简介：目的研究颅内电极脑电图监测技术在病毒性脑炎非惊厥性癫痫持续状态应用价值并予以分析。方法选取2015年4月~2017年10月于我院接受治疗的病毒性脑炎患者110例为研究对象。分别对所有患者进行常规脑电图监测、颅内电极脑电图监测以及脑脊液检查。分别比较两组脑电图异常率情况以及癫痫样放电现象发生率情况。此外,根据患者是否为非惊厥性癫痫持续状态分非惊厥性癫痫持续状态40例,惊厥性癫痫持续状态70例。以脑脊液检查为金标准：分析两种检测方式诊断病毒性脑炎非惊厥性癫痫持续状态的敏感度、特异性以及准确度。结果颅内电极脑电图监测病毒性脑炎的脑电图轻度异常率为0.00%（0/110）,明显低于常规脑电图组的10.91%（12/110）,而脑电图重度异常率与癫痫样放电现象发生率分别为46.36%（51/110）、56.36%（62/110）,均明显高于常规电脑组的25.45%（28/110）、16.36%（18/110）,组间对比差异有统计学意义（均P〈0.05）。常规脑电图监测诊断病毒性脑炎非惊厥性癫痫持续状态的真阳性以及真阴性人数占比均明显低于颅内电极脑电图监测,组间对比差异均有统计学意义（均P〈0.05）。以脑脊液检查为金标准,常规脑电图诊断病毒性脑炎非惊厥性癫痫持续状态的灵敏度、特异性以及准确性分别为57.50%、60.00%、59.09%,均明显低于颅内电极脑电图监测的85.00%、84.29%、84.55%,组间对比差异有统计学意义（均P〈0.05）。结论颅内电极脑电图监测技术应用于病毒性脑炎非惊厥性癫痫持续状态诊断中具有较高的价值,有利于为临床治疗方案的制定提供参考依据,同时可作为临床治疗预后的指标,值得临床应用。

简介：基于深度学习的医学图像处理已成为该领域研究的热点。深度学习方法在各种医学图像应用中取得了优异性能,达到甚至超过了专家级医生的水平。本文首先简述深度学习模型的基本原理,尤其是监督学习算法中的各种神经网络,然后总结它们在医学图像分类与识别、定位与检测、分割、配准与融合等应用领域的研究进展,最后探讨医学图像处理深度学习方法面临的挑战及应对措施。

简介：美国一项最新调查研究发现，如果儿童在3岁以前由于手术使用麻醉药的次数达到两次或者更多，那么他们日后出现学习障碍的风险可能会比正常儿童高。

简介：本文应用偏最小二乘法（PLS）同近红外漫反射光谱法结合,对颠茄粉末药品进行无损非破坏定量分析,建立了最佳的数学校正模型。讨论了光谱的预处理方法和主成分数对PLS定量预测能力的影响,并对预测集样品含量进行预测,得到了较为满意的结果。