胎心宮縮監護圖（CTG）是一種無侵入式的產前胎兒窘迫診斷的重要工具。面向基于深度學習的智能胎心監護需求，本文提出了基于三支決策理論（TWD）和多目標優化主動學習（MOAL）的深度主動學習算法（TWD-MOAL）。在卷積神經網絡（CNN）分類模型的訓練周期過程中，該算法結合TWD理論，在粒度批處理模式下選擇高質信度樣本作為偽標記樣本，同時參考由產科專家標注的低置信度樣本，在課題組整理的16 355條產前CTG信號數據集上進行驗證。實驗結果顯示，本文所提算法僅利用40%的已標注樣本，就已經達到80.63%的準確率；從各項指標綜合來看，都優于其他框架下的主動學習算法。研究表明，本文所提出的基于TWD-MOAL的智能胎心監護模型合理可行，明顯減少產科專家標注樣本所耗費的時間和精力，有效解決了臨床CTG信號數據不平衡問題，這對于輔助臨床醫師判讀以及實現胎心監護模型的智能化具有重要意義。
目的對比觀察30%、50%劑量維替泊芬光動力療法(PDT)治療急性中心性漿液性脈絡膜視網膜病變(CSC)的療效。 方法回顧性隊列病例研究。2007年3月至2013年8月行30%、50%劑量維替泊芬治療的急性CSC患者88例92只眼納入研究。患眼均行最佳矯正視力(BCVA)檢查, 統計時轉換為最小分辨角對數(LogMAR)視力; 間接檢眼鏡、彩色眼底照相、熒光素眼底血管造影、吲哚青綠血管造影、頻域光相干斷層掃描(SD-OCT)檢查。92只眼中, 50%劑量49只眼(50%劑量組); 30%劑量43只眼(30%劑量組)。兩組患者平均年齡(t=-1.45)、性別(χ2=0.011)、眼別(χ2=2.140)、平均logMAR BCVA(t=-0.40)、平均中心凹視網膜厚度、平均漿液脫離最高處視網膜厚度比較, 差異無統計學意義(P>0.05);光斑大小(t=-2.84)比較, 差異有統計學意義(P<0.05)。治療后隨訪6~68個月, 平均隨訪時間(17.16±11.30)個月。兩組患者隨訪時間比較, 差異無統計學意義(P>0.05)。觀察BCVA變化; 根據SD-OCT檢查結果, 評定治愈率、復發率、中心凹視網膜厚度和漿液脫離最高處視網膜厚度變化。Logistic多因素回歸分析治療光斑與治療結局的關系。 結果30%劑量組43只眼中, 視網膜下液完全吸收31只眼, 治愈率72.09%;50%劑量組49只眼中, 視網膜下液完全吸收47只眼, 治愈率95.92%。兩組治愈率比較, 差異有統計學意義(χ2=10.077, P=0.020)。Logistic回歸分析結果顯示, 治療分組和光斑大小對患者治愈結局的影響呈顯著負相關(比值比>1, P=0.040)。隨訪時間12個月以上者, 50%劑量組logMAR BCVA優于30%劑量組, 差異有統計學意義(P=0.036)。治療后3、6、12個月及以上, 50%劑量組中心凹視網膜厚度與30%劑量組比較, 差異無統計學意義(P=0.068、0.060、0.082、0.067)。兩組漿液脫離最高處視網膜厚度變化比較, 差異無統計學意義(P>0.05)。30%劑量組治愈31只眼中, 視網膜下液再次出現8只眼, 復發率25.81%;50%劑量組治愈47只眼中, 視網膜下液再次出現1只眼, 復發率2.13%。兩組復發率比較, 差異有統計學意義(P<0.05)。 結論50%劑量維替泊芬PDT治療急性CSC, 療效優于30%劑量。