目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方...目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方法基于深度学习Transformer和迁移学习,设计一种纯粹注意力机制模型,用于中医声诊体质辨识。采集了34名受试者的700条语音,对语音数据预处理得到对应梅尔频谱图,并利用基于公共数据集预训练的Transformer模型来提升模型对音频分类的性能。结果实验结果准确率为83.33%,曲线下面积(Area under curve,AUC)为92.16%,灵敏度为80.25%,特异性为87.03%,与使用卷积神经网络(Convolutional neural network,CNN)来构建的深度学习模型相比性能更佳。结论本文湿热质和平和质辨识模型Transformer取得了更优的辨识效果,表明其可提高中医声诊体质识别效率,能够推动体质辨识客观化和智能化发展。展开更多
对醋柴胡多糖(polysaccharide from vinegar-baked Bupleuri Radix,VBRBP)进行分离纯化,初步分析其结构特征并探究其联合化疗药的协同抗肝癌活性。通过水提醇沉、膜分离及纤维素层析从醋柴胡中分离纯化得到醋柴胡均一多糖,采用高效凝胶...对醋柴胡多糖(polysaccharide from vinegar-baked Bupleuri Radix,VBRBP)进行分离纯化,初步分析其结构特征并探究其联合化疗药的协同抗肝癌活性。通过水提醇沉、膜分离及纤维素层析从醋柴胡中分离纯化得到醋柴胡均一多糖,采用高效凝胶渗透色谱法、PMP柱前衍生化法、傅里叶变换红外光谱、气质联用和核磁共振波谱等方法对醋柴胡均一多糖进行结构鉴定,并测定其联合不同化疗药物对HepG2和Huh7两种肝癌细胞株的增殖抑制作用。结果表明,经过分离纯化得到的醋柴胡均一多糖5-1(polysaccharide 5-1 from vinegar-baked Bupleuri Radix,VBRBP5-1)是一种中性多糖,相对分子量为30.78 kDa,由甘露糖、半乳糖醛酸、葡萄糖、半乳糖和阿拉伯糖组成,摩尔比为1.96∶2.38∶58.48∶22.85∶14.32;主链是由1-α-D-葡萄糖、1,6-α-D-葡萄糖、1,4,6-α-D-葡萄糖、1,4-α-D-葡萄糖、1,3,6-β-D-半乳糖残基构成,支链主要含有1-β-D-半乳糖、1,4-β-D-半乳糖和1-α-L-阿拉伯糖、1,3,5-α-L-阿拉伯糖、1,5-α-L-阿拉伯糖残基片段。VBRBP5-1能增强10-羟基喜树碱、甲氨蝶呤和顺铂对肝癌细胞的抑制率,显示出协同增效作用,其中对顺铂的协同增效作用在两种肝癌细胞中均优于其他抗肿瘤药物。本研究解析了VBRBP5-1的结构并探索了其协同抗肝癌活性,为醋柴胡多糖的构效关系阐释及后续深入开发和利用提供参考。展开更多
文摘目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方法基于深度学习Transformer和迁移学习,设计一种纯粹注意力机制模型,用于中医声诊体质辨识。采集了34名受试者的700条语音,对语音数据预处理得到对应梅尔频谱图,并利用基于公共数据集预训练的Transformer模型来提升模型对音频分类的性能。结果实验结果准确率为83.33%,曲线下面积(Area under curve,AUC)为92.16%,灵敏度为80.25%,特异性为87.03%,与使用卷积神经网络(Convolutional neural network,CNN)来构建的深度学习模型相比性能更佳。结论本文湿热质和平和质辨识模型Transformer取得了更优的辨识效果,表明其可提高中医声诊体质识别效率,能够推动体质辨识客观化和智能化发展。
文摘目的探讨阿尔茨海默病(Alzheimer's disease,AD)患者大脑灰质体积、灰质皮层厚度及基于皮层厚度的结构协变网络(structural covariance network,SCN)的拓扑属性改变。材料与方法本研究共筛选了250例来自ADNI数据库的被试,包括AD组100人,健康对照(healthy controls,HCs)组150人。首先,利用基于体素的形态学分析方法(voxel-based morphometry,VBM)和基于表面的形态学分析方法(surface-based morphometry,SBM)分别计算每组被试的灰质体积和皮层厚度并比较其组间差异。其次,将有组间差异的脑区定义为感兴趣区(region of interest,ROI),提取每一个ROI的灰质体积和皮层厚度值,与认知量表进行偏相关分析。最后,构建基于皮层厚度的SCN并利用图论分析方法分析该网络的全局属性及局部属性的变化特征。结果第一,相较于HCs组,AD组的灰质体积和皮层厚度显著下降[体素和顶点水平总体误差(family-wise error,FWE)校正后P<0.001]。AD组灰质体积下降的脑区主要包括双侧海马、双侧眶额皮层、左侧岛叶、右侧枕下回、左侧楔前叶、左侧中央前回、左侧中央扣带回。AD组皮层厚度变薄的脑区主要包括双侧颞叶、双侧额叶、双侧顶叶、双侧扣带回、双侧梭状回、双侧岛回、双侧楔前叶等。第二,偏相关分析表明,AD组简易精神状态检查量表(Mini-Mental State Examination,MMSE)得分分别与右侧海马体积[rs=0.35,错误发现率(false discovery rate,FDR)校正后P<0.001]、左侧海马体积(r_(s)=0.38,FDR校正后P<0.001)、右侧梭状回皮层厚度(r_(s)=0.38,FDR校正后P<0.001)呈正相关;临床痴呆评定量表(Clinical Dementia Rating Sum of Boxes,CDR-SB)评分与左侧梭状回皮层厚度(r_(s)=-0.39,FDR校正后P<0.001)呈负相关。第三,脑网络分析表明,AD组SCN的全局效率(P<0.001)、局部效率(P=0.03)及小世界属性(P<0.001)高于HCs组,最短路径低于HCs组(P<0.001)。结论联合VBM、SBM的形态学分析及SCN的图论分析有助于全面理解AD患者脑网络的重组及其意义,进而为AD患者神经影像学改变提供新的见解和证据。
