期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
上消化道黏膜下肿瘤内镜全层切除术后并发症危险因素分析 被引量：1
1
作者 倪柳菁 朱文鑫 +3 位作者 邹宸焘 许郭婷 王超 吴爱荣 《中华胃肠外科杂志》 CSCD 北大核心 2023年第4期365-371,共7页
目的分析上消化道黏膜下肿瘤(SMT)经过内镜全层切除术(EFTR)治疗后发生并发症的相关危险因素。方法本研究采用回顾性观察性研究方法。EFTR的适应证为:(1)起源于固有肌层的SMT,呈部分腔外生长或浸润至固有肌层深部;(2)SMT直径<5 cm;(3... 目的分析上消化道黏膜下肿瘤(SMT)经过内镜全层切除术(EFTR)治疗后发生并发症的相关危险因素。方法本研究采用回顾性观察性研究方法。EFTR的适应证为:(1)起源于固有肌层的SMT,呈部分腔外生长或浸润至固有肌层深部;(2)SMT直径<5 cm;(3)内镜黏膜下剥离术或内镜黏膜切除术中发现肿瘤瘤体与浆膜层紧密粘连、无法分离。纳入术前经过超声内镜或CT评估确认为起源于黏膜层以下的上消化道肿瘤并成功行EFTR的SMT患者。排除临床资料不完整者。根据上述标准回顾性分析2016年1月至2022年1月苏州大学附属第一医院消化科上消化道SMT行EFTR的154例患者的临床资料,观察SMT患者行EFTR术后发生并发症情况,包括迟发性穿孔、迟发性出血和术后感染(含电凝综合征),并分析EFTR术后出现并发症的危险因素。结果154例患者中,33例(21.4%)发生并发症,包括迟发性出血3例(1.9%),迟发性穿孔2例(1.3%),术后感染28例(18.2%)。1例出血为重度并发症(因并发症住院10 d以上)。单因素分析显示,肿瘤长径>15 mm、手术时间>90 min、缺损闭合方式为荷包缝合、大体标本长径≥20 mm与EFTR术后并发症的发生有关(均P<0.05)。多因素logistic回归分析显示,手术时间>90 min(OR=6.252,95%CI:2.530~15.446,P<0.001)和肿瘤长径>15 mm(OR=4.843,95%CI:1.985~11.817,P=0.001)是EFTR术后并发症的独立危险因素。EFTR术后感染的独立危险因素为手术时间>90 min(OR=4.993,95%CI:1.964~12.694,P=0.001)和采用荷包缝合方式闭合缺损(OR=7.142,95%CI:1.953~26.123,P=0.003)。结论当肿瘤长径>15 mm或手术时间>90 min时,接受EFTR手术的上消化道SMT患者术后发生并发症的风险更高,需重视其术后的观察。 展开更多
关键词 黏膜下肿瘤 上消化道 内镜全层切除术 并发症 危险因素
原文传递
基于H2O自动化机器学习的肝细胞癌诊断模型的建立
2
作者 于倩倩 许郭婷 +1 位作者 徐中华 王玉 《中华转移性肿瘤杂志》 2023年第1期46-51,共6页
目的采用H2O平台自动化机器学习(AutoML)算法,收集临床资料及肝癌肿瘤标记物,建立一系列肝细胞癌(HCC)临床诊断模型。方法本研究纳入130例HCC患者,149例肝硬化患者,102例慢性乙型肝炎患者,体检中心健康人群95人。利用AutoML算法建立针对... 目的采用H2O平台自动化机器学习(AutoML)算法,收集临床资料及肝癌肿瘤标记物,建立一系列肝细胞癌(HCC)临床诊断模型。方法本研究纳入130例HCC患者,149例肝硬化患者,102例慢性乙型肝炎患者,体检中心健康人群95人。利用AutoML算法建立针对HCC发病二分类结局的多种机器学习算法模型,计算ROC曲线下面积(AUROC)并建立混淆矩阵来评价模型区分度,并对重要变量进行可视化呈现。结果最佳模型是基于集成学习,其中占比最大者为梯度提升机(GBM)模型。GBM模型中重要变量包括Dickkopf-1、甲胎蛋白、细胞骨架蛋白4、ALT及AST。变量SHAP图展示了变量在二分类结局中的分布。LIME图呈现了变量在个体预测的作用。集成模型在验证集中特异性为0.986,敏感性为1.000,AUROC为0.991,优于其他单个算法的最佳模型。结论本研究利用AutoML框架,建立判断HCC发病的机器学习模型,为HCC患病风险筛查提供了新的思路。 展开更多
关键词 肝细胞癌 自动化机器学习 预测模型
原文传递
基于深度卷积神经网络的上消化道内镜解剖分类模型构建
3
作者 许郭婷 吴爱荣 +5 位作者 林嘉希 高欣 周鑫 顾慧媛 许春芳 朱锦舟 《中国医学物理学杂志》 CSCD 2023年第8期1051-1056,共6页
目的:利用深度卷积神经网络构建上消化道内镜解剖分类模型。方法:收集苏州大学附属第一医院消化内镜中心4183张胃镜图片,按照8:2的比例随机分为训练集和验证集;同时收集江苏大学附属金坛医院270张胃镜图片作为测试集。以上图片标注上消... 目的:利用深度卷积神经网络构建上消化道内镜解剖分类模型。方法:收集苏州大学附属第一医院消化内镜中心4183张胃镜图片,按照8:2的比例随机分为训练集和验证集;同时收集江苏大学附属金坛医院270张胃镜图片作为测试集。以上图片标注上消化道解剖位置(包括食管、贲门、胃底、胃体、胃角、胃窦、幽门、十二指肠球部及降部)。选择ImageNet数据库中预训练的Xception、NASNet Large(NASNet)和ResNet50V2(ResNet)3个深度卷积神经网络,在训练集及验证集中训练,构建上消化道图片解剖部位分类模型。使用梯度加权分类激活映射对模型的分类结果进行可视化解释。在验证集和测试集中评价模型分类能力。结果:成功构建了基于深度卷积神经网络的上消化道内镜解剖分类的3个模型,各模型均具备较高的分类能力。在验证集中,平均分类准确性为0.980,平均分类召回率为0.894,平均分类精确度为0.920;其中,ResNet模型表现最优,其分类准确性(0.982)、分类召回率(0.905)和分类精确度(0.933)最高。在测试集中,平均分类准确性为0.988,平均分类召回率为0.942,平均分类精确度为0.950;其中,NASNet模型表现最优,其分类准确性(0.992)、分类召回率(0.959)和分类精确度(0.970)最高。梯度加权分类激活映射以热力图形式对模型分类结果提供可视化解释。结论:利用深度卷积神经网络,构建的上消化道内镜解剖分类模型具有较好的分类能力。 展开更多
关键词 上消化道 胃镜 解剖定位 深度卷积神经网络 模型构建
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部