欢迎访问北京化工大学学报（自然科学版），今天是
Email Alert RSS
随着城市化和工业化的发展，日益严峻的空气污染形势和频发的极端天气事件对公共健康构成了重要威胁。本研究旨在评估气象因子及空气污染对呼吸系统疾病死亡的影响。以2014年1月1日至2024年7月31日中国北京市海淀区的气象数据、空气污染物数据和呼吸系统疾病死亡数据为研究数据集，利用随机森林（RF）模型分析气象因素和空气污染物对呼吸系统疾病死亡的影响，并结合SHapley Additive exPlanations （SHAP）开展呼吸系统疾病死亡的影响因素分析。斯皮尔曼相关分析和RF模型结果显示，SO2浓度、NO2浓度、PM2.5和PM10与呼吸系统疾病死亡呈正相关，最低气温与呼吸系统疾病死亡呈负相关，且该模型在冬季展现出较其他季节更优的预测性能。此外，模型的SHAP全局特征结果表明最低气温是影响呼吸系统疾病死亡的最主要因素。研究结果表明RF模型具有预测呼吸系统疾病死亡的潜力，能够有效结合气象和空气污染数据进行呼吸系统疾病的预测，结合SHAP能够进一步提升机器学习模型的可解释性。本研究可为政策制定者科学制定针对性的空气质量控制措施、极端气温健康预警及季节性呼吸系统疾病防控策略提供有力的支撑。
面对慢性阻塞性肺病（COPD）、心源性肺水肿和阻塞性睡眠呼吸暂停低通气综合征（OSAHS）等多种疾病，亟需无创通气（NIV）面罩。然而，传统NIV面罩存在漏气、适应性不足、二次挫伤病患等问题。本研究以杜仲胶（EUG）为基础，开发出形状记忆特性个性化NIV面罩。采用物理共混法将苯乙烯-乙烯-丁烯-苯乙烯嵌段共聚物（SEBS）填充到杜仲胶中以加快其形状固定速率，制备出一系列硬质EUG-SEBS形状记忆材料；同时，向杜仲胶中添加天然橡胶（NR），制备出一系列软质EUG-NR形状记忆材料，旨在保证复合材料良好的形状固定率的前提下，降低其硬度，结合纯天然橡胶实现硬度梯度逐步降低。实验结果表明：SEBS的用量为5 phr（每百克复合材料所含的质量份数）时，EUG-SEBS复合材料（即EUG-5SEBS）的形状固定率最高，为95.5%；当EUG和NR的质量比为80/20时，复合材料EUG80-NR20的综合性能最佳，其形状固定率为75.78%，邵A硬度为87。由EUG-5SEBS、EUG80-NR20和NR这3种材料制作的个性化无创通气面罩，可满足不同脸型的依顺性和普适性的目标，并对其进行了舒适度调查，结果表明该面罩的舒适度较佳。
我国南方滨海城市具有湿润的沿海气候，为微生物的繁殖提供了理想的自然条件。了解滨海城市相关地区的微生物群落和抗性基因分布，对于评估相关疾病和感染的潜在传播风险至关重要。以海南省滨海城市绿地为代表，对其附近的公共设施开展微生物鉴定和抗性基因分析。首先，对采集的微生物样本进行分离、培养和纯化，通过16S rRNA和ITS扩增子测序分析完成了物种鉴定。随后，利用宏基因组分析了这些微生物的潜在抗性基因。结果显示：该地区的微生物主要包含Bacillus sp.、Providencia sp.、Proteus sp.、Alternaria sp.、Fusarium sp.和Aspergillus sp.；与代谢相关的基因在这些微生物中较为丰富，特别是与碳水化合物和氨基酸代谢相关的基因；在微生物中检测到抗生素抗性基因vanY、vanW、vanT和FosBx1，这些抗性基因与万古霉素和磷霉素抗性相关，提示该地区存在潜在的抗生素抗性风险。
分子诊断技术在病原微生物检测、疫情防控、疾病诊断与精准医疗中具有重要作用，但存在耗时长、灵敏度低及特异性差等缺点。因此，亟需开发快速、灵敏度高和特异性强的分子诊断技术。本研究结合CRISPR/Cas13系统和全内反射荧光显微镜（TIRF）开发了一种无扩增的单分子检测方法。首先，通过突变Cas13蛋白的保守结构域2 × HEPN domain将Cas13突变为dCas13（deactivated Cas13），使蛋白失去核酸酶的活性但保留结合酶的活性，从而使dCas13蛋白可以特异性识别并结合RNA分子。然后，利用捕获探针捕获反应体系中由dCas13蛋白、sgRNA（荧光基团标记）和SARS-CoV-2病毒的S基因（靶标RNA）分子形成的三体复合物，通过TIRF对靶标RNA分子进行检测。实验结果表明：在无靶标扩增的条件下，所建立的单分子检测方法对靶标RNA的检测灵敏度达1 pmol/L，相较于CcaCas13b蛋白固有的附属切割活性，灵敏度提升了1 000倍；该检测体系具有较高的特异性，可有效区分SARS-CoV-2病毒的S基因及其常见的突变体（N501Y和D614G）；此外，利用该检测方法成功检测到SARS-CoV-2病毒的基因组RNA（158 ng/µL）。本研究建立的单分子检测技术灵敏度高、特异性强，并且无需额外的核酸扩增步骤，为后续快速诊断方法的开发提供了新思路，具有潜在的应用价值。
超声图像超分辨率重建通过增加图像的高频信息，丰富其细节特征，有效提高了图像质量。针对现有超声图像超分辨率重建易出现细节扭曲的问题，提出一种基于纹理特征增强生成对抗网络（texture feature enhanced generative adversarial networks， TFEGAN）的肺部超声图像超分辨率重建方法。在该方法中设计了多尺度纹理特征提取模块，利用多分支结构充分提取肺部超声图像中不同尺度的纹理信息；采用通道注意力机制和多头自注意力机制对超分辨率生成对抗网络的特征提取层进行改进，使改进后的网络能够动态调整不同通道特征的权重并捕获长距离依赖关系，增强网络的全局特征表示能力；最后结合联合损失函数及自适应损失权重调整策略，建立了肺部超声图像超分辨率重建模型，实现了肺部超声图像的超分辨率重建。实验结果表明，本文所提方法的学习感知图像相似度（learned perceptual image patch similarity， LPIPS）指标相较于超分辨率生成对抗网络（super⁃resolution generative adversarial network， SRGAN）、增强超分辨率生成对抗网络（enhanced super⁃resolution generative adversarial networks， ESRGAN）、结构保持超分辨率网络（structure⁃preserving super resolution， SPSR）和内容感知局部生成对抗网络（content⁃aware local GAN， CAL⁃GAN）等算法分别提高了17.3%、3.76%、9.70%和2.85%，重建出的图像纹理细节清晰，图像整体质量得到有效提升。
糖尿病视网膜病变（diabetic retinopathy，DR）是常见的糖尿病慢性并发症之一，它的准确分类有助于眼科医生为患者量身定制治疗方案。糖尿病性黄斑水肿（diabetic macular edema，DME）是与DR密切相关的一种并发症，常用来与DR进行多任务学习进而辅助DR诊断。目前，针对DR分级诊断的深度学习方法主要集中于网络结构的设计，而对数据增强技术的研究相对较少。本研究提出了一种新颖的数据增强方法GreenBen。该方法将绿色通道的特征去冗余特性与Ben增强的背景抑制能力相结合，设计简洁但成效显著。在3个公开数据集上进行了广泛实验，实验结果表明：无论是DR单独分类还是多任务联合分类，无论采用卷积神经网络（convolutional neural networks，CNN）还是Transformer模型，与其他数据增强方法相比，GreenBen均取得了稳定且明显的效果提升，分类准确度平均提升4%，最高提升可达10%。
为满足军队在野外应急、个体防护等方面的需求，设计了一款便携式熔体微分静电纺丝机产品，旨在提供快速制备高性能纤维材料的医疗方案。利用Teoriya Resheniya Izobreatatelskikh Zadatch（TRIZ）理论，分析设计便携式熔体微分静电纺丝机的矛盾冲突，通过分割、抽取、嵌套等发明原理优化熔体转化、电场发生及控制系统，获得便携式熔体微分静电纺丝机创新设计方案，可有效解决传统纺丝机在军事任务等灵活场合下的诸多局限性，如便携性差、操作复杂、对环境适应性不足等问题。该设计有望提升军队的应急保障能力与作战效能，为军事医疗领域提供创新解决方案，同时为推动静电纺丝技术及相关设备的革新提供理论参考。
以聚（ε⁃己内酯）（PCL）为材料，通过单因素实验探究了温度、电压、气压、收集速度、收集高度及喷嘴内径对支架厚度影响的规律；定义了纤维层密指数（F p）来量化纤维排列的紧密程度或层间结合的情况。实验结果表明：升高温度导致纤维直径增大，层间融合加剧，支架高度显著下降；升高电压可以细化纤维，但电压过高时会导致乱序沉积，层数锐减；增大气压使纤维变粗且会造成层间融合；提升收集速度可以细化纤维但却降低了厚度；增加收集高度可以显著提升层数，但高度过高时层间黏附性会下降；减小喷嘴内径可以细化纤维，但过小内径会引发纤维乱序。支架最厚可达3.43 mm，层数235层。支架失效模式包括纤维乱序、聚合物熔滴及层间融合。
采用熔体电纺技术制备黄体酮纤维贴剂，对黄体酮的促渗剂进行了选择，并研究了纺丝温度、纺丝电压、气流压力等工艺参数对纤维形貌和细度的影响；开展体外透皮试验和透气性测试，并与传统涂布贴剂进行对比。实验结果表明，肉豆蔻酸异丙酯对黄体酮具有显著的促渗作用。最优参数为：纺丝温度140 ℃、气流压力0.5 psi（1 psi=6 894.757 Pa）、纺丝电压6.0 kV，纤维平均直径最细能达到（47.08±12.43） μm。优化后的纤维贴剂不仅在药物释放速率、透皮效果和透气性上超越了传统涂布贴剂，而且在以猪皮为渗透屏障时，黄体酮的日透过量（30.315 μg/cm2）接近临床常见的给药需求（35.710 μg/cm2）；在以鼠皮为渗透屏障时累积透过量达到涂布贴剂的1.45倍。本研究为开发新型黄体酮熔体电纺纤维贴剂提供了一种有效的思路。
针对脑部计算机断面扫描（CT）图像采用深度学习模型快速识别出血位置与形状，对于定位脑出血区域、判断脑出血成因有着重要的临床意义。然而，目前大部分主流的医学分割模型在脑出血分割任务中容易出现欠分割问题，尤其是在颅骨附近出血以及出血量较少区域。为此，提出一种基于文本提示的脑部出血块分割方法。先采用语言-视觉预训练模型contrastive language⁃image pre⁃training （CLIP）对设计出的文本提示词进行编码，文本提示词包含了相对位置、包含关系等信息；再结合U⁃net模型执行脑出血分割任务。该方法利用灵活的文本提示解决了部分脑出血部位位置难以识别的问题，提高了分割模型的识别准确率。所提方法的分割性能指标Dice系数在公开数据集Brain Hemorrhage Segmentation Dataset （BHSD）和自建医院脑出血数据集中分别达到了43.32%和58.78%，优于其他常见的单一医学分割模型，证明了所提方法的有效性。
急性阑尾炎（AA）CT诊断长期面临效率低、基层误诊率高的临床困境。为解决这一问题，开发了基于改进nnU⁃Net的智能诊断系统，重点融合以下3项创新技术：一是提出动态加权复合损失函数，结合Dice与交叉熵损失，并根据训练进程动态调整权重，有效提升小目标阑尾的分割精度；二是引入边缘增强监督机制，通过边缘信息强化模型对阑尾边界的感知能力；三是利用Shapley Additive exPlanations（SHAP）方法量化关键形态学指标对诊断决策的影响，增强系统的可解释性。使用60例临床确诊的急性阑尾炎患者CT数据进行训练，并选取30例病例（15例阑尾炎，15例正常）作为独立测试集进行评估。实验结果表明，系统在阑尾分割任务中取得了72.35%的Dice系数，在诊断性能上，智能诊断系统的表现（灵敏度73.3%、特异度80.0%、准确率76.7%）与高年资医生相近。此外，系统平均诊断时间为23.5 s，显著提高了诊断效率。研究结果表明该智能诊断系统具备准确、快速、可解释的优势，具有广泛的临床应用潜力。
CT图像中的腰椎分割对腰椎疾病的辅助诊断与治疗具有重要意义，U⁃Net及其扩展模型在医学图像分割领域受到广泛关注。针对Rolling U⁃Net模型在腰椎分割中细节特征易丢失等问题，提出一种改进的Rolling U⁃Net模型用于腰椎CT图像分割。该模型是一种结合多层感知器（MLP）的卷积神经网络（CNN）模型，在第4层卷积层和瓶颈层处插入特征激励模块以增加关键解剖结构的权重，通过构建长距离-局部块（Lo2 block）实现局部特征信息与长距离依赖关系的融合，Lo2 block的核心R⁃MLP模块用来学习整个图像在单一方向上的长距离依赖关系，通过控制和组合不同方向的R⁃MLP模块构建出OR⁃MLP和DOR⁃MLP模块，以捕捉多个方向上的长距离依赖关系，最后融入残差卷积恢复腰椎分割细节；同时将Dice损失函数与交叉熵损失函数的像素分类优势相结合设计了MultiClassDiceCE损失函数。实验结果表明：类别数与采样策略对改进Rolling U⁃Net模型的分割性能有显著影响，二元分割任务宜采用按图片总数量的划分策略以兼顾精度与稳定性，多分类任务更适合采用按实例总数量的划分策略；在JST_LV和VerSe数据集上进行多元分割任务时，改进Rolling U⁃Net模型的平均交并比（IoU）、Dice系数、召回率、特异度、精确度均优于U⁃Net、Attention U⁃Net、Rolling U⁃Net等分割模型，表明改进的模型可有效提升腰椎CT图像分割的准确性、细节完整性与分类鲁棒性。
针对医学图像中存在噪声影响融合效果的问题，提出了基于跨模态通道感知（cross⁃modal channel⁃aware，CMCA）的多模态医学图像融合方法。引入挤压-激励模块增强的双分支编码器，在提取过程中进行通道加权，获取独立的模态特征；构建跨模态通道感知融合模块，整合提取的信息，实现特征互补融合；结合图像熵与中值加权建立复合损失函数，在训练过程中保留细节信息，抑制噪声，实现多模态医学图像融合。实验结果表明，采用磁共振成像和计算机断层扫描（MRI⁃CT）数据集测试，多模态医学图像融合方法的平均梯度为8.630，标准差为82.301，空间频率为35.728，结构相似性指数为1.173，对辅助医生分析病灶信息具有参考价值。
