特征表達是基于磁共振成像（MRI）的帕金森病（PD）計算機輔助診斷系統診斷準確性的重要決定因素。深度多項式網絡（DPN）是一種新的有監督深度學習算法，對于小數據集具有良好的特征表達能力。本文提出一種面向 PD 計算機輔助診斷的棧式 DPN（SDPN）集成學習框架，以有效提高基于小數據的 PD 輔助診斷準確性。本框架對所提取的 MRI 特征的每一個特征子集分別通過 SDPN 得到新的特征表達，然后采用支持向量機（SVM）對每個子集進行分類，再對所有分類器進行集成學習，得到最終的 PD 診斷結果。通過對公開的帕金森病數據庫 PPMI 進行實驗，基于腦網絡特征的分類精度、敏感度和特異性分別為 90.15%、85.48% 和 93.27%；而基于多視圖腦區特征的分類精度、敏感度和特異性分別為 87.18%、86.90% 和 87.27%。與在 PPMI 數據庫中的 MRI 數據集進行實驗的其他算法研究相比，本文所提出的算法獲得了更好的分類結果。本文研究表明了所提出的 SDPN 集成學習框架的有效性，具有應用于 PD 計算機輔助診斷的可行性。
目的總結腸道菌群在圍術期的影響因素及其在術后疼痛中的調節機制，旨在為術后疼痛管理提供臨床應用參考。方法系統查閱近年來有關腸道菌群及術后疼痛的相關文獻并進行綜述。結果麻醉、術前機械性腸道準備、手術應激等因素均可引起腸道菌群失調。腸道菌群通過其衍生代謝物和病原體相關分子模式直接或間接調節初級感覺神經元的興奮性，并通過激活免疫細胞釋放細胞因子，從而影響疼痛信號的傳導過程。結論腸道菌群在術后疼痛的發生和發展中發揮重要作用。未來研究應進一步明確其在不同類型術后疼痛中的作用，開發基于腸道菌群調節的創新性治療策略，以提高術后疼痛的管理效果。
在超聲彈性成像中，準確重建組織彈性模量分布是一項重要挑戰。現有的基于深度學習的全監督重建方法在訓練中只使用了添加噪聲的計算機仿真位移數據，不能完全模擬在體超聲數據的復雜性和多樣性。因此，本研究在訓練中引入對在體超聲射頻信號追蹤得到的位移數據（即真實位移數據），對模型進行半監督訓練，旨在提高網絡的預測準確度。實驗結果顯示，在仿體實驗中，加入了真實位移數據的半監督模型的平均絕對誤差和平均相對誤差均在3%左右，而全監督模型的相應數據在5%左右。在處理真實位移數據時，半監督模型預測錯誤區域明顯少于全監督模型。本文研究結果證實了所提方法的有效性和實用性，為在體超聲數據在彈性模量分布重建的深度學習方法中的使用提供了新思路。
目的 對主動脈竇瘤破裂（ruptured sinus of Valsalva aneurysm，RSVA）的Sakakibara分型進行改良，探討其改良分型法對手術修補的指導意義。 方法 回顧性分析2006年2月至2012年1月期間159例在阜外心血管病醫院接受RSVA修補術患者的臨床資料，男105例，女54例；年齡2～71 （33.4±10.7） 歲。所有患者按改良Sakakibara分型歸入5類，Ⅰ型：竇瘤破入肺動脈瓣下（n=66），其中84.8%合并室間隔缺損（VSD），53.8%合并主動脈瓣關閉不全（AI）；Ⅱ型：竇瘤破入右心室室上嵴或嵴下（n=17），88.2%合并VSD，23.5%合并AI； Ⅲ型：竇瘤在靠近三尖瓣環處破入右心室（Ⅲ v型，n=6）或右心房（Ⅲ a型，n=21），18.5%合并VSD，25.9%合并AI；Ⅳ型：竇瘤破入右心房（n=46），23.9%合并AI，無VSD；Ⅴ型：其他罕見情況，如竇瘤破入左心房、左心室、肺動脈或其他部位（n=3），全部合并AI，33.3%合并VSD。大部分竇瘤起自主動脈右冠竇（n=122），另有35例起自無冠竇，僅2例起自左冠竇。結果 100%的Ⅴ型和50%的Ⅲ v型RSVA患者單純經主動脈切口入路進行修補。大多數Ⅰ型、 Ⅱ型和Ⅳ型患者單純從竇瘤破入的心腔側進行修補（所占比率分別為71.2%、 64.7% 和69.6%），76.2%的Ⅲ a型患者同時使用上述2個徑路完成修補。其中Ⅳ型患者體外循環時間［（92.4±37.8） min］和主動脈阻斷時間［（61.2±30.7） min］ 最短。全組無手術死亡，2例（Ⅰ型、Ⅱ型各1例）在術后早期因右心室流出道再狹窄而二次手術矯治。對絕大多數患者采用補片材料加固竇瘤的修復方法（n=149），僅10例患者（其中Ⅳ型5例、Ⅲ a型4例、Ⅱ型1例） 采用單純線性縫合竇瘤的方法。33例患者同期接受主動脈瓣置換術（66.7%為Ⅰ型）。隨訪147例（92.5%），2例（Ⅰ型、Ⅲ a型）術后因心房顫動而接受射頻消融治療，1例（Ⅳ型）因殘余分流再次手術，隨訪期間無遠期死亡。 結論 RSVA的改良Sakakibara分型法對選擇手術修補入路具有臨床指導意義，各種類型的RSVA均可以取得良好的手術治療效果。
基于磁共振成像（MRI）的腦電正問題建模方法已在腦電領域被廣泛應用。然而，嬰兒囟門無法在MRI中清晰成像，所構建嬰兒腦電正問題建模缺乏囟門信息，影響建模精度。為此，本文提出一種新的基于囟門補償的嬰兒腦電正問題建模方法。首先，基于頭部MRI的圖像分割和網格劃分，構建無囟門頭模型；然后，提出基于投影的網格重建方法，利用囟門的形態學先驗信息和無囟門頭模型將二維囟門測量重建為三維囟門模型，實現囟門補償頭模型構建；最后，該頭模型被用于腦電正問題建模完成腦電正問題的囟門補償。基于真實頭模型的仿真結果表明，所提囟門補償具有提升嬰兒腦電正問題建模精度的潛力，對于囟門下方神經源的補償效果尤為顯著（拓撲誤差RDM > 0.05）。進一步的實驗結果表明，顱骨電導率的不確定性對建模的影響范圍最廣，囟門缺失對建模的影響強度最大。總體上，本文提出的基于形態學先驗的囟門補償方法展現出不依賴計算機斷層掃描（CT）即可提升腦電正問題建模精度的潛力，更符合實際應用場景的需求。
多任務運動想象腦電信號有效分類有助于實現精準的多維人機交互，充分利用受試者的高度頻域特異性可提升分類準確率和魯棒性。為此，本文提出基于自適應時頻共空間模式結合卷積神經網絡的多任務腦電信號分類方法。通過自適應頻譜感知提取受試者個性化節律特性，再采用一對多共空間模式計算空域特性，進而表征復合時域特性構建時空頻多層次融合特征，最后利用卷積神經網絡進行高精度高魯棒性四分類。本文采用包含10位受試者［（33 ± 3）歲］實測數據的自測數據集以及第四屆2018腦機接口競賽數據集2a（BCI competition Ⅳ-2a）對本文算法進行驗證，所提算法四分類平均準確率分別達到了93.96%和84.04%，且在公開數據集中本文算法相較于其它先進算法平均分類準確率明顯提高，受試者間準確率范圍誤差則大幅降低。結果表明，本文所提算法在多任務分類中表現出良好性能，能有效提高分類精度和魯棒性。
目的 明確主動脈瓣上狹窄（supravalvar aortic stenosis，SVAS）矯治術后早期主要心血管不良事件（major adverse cardiovascular events，MACEs）的危險因素。方法 納入2002—2019年于北京及云南阜外醫院接受手術矯治的SVAS患者。根據術后早期（住院期間和術后30 d內）是否發生MACEs，將患者分為MACEs組和non-MACEs組。獲取患者術前、術中及術后臨床資料，進行多因素logistic回歸分析。結果 共納入302例患者，其中男199例、女103例，中位年齡63.0（29.2，131.2）個月。SVAS矯治術后早期MACEs發生率為7.0%（21/302）。多因素logistic回歸分析顯示，術后早期MACEs的獨立危險因素為住ICU時間［OR=1.01，95%CI（1.00，1.01），P=0.032］、術中體外循環（cardiopulmonary bypass，CPB）時間［OR=1.02，95%CI（1.01，1.04），P=0.014］、主動脈瓣環直徑［OR=0.65，95%CI（0.43，0.97），P=0.035］、主動脈竇內徑［OR=0.75，95%CI（0.57，0.98），P=0.037］和狹窄部內徑［OR=0.56，95%CI（0.35，0.90），P=0.016］。結論 SVAS矯治術后早期MACEs的獨立危險因素是住ICU時間、術中CPB時間、主動脈瓣環直徑、主動脈竇內徑和狹窄部內徑。及早明確MACEs高危人群有利于臨床治療策略的制定。