目的代偿期乙型肝炎肝硬化显著门静脉高压患者发生食管胃静脉曲张(GOV)风险较大,通过评价不同无创诊断模型对GOV的诊断价值,为早期诊断GOV提供依据。方法选取2017年11月—2023年11月广东省中医院就诊的代偿期乙型肝炎肝硬化显著门静脉高压患者108例,根据胃镜下是否伴发GOV将患者分为GOV组和非GOV组(NGOV组)。收集患者的年龄、性别、影像学、实验室指标等结果。计数资料组间比较采用χ^(2)检验;正态分布的计量资料两组间比较采用成组t检验;非正态分布的数据两组间比较采用Mann-Whitney U检验。采用受试者操作特征曲线(ROC曲线)评估FIB-4、LOK指数、LPRI、APRI、AAR等5种评分模型的诊断价值;利用二元Logistic回归构建联合模型,将联合模型与5种评分模型单独应用时的ROC曲线下面积(AUC)比较;采用Delong检验对各无创诊断模型的AUC值进行两两比较。结果GOV组55例,NGOV组53例。GOV组的年龄高于NGOV组[(52.64±1.44)岁vs(47.96±1.68)岁],ALT[42.00(24.00~117.00)U/L vs 82.00(46.00~271.00)U/L]、AST[44.00(32.00~96.00)U/L vs 62.00(42.50~154.50)U/L]、PLT[100.00(69.00~120.00)×109/L vs 119.00(108.50~140.50)×109/L]低于NGOV组,差异均有统计学意义(统计值分别为3.230、−3.065、−2.351、−3.667,P值均<0.05)。ROC曲线分析显示,FIB-4、LOK指数、LPRI、AAR单独诊断GOV的AUC分别为0.667、0.681、0.730、0.639(P值均<0.05),GOV阳性诊断率分别为69.97%、65.28%、67.33%、58.86%,AUC值比较差异均无统计学意义(P值均>0.05),APRI单独应用无诊断价值(P>0.05)。利用二元Logistic回归构建联合模型LAF,AUC为0.805,GOV阳性诊断率为75.80%,明显高于FIB-4、LOK指数、LPRI、AAR单独应用时的AUC值(Z值分别为−2.773、−2.479、−2.206、−2.672,P值均<0.05)。结论FIB-4、LOK指数、LPRI、AAR对代偿期乙型肝炎肝硬化显著门静脉高压患者发生GOV诊断价值相似,APRI单独应用无诊断价值,联合模型LAF的诊断效能最佳,对临床推广和应用具有一定参考价值。
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