN识别人体行为可判断其是否处于危急状态，并及时发出预警，对院前急救起到至关重要的作用。

简介：摘要目的训练放疗计划个体化三维剂量预测模型，并使用该模型建立计划质量控制方法。方法回顾性分析99例已临床实施的早期鼻咽癌同步加量容积旋转调强放疗(VMAT)计划，提取7个几何特征，包括各危及器官(OARs)到PTV、加量靶区和外轮廓的最小距离，及4个坐标位置关系特征。训练(89例)并验证(10例)基于人工神经网络(ANN)的三维剂量分布预测模型；然后基于该预测模型建立放疗计划质量控制方法。以各危及器官剂量学参数D2%、D25%、D50%、D75%和平均剂量(MD)为质量控制指标，通过标准为人工计划和预测剂量差别≤10%。采用由低年资物理师设计的10例计划，对该质量控制方法进行测试。结果18个头颈部OARs的主要剂量学指标，预测剂量与专家计划结果差异无统计学意义。剂量预测结果与专家计划相比，D2%、D25%、D50%、D75%和平均剂量(MD)的差别均控制在1.2 Gy以内。由低年资物理师设计的10例计划均达到常规临床剂量限值的要求，而利用建立的质量控制方法检出1例计划的脊髓、脊髓危及器官的计划体积(PRV)、脑干和脑干PRV剂量限制有待改善。根据模型预测值重新优化计划后，脊髓和脑干D2%分别降低了8.4和5.8 Gy。结论提出了一种简单易行的放疗计划质量控制方法，能克服统一性剂量限值未考虑患者特异性的缺陷，可提高个体化计划质量和稳定性。

简介：摘要目的实现直肠癌靶区和正常组织的自动勾画，提高临床工作效率。方法采用基于卷积神经网络的深度学习方法，架构神经网络，学习并实现自动勾画，比较自动勾画与人工勾画的差异。结果210例直肠癌患者随机分组为190例训练集，20例验证集。测量单个患者完整勾画耗时约10s，CTV的平均Dice为0.87±0.04，其余正常组织的平均Dice均>0.8，CTV的HD指数为25.33±16.05，MDA指数为3.07±1.49，JSC指数为0.77±0.07。结论使用基于全卷积神经网络的深度学习方法可以实现直肠癌靶区的自动勾画，提高工作效率。

简介：摘要目的构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络(deep convolutional neural network，DCNN)模型，并测试其功能。方法选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集(数据集1、3、4)，另以公共数据集CVC-ClinicDB(由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成)作为数据集2。数据集1(2018年1—11月的肠息肉图像3 700张，无息肉图像1 000张)用于DCNN模型构建、训练与验证；数据集2和数据集3(2019年1—3月的肠息肉图像320张，无息肉图像400张)用于DCNN模型在图像中的测试；数据集4(2018年12月肠镜视频15个，包含33个息肉)，用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。结果DCNN模型在数据集2中检测肠息肉的敏感度为93.19%(602/646)；在数据集3中检测肠息肉的准确率为95.00%(684/720)，敏感度为98.13%(314/320)，特异度为92.50%(370/400)，假阳性率为7.50%(30/400)；在数据集4中检测息肉逐息肉个数的敏感度为100.00%(33/33)，逐帧准确率为96.29%(133 840/138 998)，逐帧敏感度为90.24%(4 066/4 506)，逐帧特异度为96.49%(129 774/134 492)，逐帧假阳性率为3.51%(4 718/134 492)。结论构建的DCNN模型可用于自动检测结直肠息肉，在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度，且在视频中测试的假阳性率低，可用于帮助内镜医师检测结直肠息肉。

简介：摘要目的验证基于深度卷积神经网络(DCNN)的小肠胶囊内镜智能辅助系统识别、诊断小肠出血的能力。方法通过ESView平台收集1 970例患者的158 235张小肠胶囊内镜检查图像(其中包括165例小肠出血患者的3 765张图像)，用于基于DCNN的小肠胶囊内镜智能辅助系统的训练阶段。在验证阶段，用100例小肠出血患者(活动性出血10例、血痂病例31例、黏膜下出血59例)的图像验证该系统识别、诊断小肠出血的能力。结果基于DCNN的小肠胶囊内镜智能辅助系统的阅片系统可识别小肠出血病灶，并在原胶囊内镜图像上标注；该系统可以显示并标注同一出血病灶的多张图像和同1张图像内多个不同出血病灶；阅片医师利用该系统对100例小肠出血图像的平均阅片时间为(5.23±1.31) min/例，对小肠出血诊断的灵敏度达99.00% (95%CI　93.76%～99.95%)。结论基于DCNN的小肠胶囊内镜智能辅助系统对小肠出血的识别灵敏度高，可用于辅助阅片医师识别、诊断小肠出血。

简介：摘要目的建立基于卷积神经网络的人工智能烧伤深度识别模型并测试其效果。方法在本诊断试验评价研究中，收集中南大学湘雅医院(下称笔者单位)2010年1月—2019年12月收治的符合入选标准的221例烧伤患者伤后48 h内创面照片484张，采用随机数字编号。采用图像查看软件圈出目标创面，由笔者单位烧伤整形科3名具有5年以上专科工作经验的主治医师判断烧伤深度，用不同颜色标记浅Ⅱ度、深Ⅱ度或Ⅲ度烧伤后，按224×224像素的尺寸切割得到完整大小的图像块5 637张。采用图片生成器将3种深度烧伤图像块均扩充至10 000张后，将每种烧伤深度图像块按7.0∶1.5∶1.5比例分为训练集、验证集和测试集。在Keras 2.2.4 Python 2.8.0版本下，采用卷积神经网络中的残差网络ResNet-50构建人工智能烧伤深度识别模型，输入训练集进行训练，利用验证集对模型进行调整、优化。利用测试集测试构建的模型识别各类烧伤深度的准确率，计算精确率、召回率及F1指数；通过降维工具tSNE将测试结果降维可视化生成二维tSNE云图，观察各类烧伤深度分布情况；根据模型对3种烧伤深度识别的敏感度及特异度，绘制出相应受试者工作特征(ROC)曲线，计算ROC曲线下面积。结果(1)经测试集测试，人工智能烧伤深度识别模型识别浅Ⅱ度、深Ⅱ度、Ⅲ度烧伤的精确率分别为84%(1 095/1 301)、81%(1 215/1 499)、82%(1 395/1 700)，召回率分别为73%(1 095/1 500)、81%(1 215/1 500)、93%(1 395/1 500)，F1指数分别为0.78、0.81、0.87。(2)tSNE云图显示，人工智能烧伤深度识别模型测试集测试结果中不同烧伤深度之间总体重叠较少，其中浅Ⅱ度与深Ⅱ度、深Ⅱ度与Ⅲ度烧伤之间重叠相对较多，而浅Ⅱ度与Ⅲ度烧伤之间重叠相对较少。(3)人工智能烧伤深度识别模型识别3种烧伤深度的ROC曲线下面积均≥0.94。结论采用ResNet-50网络建立的人工智能烧伤深度识别模型可较准确地识别烧伤患者早期创面照片中烧伤深度，特别是浅Ⅱ度与Ⅲ度烧伤，有望用于临床烧伤深度辅助诊断，提高诊断准确率。

简介：摘要：新型冠状病毒在2020年为我国人民的生活质量带来了极大的影响，同时也造成了很多家庭的破碎。但是感染新冠病毒尽可能早的发现并采取治疗能够在很大程度上延续患者生存的时间，新型冠状病毒（新冠，SARS-Cov-2）的首次报道与2019年的12月末，此后其快速发展成为全球性质的新型传染疾病。患有新型冠状肺炎的患者虽然总体的死亡率不高，但是其会在很短的时间内发展成为重症患者，造成死亡风险的大大提高。眼前对于早期阶段筛查患者发展情况的方式处于较为起步的阶段，这样的问题会导致生产生活受到进一步的影响，为此本文对基于深度卷积神经网络判断（新冠）肺部感染类疾病的视觉监测方法进行研究，由深度卷积神经网络的相关概念入手，进而展开检验方式内容及检验训练模型的具体论证，同时使用具体效果的验证确保其有效性。

简介：摘要脑卒中已成为全球首位的致残疾病，神经康复致力于为脑卒中患者提供更加全面完善的功能康复方案。随着对脑卒中后存在大尺度水平神经网络功能重组的了解，通过对神经网络中连接状态的调节可以引起神经功能的改善。非侵入性脑刺激(NIBS)技术作为一种安全、便捷、有效的神经调节技术，已应用于脑卒中后异常神经网络模式的调节，研究表明这种刺激诱导的神经重组与传统康复锻炼诱导的神经重组不仅在神经成像数据上，而且在行为改善上可以达到同样疗效，为脑卒中后遗症患者的功能康复开拓了新局面。

简介：摘要目的探讨利用更快的区域卷积神经网络算法（Faster R-CNN）分析直肠癌磁共振（MRI）平扫图像以评估环周切缘（CRM）状态的可行性。方法病例纳入标准：（1）CRM阳性区域位于提肛肌肛管平面至腹膜反折之间，电子结肠镜及组织病理学检查证实为直肠恶性肿瘤；（2）术后病理或术前高分辨MRI检查证实有CRM阳性。排除标准：新辅助治疗后、手术后复发、图像质量差伪影、肿瘤巨大及广泛坏死等组织变性以及既往盆腔手术史直肠临近组织结构改变的病例。根据以上标准，收集青岛大学附属医院2016年7月至2019年6月期间，350例CRM阳性直肠癌患者的MR平扫图像。将患者按照性别和肿瘤部位分类，应用计算机随机数字法以6∶1比例随机分配为训练组（300例）和测试组（50例）。利用LabelImg软件在T2加权成像（T2WI）图像上对CRM阳性区域进行标识。应用标识的训练组图像对Faster R-CNN模型进行迭代训练、优化参数，直到网络收敛获得最佳的深度学习模型。利用测试集数据评估人工智能平台的识别性能，选取指标包括准确度、敏感性、阳性预测值、受试者工作特征曲线和曲线下面积（AUC），以及识别单张图像所花费的时间。结果训练后的Faster R-CNN模型判定CRM状态的准确度、敏感性、特异性、阳性预测值和阴性预测值分别为0.884、0.857、0.898、0.807和0.926；AUC为0.934（95%CI：91.3%~95.4%）。Faster R-CNN模型对单张图像的自动识别时间为0.2 s。结论基于Faster R-CNN建立的对直肠癌CRM阳性MRI图像识别和分割的人工智能模型，可完成对原位肿瘤外侵引起CRM阳性区域的风险评估，具有初步筛选的应用价值。

简介：摘要目的验证基于快速区域卷积神经网络（Faster R-CNN）胰腺癌增强CT自动识别系统，并探讨其临床应用价值。方法回顾性收集青岛大学附属医院2013年1月至2016年5月收治的315例胰腺癌患者的4 024张增强CT影像序列，将2 614张影像序列作为训练组输入Faster R-CNN系统，建立影像自动识别模型，通过读取135例胰腺癌的1 410张增强CT影像进行验证。为了进一步测试其临床应用效果，读取150例胰腺占位患者的3 750张增强CT影像并对其诊断结果进行随访。记录结节类别的精准率和召回率，绘制精确回归曲线，分析Faster R-CNN诊断的准确性、灵敏度、特异度，生成受试者工作特征（ROC）曲线，并计算曲线下面积。结果基于135例胰腺癌增强CT影像，得到Faster R-CNN的人工智能辅助诊断的ROC曲线的曲线下面积为0.927，准确性、特异度、灵敏度分别为0.902、0.913、0.801。经过150例胰腺占位患者资料的验证，判定阳性893张，阴性2 857张，Faster R-CNN诊断为胰腺癌患者98例，对其诊断结果进行随访，其中53例经外科手术后病理证实为胰腺导管癌、21例为胰腺囊腺癌、12例为胰腺囊腺瘤、5例为胰腺囊肿，7例患者未手术治疗。在术后5~17个月内6例死于腹腔肿瘤浸润、肝转移或肺转移。在Faster R-CNN诊断为阴性的52例患者中，有9例经外科术后证实为胰腺导管癌。结论Faster R-CNN系统能够帮助影像科医师对胰腺癌进行诊断，具有一定的临床应用价值。

简介：摘要目的评估新的多阶段三维（3D）深度卷积神经网络的计算机辅助诊断（CAD）系统在低剂量螺旋CT（LDCT）肺癌筛查中的应用价值。方法回顾性分析河南省肿瘤医院2013年11月至2017年12月8 850例肺癌筛查志愿者共1 111个肺结节的基线LDCT影像资料及肺癌患者的临床信息，所有纳入本研究的人群均作了至少一次LDCT，阅片方式包括目视检测（VD）、CAD及VD结合CAD方式；肺结节的诊断标准以2名胸部影像专业高年资医师最终达成的一致性意见作为真结节(有分歧时由第3名主任医师决定）。针对结节数目、结节类型及结节的Lung-RADS分类，比较3种阅片方式的肺结节（或肺癌）的检出率、漏诊率及假阳性率。组间比较采用χ²检验。结果与VD方式比较，CAD及VD+CAD方式结节检出率明显升高（分别为94.2%、95.7%、80.1%），漏诊率明显减低（分别为5.8%、4.3%、19.9%），差异具有统计学意义（χ²=101.650、128.500，P<0.05）；与VD方式比较，CAD方式与VD+CAD方式对Lung-RADS分类结节（χ²=25.083、23.449，P<0.05）及不同类型结节（χ²=6.955、6.821，P<0.05）的检出率明显升高，而CAD方式与VD+CAD方式对Lung-RADS分类结节及不同类型的检出率差异无统计学意义（P>0.05）。VD方式与VD+CAD方式在肺癌阳性预测率、漏诊率及假阳性率无明显差异；与VD方式与VD+CAD方式比较，CAD方式对肺癌的阳性预测率明显降低，漏诊率及假阳性率明显升高。结论VD结合CAD的方式能够在降低假阳性结节检出的基础上，提高真性肺结节检出率，可作为城市人群LDCT肺癌筛查的首选方法。

简介：摘要目的研究基于全卷积网络的左侧乳腺癌放疗三维剂量分布预测方法，并对其预测精度进行评估。方法利用全卷积网络实现三维剂量分布预测。首先建立60例左侧乳腺癌患者的容积调强弧形治疗(VMAT)计划库，从库中随机选取10例作为测试集数据，其他50例作为训练集数据；然后，构建U-Net模型，利用该网络在器官结构矩阵和剂量分布矩阵间建立相关模型；最后，利用模型预测测试集病例的剂量分布，并将预测结果与实际计划结果比较。结果10例测试患者的PTV、患侧肺、心脏、双侧肺、脊髓的剂量平均绝对离差分别为(119.95±9.04)、(214.02±9.04)、(116.23±30.96)、(127.67±69.19)、(37.28±18.66) cGy。处方剂量80%、100%范围计划剂量和预测剂量的Dice相似性指数分别为0.92±0.01和0.92±0.01。处方剂量80%和10%范围内区域3 mm/3%标准的γ通过率分别为0.85±0.03、0.84±0.02。结论利用全卷积网络可实现左侧乳腺癌行VMAT患者的三维剂量分布预测。

简介：摘要目的探讨基于U-Net神经网络的肥厚型心肌病（hypertrophic cardiomyopathy ，HCM）与高血压性左心室肥厚（hypertensive left ventricular hypertrophy，HLVH）的磁共振图像定量分析与鉴别。材料与方法回顾性分析2017年国际医学图像计算和计算机辅助干预协会（Medical Image Computing and Computer Assisted Intervention Society，MICCAI)一项心脏疾病自动诊断挑战项目中包含的100例心脏疾病患者以及2014年7月至2019年3月上海交通大学医学院附属仁济医院确诊的45例HCM与48例HLVH患者。MICCAI数据集作为训练集和验证集，随机挑选5例HCM病例和5例HLVH病例作为测试集，得到一个基于U-Net的心脏自动分割神经网络。对所有入组的HCM与HLVH患者的心脏磁共振图像进行自动分割并提取多项量化参数，采用独立t检验比较各项量化参数在HCM组与HLVH组间的差异，采用多因素logistic回归法对有统计学差异的变量进一步分析建模，使用4折交叉验证方法结合ROC法对模型的分类性能进行验证。结果55项量化参数中有13项在HCM组与HLVH组之间存在显著性差异，有3项指标对两者的鉴别分类具有显著性影响。4折交叉验证得到的ROC曲线下面积分别为0.939、0.984、0.972和0.963，其中最佳模型对应的测试集准确率为86.96% (20/23)。结论U-Net神经网络分割心脏磁共振影像可以提供更多量化信息，有助于鉴别肥厚型心肌病与高血压性左心室肥厚。

简介：摘要目的探讨血小板分布宽度(PDW)能否有效预测神经母细胞瘤(NB)患儿的预后。方法回顾性分析2014年1月至2018年1月郑州大学第一附属医院初治的67例NB患儿的临床资料，根据PDW分为低PDW组与高PDW组，比较2组患儿临床指标的差异，并采用Kaplan－Meier方法和Cox回归模型评价PDW的预后评估价值。结果67例NB患儿中男41例，女26例，男女比例为1.58∶1.00；平均年龄为44个月(2～156个月)；Ⅰ期5例，Ⅱ期1例，Ⅲ期15例，Ⅳ期46例。诊断时年龄≤18个月14例，>18个月53例，初诊神经元特异性烯醇化酶(NSE)水平≥100 μg/L者47例，<100 μg/L者20例。随访中位时间为20.4个月，至随访结束死亡35例，存活32例。低PDW组与高PDW组患儿在年龄、性别、首发部位、分期、平均血小板体积等方面差异均无统计学意义(均P>0.05)。高PDW组高危患儿比例、NSE水平、骨髓转移率、MYCN基因扩增率、红细胞分布宽度等均高于低PDW组，而血小板压积则低于低PDW组，差异均有统计学意义(均P<0.05)。生存率分析显示，低PDW组2年生存率显著高于高PDW组(69.8%比25.3%，χ2＝15.761，P<0.05)。单变量分析表明，NSE(HR＝6.606，95%CI：2.018～21.620)，MYCN基因(HR＝1.977，95%CI：0.794～4.919)，危险度分层(HR＝5.926，95%CI：1.416～24.794)，PDW(HR＝4.036，95%CI：1.957～8.322)，红细胞分布宽度(HR＝1.120，95%CI：1.005～1.249)等因素为NB预后不良的危险因素；血小板压积(HR＝0.012，95%CI：0.000～0.427)为NB预后良好的保护因素。多变量分析表明，PDW是NB患儿的独立危险因素(HR＝2.524，95%CI：1.017～6.264，P＝0.046)。结论PDW增高和已知的NB患儿预后危险因素、肿瘤标志物升高及骨髓转移有较好的一致性，PDW增高与NB预后较差相关，且PDW是NB预后不良的独立危险因素。