目的探讨以面瘫为首要表现的颞骨占位病变的临床特点,影像学表现及治疗方式,提高对疾病的认识,减少误诊漏诊。方法对2009年至2018年诊治的19例患者的临床资料进行回顾性分析,包括面神经鞘瘤10例,面神经血管瘤1例,颞骨岩部胆脂瘤(Petrous...目的探讨以面瘫为首要表现的颞骨占位病变的临床特点,影像学表现及治疗方式,提高对疾病的认识,减少误诊漏诊。方法对2009年至2018年诊治的19例患者的临床资料进行回顾性分析,包括面神经鞘瘤10例,面神经血管瘤1例,颞骨岩部胆脂瘤(Petrous bone cholesteatoma PBC)8例,均有长期误诊经历。对患者影像学资料及面神经功能的预后情况进行分析。结果经手术治疗,病理证实为原发性面神经肿瘤及PBC。2例术前House-Brackmann(H-B)分级Ⅲ级,术后Ⅱ级。8例术前H-B分级Ⅴ级,其中2例术后分别恢复为Ⅲ级及Ⅳ级,4例术后Ⅴ级,其中1例同期行耳大神经移植术,2例术后Ⅵ级。9例术前H-B分级Ⅵ级,其中1例行面-舌下神经吻合术,术后Ⅴ级,8例术后Ⅵ级,其中1例因面神经纤维化严重,面-舌下神经吻合术失败。随访3月-8年无复发。结论对进行性或完全性面瘫患者,尤其伴有听力下降或眩晕者,应完善影像学检查,排除原发性面神经肿瘤及PBC等颞骨占位性病变的可能。及时发现病灶并采取恰当方法干预,可降低手术难度及并发症,增加面神经功能重建的机会。展开更多
目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和...目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和伴有听力损伤人群的受试者(200耳)为研究对象,根据年龄和听力水平将受试者分为组1(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组2(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组3(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL)、组4(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL),每组25例。收集受试者纯音测听和ABR数据,提取ABR信号时域和频域特征,与受试者年龄、性别、纯音听阈,刺激声强度以及原始信号序列拼接得到特征向量。分别使用逻辑回归、支持向量机分类、伯努利朴素贝叶斯分类、高斯朴素贝叶斯分类、高斯过程分类、决策树、随机森林、表格网络、轻量化梯度提升框架、极致梯度提升框架和局部级联集成。等机器学习模型对ABR波形进行识别训练,并对整体数据和分组数据分别计算不同模型下波形识别的准确率。结果高斯过程分类模型的整体准确率达到了94.89%,超过了其他机器学习模型。其中95.62%为<60岁听力正常受试者、92.19%为≥60岁听力正常受试者、92.92%为<60岁伴有听力损失受试者、92.50%为≥60岁且伴有听力损失受试者。结论机器学习技术在ABR波形的自动识别方面具有良好的应用前景,高斯过程分类模型优于其他机器学习模型。展开更多
文摘目的探讨以面瘫为首要表现的颞骨占位病变的临床特点,影像学表现及治疗方式,提高对疾病的认识,减少误诊漏诊。方法对2009年至2018年诊治的19例患者的临床资料进行回顾性分析,包括面神经鞘瘤10例,面神经血管瘤1例,颞骨岩部胆脂瘤(Petrous bone cholesteatoma PBC)8例,均有长期误诊经历。对患者影像学资料及面神经功能的预后情况进行分析。结果经手术治疗,病理证实为原发性面神经肿瘤及PBC。2例术前House-Brackmann(H-B)分级Ⅲ级,术后Ⅱ级。8例术前H-B分级Ⅴ级,其中2例术后分别恢复为Ⅲ级及Ⅳ级,4例术后Ⅴ级,其中1例同期行耳大神经移植术,2例术后Ⅵ级。9例术前H-B分级Ⅵ级,其中1例行面-舌下神经吻合术,术后Ⅴ级,8例术后Ⅵ级,其中1例因面神经纤维化严重,面-舌下神经吻合术失败。随访3月-8年无复发。结论对进行性或完全性面瘫患者,尤其伴有听力下降或眩晕者,应完善影像学检查,排除原发性面神经肿瘤及PBC等颞骨占位性病变的可能。及时发现病灶并采取恰当方法干预,可降低手术难度及并发症,增加面神经功能重建的机会。
文摘目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和伴有听力损伤人群的受试者(200耳)为研究对象,根据年龄和听力水平将受试者分为组1(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组2(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组3(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL)、组4(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL),每组25例。收集受试者纯音测听和ABR数据,提取ABR信号时域和频域特征,与受试者年龄、性别、纯音听阈,刺激声强度以及原始信号序列拼接得到特征向量。分别使用逻辑回归、支持向量机分类、伯努利朴素贝叶斯分类、高斯朴素贝叶斯分类、高斯过程分类、决策树、随机森林、表格网络、轻量化梯度提升框架、极致梯度提升框架和局部级联集成。等机器学习模型对ABR波形进行识别训练,并对整体数据和分组数据分别计算不同模型下波形识别的准确率。结果高斯过程分类模型的整体准确率达到了94.89%,超过了其他机器学习模型。其中95.62%为<60岁听力正常受试者、92.19%为≥60岁听力正常受试者、92.92%为<60岁伴有听力损失受试者、92.50%为≥60岁且伴有听力损失受试者。结论机器学习技术在ABR波形的自动识别方面具有良好的应用前景,高斯过程分类模型优于其他机器学习模型。
