目的采用两种不同的人工智能(artificial intelligence,AI)算法技术构建两种不同的宫颈液基薄层细胞涂片(liquid-based cytology,LBC)质控模型,通过混合AI辅助,对比两种算法模型对宫颈LBC的质量控制水平的提高总用。方法使用了105例宫颈...目的采用两种不同的人工智能(artificial intelligence,AI)算法技术构建两种不同的宫颈液基薄层细胞涂片(liquid-based cytology,LBC)质控模型,通过混合AI辅助,对比两种算法模型对宫颈LBC的质量控制水平的提高总用。方法使用了105例宫颈LBC样本,分别采用卷积神经网络(convolutional neural network,CNN)算法和Transformer网络算法作为具体的AI算法。标记的特征包括片内细胞量、红细胞过多、炎细胞过多、气泡,涂片样本经过涂片预处理和数字化,然后进行图像分割和特征提取。利用标记的特征数据,进行机器学习模型的训练和优化。统计两种AI模型与医师的质控结果,计算KAPPA指数、灵敏度、特异度、曲线下面积(area under the curve,AUC)等指标对AI质控结果进行分析。结果CNN算法在正常涂片、炎性背景和血性背景方面的质控结果与专家复核质控结果具有统计学差异(P<0.001);Transformer算法质控结果与专家复核结果相似,差异不具有统计学意义(P>0.05);普通医师质控结果与专家复核质控结果在正常涂片检出率和血性背景方面具有统计学差异(P<0.001)。CNN算法Kappa值=0.567,与专家复核结果一致性中等;Transformer算法Kappa值=0.890,与专家复核结果一致性最好;普通医师Kappa值=0.675,与专家复核结果一致性较好。以专家复核结果作为参考标准,对Transformer算法与普通医师的质控结果预测效能进行评价,在检出血性背景与正常涂片方面,Transformer算法的预测效能(炎性背景:AUC=1.000;正常涂片:AUC=0.768)高于普通医师(血性背景:AUC=0.849;正常涂片:AUC=0.500)。结论Transformer算法能够有效辅助医师进行宫颈LBC质控评分,提高涂片样本质量控制的效率和准确性,为宫颈癌细胞学筛查提供了一种新的质量控制方法,具有潜在的临床应用前景。展开更多
目的 了解儿童肺炎支原体肺炎(MPP)合并腺病毒(ADV)感染的临床特征,并分析感染的危险因素,以提高对该混合病毒感染的防控效果。方法 回顾性分析2022年1月至2024年3月本院收治的147例MPP患儿的资料,根据有无合并ADV分成单纯MPP组和合并AD...目的 了解儿童肺炎支原体肺炎(MPP)合并腺病毒(ADV)感染的临床特征,并分析感染的危险因素,以提高对该混合病毒感染的防控效果。方法 回顾性分析2022年1月至2024年3月本院收治的147例MPP患儿的资料,根据有无合并ADV分成单纯MPP组和合并ADV感染组。收集两组26项临床特征资料予以比较,通过Logistic回归模型对MPP患儿合并ADV感染的危险因素予以筛查,并利用受试者工作特征(ROC)曲线分析相关血清指标对MPP患儿合并ADV感染的预测价值。结果 147例MPP患儿中,合并ADV 50例(34.01%)。合并ADV感染组3个月内有呼吸道感染史比例(58.00%vs 35.05%)、高热比例(70.00%vs49.48%)、肺部湿啰音比例(82.00%vs61.86%)、胸腔积液比例(30.00%vs 13.40%)、PCT[(0.69±0.21)ng/mL vs (0.47±0.13)ng/mL]、LDH[(374.83±46.07)U/L vs (326.59±42.58)U/L]、氧疗比例(42.00%vs17.53%)高于单纯MPP组(P<0.05),热程[(8.06±2.37)d vs (6.24±1.85)d]、住院时间[(9.56±2.75)d vs (6.89±2.21)d]长于单纯MPP组(P<0.05)。Logistic回归分析显示,3个月内有呼吸道感染史(OR=2.814,95%CI:1.497~5.290)、高PCT(OR=3.081,95%CI:1.681~5.646)、高LDH(OR=3.413,95%CI:1.918~6.073)为MPP患儿合并ADV感染的危险因素(P<0.05)。ROC曲线显示,PCT、LDH预测MPP患儿合并ADV感染的曲线下面积分别为0.791、0.819,敏感度分别为72.00%、78.40%,特异度分别为73.20%、84.40%。结论 和MPP相比,MPP合并ADV感染患儿更易出现高热、肺部湿啰音、胸腔积液等情况,热程、住院时间更长。3个月内有呼吸道感染史、高PCT、高LDH和MPP合并ADV感染的发生有关,且PCT、LDH可对合并ADV感染进行一定预测。展开更多
文摘目的采用两种不同的人工智能(artificial intelligence,AI)算法技术构建两种不同的宫颈液基薄层细胞涂片(liquid-based cytology,LBC)质控模型,通过混合AI辅助,对比两种算法模型对宫颈LBC的质量控制水平的提高总用。方法使用了105例宫颈LBC样本,分别采用卷积神经网络(convolutional neural network,CNN)算法和Transformer网络算法作为具体的AI算法。标记的特征包括片内细胞量、红细胞过多、炎细胞过多、气泡,涂片样本经过涂片预处理和数字化,然后进行图像分割和特征提取。利用标记的特征数据,进行机器学习模型的训练和优化。统计两种AI模型与医师的质控结果,计算KAPPA指数、灵敏度、特异度、曲线下面积(area under the curve,AUC)等指标对AI质控结果进行分析。结果CNN算法在正常涂片、炎性背景和血性背景方面的质控结果与专家复核质控结果具有统计学差异(P<0.001);Transformer算法质控结果与专家复核结果相似,差异不具有统计学意义(P>0.05);普通医师质控结果与专家复核质控结果在正常涂片检出率和血性背景方面具有统计学差异(P<0.001)。CNN算法Kappa值=0.567,与专家复核结果一致性中等;Transformer算法Kappa值=0.890,与专家复核结果一致性最好;普通医师Kappa值=0.675,与专家复核结果一致性较好。以专家复核结果作为参考标准,对Transformer算法与普通医师的质控结果预测效能进行评价,在检出血性背景与正常涂片方面,Transformer算法的预测效能(炎性背景:AUC=1.000;正常涂片:AUC=0.768)高于普通医师(血性背景:AUC=0.849;正常涂片:AUC=0.500)。结论Transformer算法能够有效辅助医师进行宫颈LBC质控评分,提高涂片样本质量控制的效率和准确性,为宫颈癌细胞学筛查提供了一种新的质量控制方法,具有潜在的临床应用前景。
文摘目的 了解儿童肺炎支原体肺炎(MPP)合并腺病毒(ADV)感染的临床特征,并分析感染的危险因素,以提高对该混合病毒感染的防控效果。方法 回顾性分析2022年1月至2024年3月本院收治的147例MPP患儿的资料,根据有无合并ADV分成单纯MPP组和合并ADV感染组。收集两组26项临床特征资料予以比较,通过Logistic回归模型对MPP患儿合并ADV感染的危险因素予以筛查,并利用受试者工作特征(ROC)曲线分析相关血清指标对MPP患儿合并ADV感染的预测价值。结果 147例MPP患儿中,合并ADV 50例(34.01%)。合并ADV感染组3个月内有呼吸道感染史比例(58.00%vs 35.05%)、高热比例(70.00%vs49.48%)、肺部湿啰音比例(82.00%vs61.86%)、胸腔积液比例(30.00%vs 13.40%)、PCT[(0.69±0.21)ng/mL vs (0.47±0.13)ng/mL]、LDH[(374.83±46.07)U/L vs (326.59±42.58)U/L]、氧疗比例(42.00%vs17.53%)高于单纯MPP组(P<0.05),热程[(8.06±2.37)d vs (6.24±1.85)d]、住院时间[(9.56±2.75)d vs (6.89±2.21)d]长于单纯MPP组(P<0.05)。Logistic回归分析显示,3个月内有呼吸道感染史(OR=2.814,95%CI:1.497~5.290)、高PCT(OR=3.081,95%CI:1.681~5.646)、高LDH(OR=3.413,95%CI:1.918~6.073)为MPP患儿合并ADV感染的危险因素(P<0.05)。ROC曲线显示,PCT、LDH预测MPP患儿合并ADV感染的曲线下面积分别为0.791、0.819,敏感度分别为72.00%、78.40%,特异度分别为73.20%、84.40%。结论 和MPP相比,MPP合并ADV感染患儿更易出现高热、肺部湿啰音、胸腔积液等情况,热程、住院时间更长。3个月内有呼吸道感染史、高PCT、高LDH和MPP合并ADV感染的发生有关,且PCT、LDH可对合并ADV感染进行一定预测。
