目的:通过构建康复科住院患者基于国际功能、残疾和健康分类康复组合(international classification of functioning,disability and health-rehabilitation set,ICF-RS)的群体健康画像,以呈现患者功能特征及规律,为制定康复方案提供证...目的:通过构建康复科住院患者基于国际功能、残疾和健康分类康复组合(international classification of functioning,disability and health-rehabilitation set,ICF-RS)的群体健康画像,以呈现患者功能特征及规律,为制定康复方案提供证据。方法:通过多中心采集不同医院康复科住院患者的基本信息及ICF-RS的数据共988例,运用因子分析和K-Means聚类分析方法,构建患者ICF-RS功能的群体健康画像。结果:康复科住院患者提取的公因子为自我感受表现、运动能力表现、生活自理表现、社会交往表现因子,功能障碍特征可划分为临界功能障碍、轻度功能障碍、中度功能障碍和重度功能障碍。结论:健康画像可被应用于康复领域,用于挖掘患者健康信息数据,把握群体特征及趋势,辅助康复策略的制定。展开更多
目的探讨基于单独B型(B-mode)、应变弹性成像(strain elastography,SE)、自动乳腺全容积成像(automated breast volume scanner,ABVS)、联合B型和SE(B-mode+SE)、联合B型和ABVS(B-mode+ABVS)、联合SE和ABVS(SE+ABVS)以及联合B型、SE和AB...目的探讨基于单独B型(B-mode)、应变弹性成像(strain elastography,SE)、自动乳腺全容积成像(automated breast volume scanner,ABVS)、联合B型和SE(B-mode+SE)、联合B型和ABVS(B-mode+ABVS)、联合SE和ABVS(SE+ABVS)以及联合B型、SE和ABVS(B-mode+SE+ABVS)图像所构建的不同深度学习(deep learning,DL)模型对辅助诊断乳腺良恶性肿块的效能。方法回顾性分析2021年8月至2023年8月在华中科技大学协和深圳医院超声科进行乳腺肿块超声检查的病例。对所纳入的病例的超声图像进行数据预处理,包括肿块范围、感兴趣区分割和数据增强。将图像输入多模态交互融合模型训练,运用DL的方法,构建鉴别乳腺良恶性肿块的7种DL模型,分别是B-mode-DL、SE-DL、ABVS-DL、B-mode+SE-DL、B-mode+ABVS-DL、SE+ABVS-DL和B-mode+SE+ABVS的多模态DL(Mutimodal-DL)模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)对DL模型的诊断效能进行评价。结果纳入508例病例,采用简单随机抽样方法分为训练集284例(良性250例,恶性34例)和测试集224例(良性199例,恶性25例)。7种DL模型中,Multimodal-DL模型诊断乳腺良恶性肿块的准确度、敏感度和特异度均最高,分别为95.4%、95.2%和95.5%,与其他模型比较差异均具有统计学意义(均P<0.05);AUC和Youden指数也最高,分别为0.955和0.907。结论基于多模态超声图像所建立的DL模型对乳腺良恶性肿块的鉴别效果最好。展开更多
文摘目的:通过构建康复科住院患者基于国际功能、残疾和健康分类康复组合(international classification of functioning,disability and health-rehabilitation set,ICF-RS)的群体健康画像,以呈现患者功能特征及规律,为制定康复方案提供证据。方法:通过多中心采集不同医院康复科住院患者的基本信息及ICF-RS的数据共988例,运用因子分析和K-Means聚类分析方法,构建患者ICF-RS功能的群体健康画像。结果:康复科住院患者提取的公因子为自我感受表现、运动能力表现、生活自理表现、社会交往表现因子,功能障碍特征可划分为临界功能障碍、轻度功能障碍、中度功能障碍和重度功能障碍。结论:健康画像可被应用于康复领域,用于挖掘患者健康信息数据,把握群体特征及趋势,辅助康复策略的制定。
文摘目的探讨基于单独B型(B-mode)、应变弹性成像(strain elastography,SE)、自动乳腺全容积成像(automated breast volume scanner,ABVS)、联合B型和SE(B-mode+SE)、联合B型和ABVS(B-mode+ABVS)、联合SE和ABVS(SE+ABVS)以及联合B型、SE和ABVS(B-mode+SE+ABVS)图像所构建的不同深度学习(deep learning,DL)模型对辅助诊断乳腺良恶性肿块的效能。方法回顾性分析2021年8月至2023年8月在华中科技大学协和深圳医院超声科进行乳腺肿块超声检查的病例。对所纳入的病例的超声图像进行数据预处理,包括肿块范围、感兴趣区分割和数据增强。将图像输入多模态交互融合模型训练,运用DL的方法,构建鉴别乳腺良恶性肿块的7种DL模型,分别是B-mode-DL、SE-DL、ABVS-DL、B-mode+SE-DL、B-mode+ABVS-DL、SE+ABVS-DL和B-mode+SE+ABVS的多模态DL(Mutimodal-DL)模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)对DL模型的诊断效能进行评价。结果纳入508例病例,采用简单随机抽样方法分为训练集284例(良性250例,恶性34例)和测试集224例(良性199例,恶性25例)。7种DL模型中,Multimodal-DL模型诊断乳腺良恶性肿块的准确度、敏感度和特异度均最高,分别为95.4%、95.2%和95.5%,与其他模型比较差异均具有统计学意义(均P<0.05);AUC和Youden指数也最高,分别为0.955和0.907。结论基于多模态超声图像所建立的DL模型对乳腺良恶性肿块的鉴别效果最好。
