博文
JPM：四川大学文章精选 | MDPI 编辑荐读
||
本期编辑荐读精选了来自四川大学的研究者近年来发表在 Journal of Personalized Medicine (JPM) 上的五篇精选文章，内容主要涉及生物医学和机器学习，涵盖脑膜瘤自动评估和分级预测系统、对肠内喂养不耐受危重患者管饲多潘立酮与喂养成功的关系、垂体腺瘤手术后的视觉结果预测、生殖细胞瘤和颅咽管瘤的区分、自发性脑出血后患者功能结果和死亡率预测。希望能为相关领域学者提供新的思路和参考，欢迎阅读。
01. Automatic Meningioma Segmentation and Grading Prediction: A Hybrid Deep-Learning Method
脑膜瘤的自动分割和分级预测：一种混合深度学习方法
Chaoyue Chen et al.
文章亮点：
(1) 本研究提出了一种采用级联网络结构设计，结合深度学习技术的脑膜瘤自动评估和分级预测系统。
(2) 该系统在实际应用中的肿瘤图像分割准确、渲染模型精细重建瘤体，可以清晰显示颅内重要血管。
(3) 此外，系统通过提供肿瘤的基本信息，包括大小、位置、形状和分级预测，有助于加强神经外科医生和患者术前的沟通。
原文出自 JPM 期刊
Chen, C.; Cheng, Y.; Xu, J.; Zhang, T.; Shu, X.; Huang, W.; Hua, Y.; Zhang, Y.; Teng, Y.; Zhang, L.; Xu, J. Automatic Meningioma Segmentation and Grading Prediction: A Hybrid Deep-Learning Method. J. Pers. Med. 2021, 11, 786.
02. Association between Domperidone Administered via Feeding Tube and Feeding Success in Critically Ill Patients with Enteral Feeding Intolerance
肠内喂养不耐受危重患者经饲管给药多潘立酮与喂养成功的关系
Yisong Cheng et al.
文章亮点：
(1) 本文评估了管饲多潘立酮与静脉注射甲氧氯普胺治疗的有效性和安全性。
(2) 研究通过倾向评分匹配和回归分析表明通过管饲多潘立酮与喂养成功独立相关。
(3) 研究发现管饲多潘立酮能有效提高肠内喂养不耐受重症成人患者的肠内营养输送性能，同时避免增加不良事件的风险。
原文出自 JPM 期刊
Cheng, Y.; Chen, C.; Yang, H.; Fu, M.; Zhong, X.; Wang, B.; Hu, Z.; He, M.; Zhang, Z.; Jin, X.; Kang, Y.; Wu, Q. Association between Domperidone Administered via Feeding Tube and Feeding Success in Critically Ill Patients with Enteral Feeding Intolerance. J. Pers. Med. 2021, 11, 846.
03. Machine Learning-Based Radiomics of the Optic Chiasm Predict Visual Outcome Following Pituitary Adenoma Surgery
基于机器学习的视交叉放射组学预测垂体腺瘤手术后的视觉结果
Yang Zhang et al.
文章亮点：
(1) 垂体腺瘤手术后视力恢复的术前预测一直是个挑战，本研究旨在发现磁共振成像的视交叉组学结合机器学习技术预测术后视野结果中的价值。
(2) 本文是首个将基于机器学习的放射组学应用于垂体腺瘤患者视觉预后预测的研究，利用机器学习技术提出了一种新的放射学模型。
(3) 本研究发现基于机器学习的常规磁共振成像的视神经交叉放射组有可能成为一种新的方法，用于术前预测视力恢复，并为个别垂体腺瘤患者提供个性化咨询。
原文出自 JPM 期刊
Zhang, Y.; Chen, C.; Huang, W.; Cheng, Y.; Teng, Y.; Zhang, L.; Xu, J. Machine Learning-Based Radiomics of the Optic Chiasm Predict Visual Outcome Following Pituitary Adenoma Surgery. J. Pers. Med. 2021, 11, 991.
04. Differentiation between Germinoma and Craniopharyngioma Using Radiomics-Based Machine Learning
使用基于放射组学的机器学习区分生殖细胞瘤和颅咽管瘤
Boran Chen et al.
文章亮点：
(1) 生殖细胞瘤和颅咽管瘤具有相似的临床表现和影像学特征，但不同的治疗策略和治疗结果强调了术前准确诊断的重要性。本文首次将基于放射学的机器学习应用于两种肿瘤的术前诊断。
(2) 本研究基于三种选择方法和三种分类器，建立了高性能的预测模型。
(3) 本研究初步证明了机器学习算法与 MR 图像中提取的放射学特征相结合有助于这两种肿瘤的鉴别诊断，为辅助传统的放射学诊断提供了一种新方法。
原文出自 JPM 期刊
Chen, B.; Chen, C.; Zhang, Y.; Huang, Z.; Wang, H.; Li, R.; Xu, J. Differentiation between Germinoma and Craniopharyngioma Using Radiomics-Based Machine Learning. J. Pers. Med. 2022, 12, 45.
05. Machine Learning-Based Approaches for Prediction of Patients' Functional Outcome and Mortality after Spontaneous Intracerebral Hemorrhage
基于机器学习的自发性脑出血后患者功能结果和死亡率预测方法
Rui Guo et al.
文章亮点：
(1) 本文开发了一种基于机器学习的多变量预测模型，用于自发性脑出血患者后90天的评估，避免了研究人员干预的影响，有助于医生和患者家属选择最佳的护理。
(2) 本文研究开发了6个预测模型，其中 Logistic 回归和 Logistic 回归 CV 是预测功能预后最准确的模型，均显著优于 ICH 评分 (传统而广泛使用的预后预测方法)。
(3) 本研究中的模型只包含少量变量，容易用于临床实践，并且机器学习算法比传统的统计方法更适合处理变量数量的增加，以应变未来对更大数据集的操作。
原文出自 JPM 期刊
Guo, R.; Zhang, R.; Liu, R.; Liu, Y.; Li, H.; Ma, L.; He, M.; You, C.; Tian, R. Machine Learning-Based Approaches for Prediction of Patients’ Functional Outcome and Mortality after Spontaneous Intracerebral Hemorrhage. J. Pers. Med. 2022, 12, 112.
JPM 期刊介绍
主编：David Alan Rizzieri, Novant Health Cancer Institute, USA
期刊涵盖与个性化医疗相关的前沿、创新的临床前和转化科学研究及技术 (如精准医疗、药物基因组学/蛋白质组学、系统生物学、组学关联分析)，将个性化医疗的各个方面整合至一个平台上，为学术和临床研究人、生物技术、诊断和制药公司、卫生专业人员、监管和伦理专家以及政府和监管当局提供论坛。
2021 Impact Factor：3.508
2021 CiteScore：1.8
Time to First Decision：21 Days
Time to Publication：49.7 Days
https://blog.sciencenet.cn/blog-3516770-1359112.html
上一篇：超细致英文学术论文写作攻略，请查收！英文学术论文撰写方法与Tips (二)
下一篇：低碳农业的可持续未来：“固碳”物种——北美黄花棯 | MDPI Crops
