卷 5, 编号 4 (2024)

论证。心脏淀粉样变性是一种严重的进展性疾病，死亡率很高。肺链淀粉样变性（AL-淀粉样变性）和转甲状腺素淀粉样变性（ATTR-淀粉样变性）引起的心肌病的鉴别诊断，其最佳治疗策略的选择非常重要。

目的。评估心脏磁共振成像鉴别诊断 AL-和ATTR-淀粉样变性引起的心肌病的能力。

材料和方法。对25例确诊为淀粉样变性心肌病的患者的医学数据进行回顾性分析，根据淀粉样变性的类型分为两组。第1组为AL-淀粉样变性引起的心肌病，第2组 为ATTR-淀粉样变性引起的心肌病。所有患者均进行了心脏MRIL造影剂检查。评估了心脏容量和线性指标、心室功能和晚期钆沉积模式。使用标准统计方法，p<0.05时为差异显著。

结果。与第1组患者相比，第2组患者的心肌壁增厚更明显（室间隔18[17;18]vs.14.5mm[12.8;16]，p<0.01，左心室后壁14[13;17]vs.10.5mm[10;12.3]，p<0.01）。第2组的左心室心肌质量指数为110[92;125]，而第1组该指标为85 g/m²[69.3;91.8]，p<0.01）。 在第2组患者中，基底和中下外侧段的晚期钆沉积模式更常见于左心室透壁模式，而在第1组患者中，中前部和下外侧段的晚期钆沉积模式更常见于心内膜下模式（p<0.05）。并且在第2组患者中，造影剂同时在左心室和右心室两侧室间隔心内膜下层聚集的频率较高（100 对 50%，p<0.01）。晚期钆沉积模式在第2组患者中的右心室也更为常见（100 vs.58%， p<0.05），尤其是在室间隔和下壁区域（p<0.05）。使用 QALE（淀粉样蛋白晚期增强）指标对晚期钆沉积模式进行半定量评估显示，第2组患者的对比剂聚集更广泛13[12;14] vs.10.5[1.75;12] 分，p<0.01），评分大于13分可以区分AL-和ATTR-淀粉样变性引起的心肌病，敏感性为69%，特异性为83%。

结论。心脏MRI可以识别AL-和ATTR-淀粉样变性引起的心肌病的特征，这可能有助于它们的鉴别诊断。还需要继续研究来确认所查明模式的诊断准确性。

论证。数字乳房造影筛查是早期发现乳腺恶性肿瘤的主要工具，可将死亡率降低20~40%。目前，已开发出许多基于人工智能（AI）的服务来自动分析此类检查。

目的 — 比较三种人工智能服务在不同版本中进行的乳房造影检查评估结果与放射科医生的意见。

材料和方法。比较了乳房造影检查二元评估量表与多种类型和版本的AI服务在诊断准确性指标、马修斯系数和最大尤登指数等方面的差异。

结果。比较分析表明，评估数字乳房造影检查的二元评估量表的选择会影响检测到的病理病例数量和AI服务结果的准确性。此外，还发现了诊断准确性指标对阈值的依赖性。版本3中的AI服务1实现了最佳性能，大多数诊断准确性指标都证实了这一点。

结论。我们的研究结果可能有助于选择AI服务来解读乳房造影筛查数据。通过最大化尤登指数来设置AI服务，可以获得灵敏度和特异性的平衡值，但从临床角度来说，并不总是合理的。

论证。胸腔器官计算机断层扫描是COVID-19感染引起的肺组织变化的主要诊断方法。因此，自2020年以来，这项研究在克拉斯诺亚尔斯克边疆区的应用频率有所增加。然而，肺癌的发病率却下降了5.2%。这种情况引起了人们对肺癌漏检特征性放射学变化的担忧，并促使人们寻找新的诊断技术，包括用于数据分析的人工智能（AI）。

目的 — 评估使用人工智能算法从COVID-19大流行期间获得的胸腔器官计算机断层扫描数据中，搜索肺结节发现肺癌的可行性。

材料和方法。这项回顾性研究，包括从2020年1月11日至 2021年2月28日期间，克拉斯诺亚尔斯克地区 从PACS档案中诊断为COVID-19的患者的胸腔器官计算机断层扫描结果。进行胸腔器官计算机断层扫描与应用人工智能算法之间的时间间隔从两年零一个月到两年零五个月。使用了Chest-IRA AI算法。AI检测到体积大于100mm³的肺部结节。放射科医生根据肺癌的概率将结果分为三组。使用该算法的经济效益评估，考虑到了工资成本和早期治疗肺癌所节省的费用，这些也会影响地区生产总值。

结果。在10500个计算机断层扫描结果中，人工智能算法检查出484例结节性肿块。确定了192名患肺癌高概率的患者，103名无体征，60名体征根据不足。112名肺癌高概率和中概率的患者没有就医。 通过使用人工智能，100例（28.2%）经组织学验证的肺癌患者得到了确诊，其中35%的患者处于I-II期。

使用人工智能代替放射科医生可以节省25个月零4 天的工作时间，也就是243万卢布。每进行10500次计算机断层扫描，因早期发现肺癌而节省的预算预计从1060万卢布到1250万卢布。五年的总经济效益为2.594亿卢布至3.051亿卢布。

结论。使用人工智能分析胸腔器官计算机断层扫描结果显示肺结节检测的高效率，包括在COVID-19的背景下，这证实其用于早期发现那些可能被遗漏的随机肺结节的前景。

论证。放射组学是一种基于机器学习从数字医学影像中提取、分析和解释定量特征的技术。近年来，“剂量组学”一词在文献中越来越常见，标志着放射组学的新方向。剂量组学是一种对放射治疗过程中辐射剂量分布计划进行纹理分析的方法。剂量组学领域已发表的大多数研究都致力于其在预测辐射引起的肺损伤中的应用。

目的 — 利用放射组学的纹理方法和肺部图像的剂量组学分析，以及计算机断层扫描获得的胸部软组织，从而确定肺部辐射损伤的预测因数（生物标志物）。

材料和方法。研究中，使用了36名接受术后适形放射治疗的乳腺癌妇女的数据。根据放疗后肺部变化的程度回顾性地将患者分为两组。使用3D Slicer软件对所有患者在放疗计划阶段获得的CT扫描结果和辐射剂量分布计划进行分析，该软件具有上传研究区域的放射组学和剂量组学指标的功能。选择照射一侧的胸部软组织和肺部区域作为研究区域，剂量负荷分别超过3 Gy和10 Gy。

结果。第一组包括13名放疗后肺部变化最小的患者，第二组包括23名放疗后肺纤维化的患者。在剂量负荷超过3 Gy的照射侧肺区，三项放射组学指标和一项剂量组学指标在患者组间存在显著统计学差异。在剂量负荷超过10 Gy的照射侧肺区，12项放射组学指标和1项剂量组学指标存在显著统计学差异。在照射一侧的胸部软组织区域，18项放射组学指标和4项剂量组学指标存在显著差异。

结论。研究结果表明，在乳腺癌放疗后、肺部放疗后微小变化和放疗后肺纤维化的患者中，一 系列的放射组学和剂量组学指标存在统计学差异。我们根据纹理分析确定的预测因数（生物标志物）可用于预测放射后肺损伤，并确定发生肺损伤的发展风险较高的患者。

背景。肺癌是全球第二大常见癌症，约占所有癌症死亡病例的 20%。其中晚期肺癌的五年生存率不足 10%。对于高发的 非小细胞肺癌（NSCLC），最新临床指南（TNM分类第8版）强调 纵隔淋巴结受累 的评估在分期中的重要性。非侵入性检查方法： 敏感性不足；侵入性检查方法： 某些患者可能存在禁忌；深度学习技术 的发展为克服上述挑战提供了新途径。然而，现有研究大多集中于 算法开发，忽略了 单个淋巴结受累评估的临床意义，限制了其在临床应用中的综合性和有效性。

目的。开发并验证一个基于内部数据训练的算法，通过 胸部CT图像 分割单个纵隔淋巴结，并评估其转移的可能性。

材料与方法。数据分割与处理：按照国际肺癌研究协会建议，对 淋巴结组 进行分割；获取纵隔区域的限制性矩形框，用于后续数据处理。深度学习技术应用：使用第一个神经网络对图像裁剪；使用第二个神经网络识别所有可视淋巴结并生成掩膜；在最后阶段，分离每个可视淋巴结，应用掩膜并利用前馈网络评估其转移的可能性。

结果。分割任务性能：平均响应值为 0.74±0.01；Dice Score 为 0.53±0.26。预测淋巴结转移性能：ROC曲线下面积（AUC）为 0.73；该结果优于基于传统 大小标准 的评估方法。

结论。所提出的算法通过深度学习技术实现了对纵隔淋巴结转移可能性的自动评估，在无显著肿大的淋巴结患者中优化了治疗方案。该方法提升了 肿瘤患者医疗服务的质量，并为淋巴结评估提供了一种有效的非侵入性选择。

放射组学和纹理分析是基于专用软件和对肉眼不可见指标定量评估的数字医学图像研究的一个新阶段。通过数学变换提取的纹理指数与所研究区域的形态、分子和基因型特征相关。

本文对纹理分析在膀胱癌诊断中的可能性和困难的科学研究进行了概述。作者描述了该方法的实际意义，分析了其使用的困难和前景。利用PubMed和Google Scholar搜索引擎，使用关键词筛选出从2016年至2024年期间发表的40篇文章。

大量研究结果显示，放射组学在膀胱癌的局部分期、肿瘤形态学图像评估和远期临床结果预测方面具有很高的准确性。

由此可见，医学图像的纹理分析能在不明确的临床病例中为膀胱癌的诊断提供额外的信息。如今，方法的标准化是放射组学分析加速推广到临床实践中的关键任务之一。

本文对现代电子和数字听诊器进行了概述。文章通过eLIBRARY.ru、PubMed、Google Scholar等搜索引擎，以 “听诊”、“电子听诊器”、“数字听诊器”、“远程医疗” 为关键词，对过去10年的发表文章进行了分析。 研究了使用数字听诊器进行听诊的新的可能性。给出了市场上最受欢迎的制造商的产品简介。数字听诊器功能的增强和多功能性（能够分析心脏、肺、肠和其他器官的声音），以及改进降噪和对接收声音的过滤，将使数字听诊器更具使用吸引力。随着这些挑战的解决，数字听诊器必将成为疾病诊断、监测、治疗，以及患者自我监控不可替代的工具。对心血管和呼吸系统疾病患者进行远程监控是使用现代数字听诊器的一个很有前景的发展方向。尤其重要的是，在长期随访过程中对患者的听诊情况进行动态评估，这有助于及早发现各种慢性非传染性疾病的并发症和失代偿，如慢性阻塞性肺病、支气管哮喘、心肌梗死等等。

在医学诊断领域，使用神经网络的数据处理方法越来越受欢迎。它们最常用于使用计算机断层扫描和磁共振成像、超声波和其他非侵入性研究工具来研究人体器官的医学图像。在这种情况下，病理诊断归结为解决医学图像分割的问题，即搜索表征图像中某些对象的像素组（区域）。2015年开发的U-Net神经网络架构是解决这一问题的最成功方法之一。在本文中，作者分析了典型的 U-Net架构的各种改型。研究工作分为几个关键领域：编码器和解码器的改型；注意力模块的使用；与其他架构元素的结合；引入附加特征的方法；迁移学习和处理小型现实数据集的方法。研究了各种训练集，列出了文献中实现的最佳度量值（Dice相似度指标；交集大于联合Intersection over Union；总体准确性等等）。还创建了一份汇总表，说明所分析的图像类型和在这些图像上检测到的病理情况。概述了进一步改型以提高分割任务质量的有前景的方向。这些结果可能有助于疾病检测，主要是肿瘤检测。 所提出的算法可以成为专业医疗智能助手的一部分。

目前，超声检查作为体外受精项目不可分割的部分，其价值越来越受到人们的关注，这正是本综述主题的现实意义。在这篇科学文献综述中，以近年来最重要的研究为基础，试图回答一个有争议的问题，那就是如何选择主要的方法来评估卵巢储备和预测体外受精计划的结果。本文对二维和三维经阴道超声检查在计算卵泡数量时的优缺点进行了分析。列出了子宫内膜的超声特征和子宫动脉血流指标，它们是体外受精计划结果的可能预测因素。介绍了在体外受精项目中经腹卵母细胞抽吸的现代可能性。通过对文献数据的分析，可以做出如下结论，超声在体外受精项目中可提供的信息量巨大。

输卵管浆液性腺癌是一种极其罕见且难以诊断的女性生殖系统恶性肿瘤。这种病理通常无症状或伴有非特异性临床表现，包括浆液性血性阴道分泌物、下腹部和骨盆绞痛。这些症状在文献中被称为 “Latzko三联征»，被认为是输卵管癌的标志性症状，但只有不到15%的患者会同时出现这些症状。因其发病率低，临床症状不明显，导致大量诊断错误，或发现时疾病已处于晚期，从而大大恶化了患者的预后。只有4%的病例可在术前得到准确诊断。本临床观察描述了一例输卵管浆液性腺癌病例，该病例具有“Latzko三联征”的所有表现和磁共振成像，因此在术前阶段就被怀疑为输卵管浆液性腺癌。

下腔静脉发育不全是一种罕见的先天性血管异常，其解剖变异形式多种多样，有时甚至导致下腔静脉的中断。文献中对这些具体解剖变异的描述较少，因此该领域的研究仍面临挑战。本文报道了一例 75岁男性患者 的独特病例，其 无症状性下腔静脉肾下段发育不全 伴有 奇静脉和半奇静脉肥大，以及 腹前壁侧支静脉网络 的形成。发现方式：该血管异常是在患者无相关症状的情况下，通过 多期对比增强计算机断层扫描（CT） 偶然发现的。影像学表现：患者 右侧腹腔静脉系统 显著异常；下腔静脉中断及奇静脉系统代偿性肥大；腹前壁形成了明显的 侧支静脉网络，提示血液回流路径的重组。临床观察：患者没有既往相关症状，观察到的解剖异常未与临床症状相关。本文强调 影像学检查，特别是 多期对比增强CT，在检测血管异常中的关键作用。在该病例中，影像学技术成功识别了复杂的血管异常，提供了清晰的解剖学细节。鉴于患者既往无症状，建议定期影像学随访，以监测异常血管结构的潜在进展及可能引发的并发症。