本研究通过文献计量学方法,对国际儿童及青少年分化型甲状腺癌(differentiated thyroid cancer in children and adolescents,ca DTC)放射性碘131(iodine 131,^(131)I)治疗领域的研究现状与发展趋势进行分析。检索Web of Science Core C...
详细信息
本研究通过文献计量学方法,对国际儿童及青少年分化型甲状腺癌(differentiated thyroid cancer in children and adolescents,ca DTC)放射性碘131(iodine 131,^(131)I)治疗领域的研究现状与发展趋势进行分析。检索Web of Science Core Collection(Wo SCC)数据库,检索时间限定为1993年1月1日—2023年12月1日,使用VOSviewer 1.6.20与Cite Space 6.2.R6进行可视化分析。共计150篇文献符合本研究纳入标准,首篇发表于1994年;近30年来,ca DTC^(131)I治疗领域文献年发行量尽管自2020年以来略有下降,但整体上呈波动上升趋势;31个国家/地区涉足该领域,美国、意大利和中国的文献产出最多,全球合作网络分析显示欧美机构间合作相对更紧密;该领域期刊多为内分泌及代谢或儿科类别,Thyroid和Journal of Clinical Endocrinology&Metabolism具有重要影响力;2015年发表的《儿童甲状腺结节与分化型甲状腺癌诊治指南》(Management Guidelines for Children with Thyroid Nodules and Differentiated Thyroid Cancer)是总被引次数最多的文献;共计869名学者发表过该领域论文,高发文量学作者主要来自欧美地区,我国黄蕤学者上榜前十;聚类分析显示研究热点包括“metastasis(转移)”、“fusion oncogene(融合致癌基因)”、“late effects(迟发效应)”;关键词时序分析显示“^(131)I”持续受关注时间最长,其他重要标签包括“management guidelines(管理指南)”、“2nd primary malignancy(第二原发恶性肿瘤)”及“term follow up(定期随访)”,涵盖ca DTC^(131)I治疗的标准制定、疗效及不良事件监测等内容。当前在国际ca DTC^(131)I治疗领域,欧美地区占据主导地位,中国可依托患者群体规模优势加强国内外合作,以提升我国在该领域的研究影响力。在当前^(131)I治疗仍待规范的情况下,聚类结果提示应尽快统一临床实践中的ca DTC用^(131)I治疗标准。未来该领域研究需关注术后^(131)I治疗的疗效与安全性监测,深入探索RET融合等基因特征与^(131)I疗效间的关联,寻找^(131)I难治性ca DTC的预测标志物,以期为临床上作出^(131)I治疗的决策提供有力支持。
目的比较基于皮肤镜图像的卷积神经网络(convolutional neural network,CNN)二分类模型在蕈样肉芽肿(mycosis fungoides,MF)与炎症性疾病鉴别诊断中的应用价值。方法回顾性纳入2016年1月至2020年12月北京协和医院皮肤科门诊确诊的早期MF患者和临床表现与之相似的炎症性皮肤病患者,并按4∶1的比例随机分为训练集和测试集。使用训练集患者的皮肤镜图像对6种经典网络结构利用迁移学习进行训练,以构建CNN二分类模型。同时,在测试集中随机挑选每例患者1幅图像,并结合皮损的临床图像,由13名皮肤科医师对疾病归类进行判读。比较CNN二分类模型与皮肤科医师对测试集病例早期MF与炎症性疾病鉴别诊断的性能,结果以曲线下面积(area under the curve,AUC)、灵敏度、特异度、Kappa值等表示,并采用受试者工作特征(receiver operating characteristic,ROC)曲线进行可视化分析。结果共纳入48例早期MF患者(皮肤镜图像402幅)和96例炎症性皮肤病患者(皮肤镜图像557幅),其中训练集117例(皮肤镜图像772幅),测试集27例(皮肤镜图像187幅)。测试集中,皮肤科医师鉴别诊断早期MF与炎症性皮肤病的灵敏度和特异度分别为70.19%(95%CI:59.68%~80.70%)和94.74%(95%CI:91.77%~97.71%),Kappa值为0.677(95%CI:0.566~0.789)。按图像分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.87(95%CI:0.84~0.89),灵敏度和特异度分别为75.02%(95%CI:70.19%~79.85%)和82.02%(95%CI:79.30%~84.87%),Kappa值为0.563(95%CI:0.507~0.620);按病例分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.97(95%CI:0.95~0.99),灵敏度和特异度分别为87.50%(95%CI:78.55%~96.45%)和93.85%(95%CI:88.93%~98.77%),Kappa值为0.920(95%CI:0.884~0.954)。ROC曲线显示,按病例分类时网络结构为EfficientNet-B0的CNN二分类模型诊断早期MF的AUC为0.99,灵敏度和特异度分别为88.9%和100%,且13名皮肤科医师诊断的灵敏度和特异度均值对应点位于曲线右下方。结论基于皮肤镜图像智能分析的CNN二分类模型可实现对早期MF与炎症性皮肤病的精确分类,对二者的鉴别诊断能力优于皮肤科医师的平均水平。
暂无评论