文章介紹

孕婦一向被認為是最可能缺乏碘的族群，而足夠的碘，對於胎兒與嬰兒的腦部發育非常重要。臺灣在 2013 年的營養調查中發現，15-44 歲的（非懷孕）生育年齡女性，其尿液中的碘濃度為 124 μg/L，屬於生活足夠，但如果要懷孕的話卻不足的狀態。葉長青醫師團隊，很好奇臺灣實際懷孕婦女的碘攝取狀況，於是作了本研究。

研究以臺北榮總為主，於 2018 年 1 到 10 月，收集孕婦的尿液，測定碘濃度，並收集記錄其飲食習慣。結果發現，尿液碘濃度為 225.3 μg/L，相當不錯，進一步從飲食習慣分析，臺灣孕婦普遍有服用綜合維他命的習慣，只有 20.6% 的孕婦從來不吃綜合維他命。其他常被食用的碘來源，還包括牛奶和魚。

總結來說，臺灣孕婦的碘營養狀況是足夠的，未來要進一步注意的是，少數患者的碘缺乏，以及可能的碘過多狀況。

• PubMed
• Article on PLOS ONE

恭喜葉醫師！

閱讀更多 »

文章介紹

青光眼造成的視神經萎縮，由於早期沒症狀，但太晚發現又會造成失明，是臨床上的一大問題。如果眼底攝影的影像能用電腦篩選判讀，對於早期發現這類的患者，會有幫助，於是柯玉潔醫師團隊，預計用有限的影像，配合深度學習（機器學習的一個分支），嘗試建立一個有效的通用設計。

研究使用了來自台北榮總共 944 張眼底攝影影像，並記錄患者資料與臨床特徵，接著以卷積神經網絡（convolutional neural network; CNN）來辨認青光眼性視神經萎縮，在 CNN 分類比較不確定時，搭配向量集成模型作最後的分類，稱作 emsemble model。而 CNN 分類本身，也藉由合併北榮與印度 Drishti-GS 的訓練，另作一組 fine-tuned CNN。

接著再以測試影像組作診斷率的確認，並以 ROC curve 的 AUC 來比較。

在 187 張台北榮總的測試影像表現中，CNN 的 accuracy 達 95.0%，AUC 為 0.992，相當理想；emsemble model 的 accuracy 為 92.8%，也不錯。

不過，在印度的 Drishti-GS 測試影像中，CNN 本身只能達到 33.3%，必須搭配集成模型，才能提升到 80.3%，而 fine-tuned CNN 也能達到 80.3%。值得注意的是，CNN 分類，在中等到嚴重的疾病，並沒有出現分類錯誤的現象。

整體來說，在作者測試的作法中，emsemble model 與 fine-tuned CNN 都是不錯的設計，能在只有有限影像時，作一般性的深度學習模型設計，偵測青光眼性視神經萎縮。

• PubMed
• Article on PLOS ONE

恭喜柯醫師！

閱讀更多 »