目的探讨当前手术条件下胃癌术后十二指肠残端漏(DSL)的发生率,评估可能的危险因素及术后引流液检测的诊断价值。方法采用前瞻性多中心观察性研究方法,纳入国内9家诊疗中心2021年2月至2022年12月接受胃癌手术的1036例病人。术后第1、3、5、7天动态监测引流液淀粉酶及直接胆红素水平。主要研究终点为DSL发生率,次要终点包括Clavien-Dindo分级、并发症发生率及引流液生化指标动态变化。结果DSL总发生率为0.97%(10/1036),其中Clavien-Dindo分级Ⅱ级(50.0%)和Ⅲa级(30.0%)占主导。DSL组病人心脑血管合并症比例显著高于非DSL组(60.0%vs.23.7%,P=0.016),手工离断组DSL发生率显著高于器械闭合组(33.3%vs.0.9%,P=0.029)。DSL病人术后住院时间较非DSL组显著延长(24.4 d vs.10.9 d,P<0.01)。术后引流液淀粉酶及直接胆红素在DSL组呈持续升高趋势(术后第7天分别达35250.2 U/L和44.9μmol/L),但组间差异无统计学意义。所有DSL病例均通过禁食、胃肠减压、生长抑素、抗感染及充分引流治愈,无死亡病例。结论胃癌术后DSL发生率降至0.97%,器械闭合十二指肠残端安全可行。术后引流液淀粉酶及直接胆红素动态监测可能为早期诊断提供依据,但需更大样本验证。
背景:膝骨关节炎是一种常见的退行性疾病,不仅严重影响患者的生活质量,同时增加社会医疗负担。早期准确诊断膝骨关节炎对于患者的治疗和预后至关重要,传统的诊断方法不仅主观且耗时,还不能保证稳定的高准确率。目的:开发一种基于深度学习的膝骨关节炎自动诊断方法,利用深度学习网络提高诊断的准确性和效率。方法:在YOLOv8n网络基础上采用Efficient-ViT网络替换YOLOv8n的骨干网络以及增加注意力机制的方法,提出了一种新的网络模型YOLOV8-ViT模型,用于自动识别和分类膝骨关节炎的X射线片图像。实验数据集来自广州中医药大学第三附属医院的5078张膝骨关节炎患者的X射线片图像,由3个影像医师根据Kellgren-Lawrence分级标准采用labelme软件来标注膝关节炎部位并进行分类,采用并集结果。评价指标包括Precision、F1分数、mean average precision(mAP)、Recall、val/box_loss、val/cls_loss和val/dfl_loss。结果与结论:实验结果表明,与YOLOv5n、YOLOv8n、YOLOv9n模型比较,YOLOV8-ViT模型的准确率、IoU阈值为0.5的平均精度(mAP50)、IoU阈值为0.5-0.95的平均精度(mAP50-95)、F1分数和Recall均有所提高,val/box_loss、val/cls_loss和val/dfl_loss分别降低了0.496、0.45和0.523,1.037、0.305和0.728,0.267、0654和0.854,验证了该模型具有较高的检测精度。
暂无评论