目的探讨血清前Ⅲ型胶原氨基端肽(typeⅢprocollagen,PRO-C3)与高尔基体蛋白73(golgi protein 73,GP73)动态变化对人工肝治疗乙型肝炎慢加急性肝衰竭(hepatitis B virus-related acute-on-chronic liver failure,HBV-ACLF)患者短期预后...目的探讨血清前Ⅲ型胶原氨基端肽(typeⅢprocollagen,PRO-C3)与高尔基体蛋白73(golgi protein 73,GP73)动态变化对人工肝治疗乙型肝炎慢加急性肝衰竭(hepatitis B virus-related acute-on-chronic liver failure,HBV-ACLF)患者短期预后的评估价值。方法回顾性分析138例接受≥3次人工肝治疗的HBV-ACLF患者(生存组85例,死亡组53例)。检测基线及治疗2周后血清PRO-C3、GP73水平及常规肝肾功能指标,分析其与临床预后的相关性。血清PRO-C3采用罗氏cobas®分析仪(ECLIA法)检测;血清GP73采用ELISA法(北京热景生物试剂盒)检测。通过多因素Cox回归构建联合预测模型,并采用ROC曲线评估预测效能。结果对两组基线情况进行对比分析,结果显示,死亡组的总胆红素、肌酐、MELD水平均显著高于生存组(总胆红素535.5±118.7 vs 380.9±108.0μmol/L、肌酐96.6±29.6 vs 66.9±28.6μmol/L、MELD评分33.5±5.5 vs 20.7±4.3,均P<0.001);生存组PRO-C3与GP73降幅显著大于死亡组(P<0.001);多因素Cox回归显示,MELD评分为独立危险因素,PRO-C3降幅和GP73降幅为保护因素;联合动态指标(ΔPRO-C3%+ΔGP73%+MELD)的AUC达0.993,阴性预测值89.8%;按标志物降幅分组(良好/部分/无应答),3个月生存率分别为95.2%、65.5%、11.4%(P<0.001)。结论PRO-C3联合GP73的动态监测可精准评估人工肝治疗应答,其构建的预测模型对HBV-ACLF患者3个月预后具有显著的判别价值,尤其阴性预测效能突出。展开更多
针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入S...针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入SE(Squeeze-and-Excitation)注意力机制,使模型在特征提取过程中更加精准地捕捉到与水稻秧苗相关的特征;融入VOV-GSCSP模块,能够有效地整合模型不同层次的特征信息,增强对水稻秧苗的检测能力;融入CARAFE(Content-Aware ReAssembly of FEatures)上采样算子,有效地减少了模型的参数量,降低了模型的计算复杂度和存储需求,以此增强模型的特征重建能力。最后,进行验证试验,结果表明,该网络模型对于秧苗形态识别的平均准确率达90.26%,比基础模型YOLOv8n提高了1.54个百分点,mAP@0.5提高了1.52个百分点,mAP@0.5-0.95提高了3.35个百分点,检测速度达到70.42 f/s,能够满足对秧苗分类的识别精度,可对后期补秧计划提供数据支持。展开更多
文摘目的探讨血清前Ⅲ型胶原氨基端肽(typeⅢprocollagen,PRO-C3)与高尔基体蛋白73(golgi protein 73,GP73)动态变化对人工肝治疗乙型肝炎慢加急性肝衰竭(hepatitis B virus-related acute-on-chronic liver failure,HBV-ACLF)患者短期预后的评估价值。方法回顾性分析138例接受≥3次人工肝治疗的HBV-ACLF患者(生存组85例,死亡组53例)。检测基线及治疗2周后血清PRO-C3、GP73水平及常规肝肾功能指标,分析其与临床预后的相关性。血清PRO-C3采用罗氏cobas®分析仪(ECLIA法)检测;血清GP73采用ELISA法(北京热景生物试剂盒)检测。通过多因素Cox回归构建联合预测模型,并采用ROC曲线评估预测效能。结果对两组基线情况进行对比分析,结果显示,死亡组的总胆红素、肌酐、MELD水平均显著高于生存组(总胆红素535.5±118.7 vs 380.9±108.0μmol/L、肌酐96.6±29.6 vs 66.9±28.6μmol/L、MELD评分33.5±5.5 vs 20.7±4.3,均P<0.001);生存组PRO-C3与GP73降幅显著大于死亡组(P<0.001);多因素Cox回归显示,MELD评分为独立危险因素,PRO-C3降幅和GP73降幅为保护因素;联合动态指标(ΔPRO-C3%+ΔGP73%+MELD)的AUC达0.993,阴性预测值89.8%;按标志物降幅分组(良好/部分/无应答),3个月生存率分别为95.2%、65.5%、11.4%(P<0.001)。结论PRO-C3联合GP73的动态监测可精准评估人工肝治疗应答,其构建的预测模型对HBV-ACLF患者3个月预后具有显著的判别价值,尤其阴性预测效能突出。
文摘针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入SE(Squeeze-and-Excitation)注意力机制,使模型在特征提取过程中更加精准地捕捉到与水稻秧苗相关的特征;融入VOV-GSCSP模块,能够有效地整合模型不同层次的特征信息,增强对水稻秧苗的检测能力;融入CARAFE(Content-Aware ReAssembly of FEatures)上采样算子,有效地减少了模型的参数量,降低了模型的计算复杂度和存储需求,以此增强模型的特征重建能力。最后,进行验证试验,结果表明,该网络模型对于秧苗形态识别的平均准确率达90.26%,比基础模型YOLOv8n提高了1.54个百分点,mAP@0.5提高了1.52个百分点,mAP@0.5-0.95提高了3.35个百分点,检测速度达到70.42 f/s,能够满足对秧苗分类的识别精度,可对后期补秧计划提供数据支持。
