基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。     

潮湿相关性皮炎病理特征及护理研究进展

对潮湿相关性皮炎的概念、危险因素、国内外发生率进行简要介绍。从皮肤长期接触水分导致浸渍，化学、物理、生物等因素在疾病发展过程中产生的作用进行综述，以增强对潮湿相关性皮炎病理机制的认识;从发病机制视角综述目前局部护理新进展，包括避免与水分长期接触、清洁、保湿、皮肤保护、使用温和的产品5个方面，旨在为相关研究及临床实践提供参考。     

低位前切除综合征的管理现状北大核心

对低位前切除综合征管理的管理措施、管理团队、管理流程及管理现状进行综述,以求增强医务人员对低位前切除综合征管理现状的了解,加强对低位前切除综合征管理的重视。     

基于超声图像形态定量特征构建乳腺癌风险列线图在线预测模型

【摘要】 目的 运用机器学习技术构建基于超声图像形态定量特征的乳腺癌风险在线预测模型。 方法 回顾性收集2019年1月至2020年10月于皖南医学院第一附属医院行超声检查的乳腺肿块患者1046例,按随机数字以7:3比例分为训练集732例,验证集314例。所有肿块均有明确的病理结果。对训练集和验证集肿块分别按病理结果分为良性组和恶性组,使用ImageJ图像分析软件提取肿块超声图像的形态学定量特征。应用单因素分析训练集的良性组和恶性组定量特征,并运用机器学习技术进行多因素分析,确定影响癌症风险的独立危险因素,构建列线图预测模型。最后,使用验证集数据对模型效能进行测试,建立ROC曲线和校准曲线分析评价模型的诊断效能,并设计开发在线应用程序。结果 训练集732例患者中,430例（58.7％）病理为恶性;验证集314例患者中,199例（63.4％）病理为恶性。单因素分析显示形态学定量指标Aspect ratio （AR）、Circularity（C）、Modified Feret Angle （MFA）、Solidity（S）以及患者年龄在良性组和恶性组差异有统计学意义（P<0.05）。多因素分析显示AR、Circularity和年龄是预测恶性的独立危险因素（P<0.05）。基于上述独立危险因素构建乳腺癌风险预测列线图模型,并以互联网在线应用程序的方式呈现,模型内部验证AUC为0.931,敏感性88.1%,特异性85.4%,外部验证AUC为0.901,敏感性84.2%,特异性85.8%;校准曲线显示模型校准度良好,预测风险与实际风险未出现明显偏离。 结论 使用机器学习技术构建的乳腺癌风险列线图预测模型具有良好的诊断效能,而以互联网在线应用程序的方式呈现模型使其更加具有可操作性和实用性,将有助于对患者进行个体化预测和治疗决策。