为了评价硫醚沙星、异噻唑啉酮、鱼安定和杀虫双等4种化学投入品对凡纳滨对虾幼虾毒性风险,在水温24~26℃下,使用静水式生物毒性试验法,测定了以上4种化学投入品对凡纳滨对虾幼虾的急性毒性,确定了四种化学投入品对凡纳滨对虾的半致死...为了评价硫醚沙星、异噻唑啉酮、鱼安定和杀虫双等4种化学投入品对凡纳滨对虾幼虾毒性风险,在水温24~26℃下,使用静水式生物毒性试验法,测定了以上4种化学投入品对凡纳滨对虾幼虾的急性毒性,确定了四种化学投入品对凡纳滨对虾的半致死浓度和安全浓度。结果表明,硫醚沙星、异噻唑啉酮、鱼安定、杀虫双对凡纳滨对虾幼虾的48 h LC50为0.112、27.838、9.902和56.669 mg/L,对应的安全浓度为0.0003、1.786、1.741和9.210 mg/L。其中,硫醚沙星对凡纳滨对虾毒性较强,具有较大的安全风险。展开更多
目的基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。方法回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视...目的基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。方法回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视野数字图像(whole slide image,WSI),并按2∶2∶1的比例随机分为图块分类数据集、切片分类训练集与切片分类测试集。对图块分类数据集病变区域进行标注、图块截取后,按20∶1∶1的比例随机分为训练集、测试集、验证集。基于Efficientnet和ResNet网络结构构建卷积神经网络(convolutional neural network,CNN)图块级癌与非癌分类模型,并以图块分类准确率、受试者操作特征曲线下面积(area under the curve,AUC)评价该模型的性能。基于此模型拼接获取整张WSI的癌变热力图,提取热力图中切片级癌与非癌分类特征,对LightGBM算法进行训练,最终完成整张胃癌活检切片的诊断与识别,其识别结果以AUC、准确率、灵敏度、特异度进行评价。结果共入选符合纳入和排除标准的胃良性疾病(正常胃黏膜、慢性炎症)病理切片500张,胃癌(高级别上皮内瘤变、胃腺癌)病理切片500张。图块分类数据集、切片分类训练集与切片分类测试集WSI分别为400张、400张、200张。图块分类训练集、测试集、验证集图块分别为402000个、20000个、20000个。以Efficientnet-b1网络结构建立的CNN模型对测试集、验证集图块分类的准确率[测试集:91.3%(95%CI:88.2%~95.4%);验证集:92.5%(95%CI:89.0%~95.3%)]、AUC[测试集:0.95(95%CI:0.93~0.98);验证集:0.96(95%CI:0.92~0.98)]均最高。基于LightGBM算法构建的模型识别整张切片为胃癌的AUC为0.98(95%CI:0.89~0.98),准确率为88.0%(95%CI:81.6%~94.3%),灵敏度为100%(95%CI:88.0%~100%),特异度为67.0%(95%CI:57.0%~85.0%)。结论基于胃活检病理切片建立的CNN诊断模型可对癌变组织进行定位,实现图块�展开更多
文摘为了评价硫醚沙星、异噻唑啉酮、鱼安定和杀虫双等4种化学投入品对凡纳滨对虾幼虾毒性风险,在水温24~26℃下,使用静水式生物毒性试验法,测定了以上4种化学投入品对凡纳滨对虾幼虾的急性毒性,确定了四种化学投入品对凡纳滨对虾的半致死浓度和安全浓度。结果表明,硫醚沙星、异噻唑啉酮、鱼安定、杀虫双对凡纳滨对虾幼虾的48 h LC50为0.112、27.838、9.902和56.669 mg/L,对应的安全浓度为0.0003、1.786、1.741和9.210 mg/L。其中,硫醚沙星对凡纳滨对虾毒性较强,具有较大的安全风险。
文摘目的基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。方法回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视野数字图像(whole slide image,WSI),并按2∶2∶1的比例随机分为图块分类数据集、切片分类训练集与切片分类测试集。对图块分类数据集病变区域进行标注、图块截取后,按20∶1∶1的比例随机分为训练集、测试集、验证集。基于Efficientnet和ResNet网络结构构建卷积神经网络(convolutional neural network,CNN)图块级癌与非癌分类模型,并以图块分类准确率、受试者操作特征曲线下面积(area under the curve,AUC)评价该模型的性能。基于此模型拼接获取整张WSI的癌变热力图,提取热力图中切片级癌与非癌分类特征,对LightGBM算法进行训练,最终完成整张胃癌活检切片的诊断与识别,其识别结果以AUC、准确率、灵敏度、特异度进行评价。结果共入选符合纳入和排除标准的胃良性疾病(正常胃黏膜、慢性炎症)病理切片500张,胃癌(高级别上皮内瘤变、胃腺癌)病理切片500张。图块分类数据集、切片分类训练集与切片分类测试集WSI分别为400张、400张、200张。图块分类训练集、测试集、验证集图块分别为402000个、20000个、20000个。以Efficientnet-b1网络结构建立的CNN模型对测试集、验证集图块分类的准确率[测试集:91.3%(95%CI:88.2%~95.4%);验证集:92.5%(95%CI:89.0%~95.3%)]、AUC[测试集:0.95(95%CI:0.93~0.98);验证集:0.96(95%CI:0.92~0.98)]均最高。基于LightGBM算法构建的模型识别整张切片为胃癌的AUC为0.98(95%CI:0.89~0.98),准确率为88.0%(95%CI:81.6%~94.3%),灵敏度为100%(95%CI:88.0%~100%),特异度为67.0%(95%CI:57.0%~85.0%)。结论基于胃活检病理切片建立的CNN诊断模型可对癌变组织进行定位,实现图块�
