問：校長好，我是正在念研究所的學生，因為要開始準備畢業了，我一個月前把稿件寄給指導老師，但他一直沒有回覆，我不知道是不是文章出了什麼問題，可以請校長幫我看一看嗎？
答：（蔡依橙）
把稿件寄給指導老師後，一直沒有收到回覆，其原因很多，每個同學的狀況都不一樣，必須多收集點資訊才能判斷。
常見的狀況，分成老師跟同學兩方面。
老師方面，老師本身可能太忙、老師本身就有拖延症、老師自己也不知道要怎麼修改建議都有可能。同學這邊的問題，則是溝通時意思沒有準確傳達，老師以為同學這只是初稿，會繼續進行並完稿，自己這邊可看可不看，或者是稿件的狀況實在太差，老師看到覺得，這看下去會很花時間，於是就先放在旁邊，甚至把這件事情給忘了。
同學把初稿寄給我看之後，我想這個案例，主要可能的問題是在同學這裡，因為 Word 檔案打開後，我發現排版非常的……有進步空間，光是第一印象，就很難讓人家相信這是有用心寫的內容。
問：校長好，我正在寫自己的臨床研究，回顧文獻寫 discussion 的過程中，我發現前面有一篇重要的研究，作者在數據處理上應該是出錯了，導致方向相反，結論也不對。我可以寫 letter to the editor 去反應嗎？我寫作自己的文章時，可以在 discussion 說明他們的錯誤，以及我們研究對數字處理的正確性嗎？
問：校長好，我做統合分析時，找到一篇幾年前其他團隊做的統合，但仔細分析原始文獻，發現他們數值抄錯了，而且計算上也有很多錯誤，我這篇 updated meta-analysis 需要在 discussion 處說明之前統合的錯誤，然後提到我們這篇把錯誤都更正了嗎？
答：（蔡依橙）
這兩個同學的問題都很類似，就是在仔細處理文獻的過程中，發現前人的文章有錯，而我們該怎麼反應或投書。
先天性脛骨假性關節症（Congenital pseudoarthrosis of the tibia，CPT）是一種罕見疾病，其病徵是小兒脛骨自發性骨折和無法癒合，最終形成局部假關節。雖然臨床上已提出多種治療方案，但目前仍沒有統一的標準治療方式。
楊鎮源醫師團隊回顧了在臺中區域醫療中心，於 2017 年至 2021 年期間，對三位之前在其他機構接受多次手術治療失敗的 CPT 患者，在病灶上進行腫瘤切除，以及對側帶血管之游離腓骨移植（vascularized fibular bone graft，VFG）和遠端脛骨解剖型鎖定鋼板的治療。患者們在 19.3 週內完成植骨癒合，並至少追蹤了 30 個月。所有移植物均達到了骨肥大，且沒有骨吸收或局部腫瘤復發。
研究結果顯示，「植入 VFG 和遠端脛骨解剖型鎖定鋼板」這種方法，可以成功使骨骼固定、減少併發症的風險，並改善患者的生活品質和康復效果，對於 CPT 的治療提供了一個新選擇。
楊鎮源醫師從起步開始，逐漸在自己的領域作出特色，並開始學術演講與發表，各種疑難雜症處理成功的案例和研究成果，建立起自己在專業上的聲望，相當厲害！
恭喜楊醫師！
長期以來，注意力障礙一直被認為是思覺失調症的基礎認知缺陷之一。葉大全醫師團隊研究相關的神經基礎，並開發有效治療的方法。
在注意力的處理過程中，神經振蕩在篩選資訊與分配資源到刺激或目標相關標的方面扮演著核心角色。本研究探討靜息狀態下，腦電圖連通性與思覺失調症患者的注意力表現是否有相關性。
研究納入了 72 位穩定期的思覺失調症患者進行靜息狀態下的腦電圖記錄。利用 Lagged Phase Synchronization（LPS）來測量 84 處大腦功能連通性的電流，這些電流來源是通過 eLORETA（exact low-resolution brain electromagnetic tomography）的五種頻率來確認。另外使用 Conners′ Continuous Performance Test-II（CPT-II）評估注意力表現。
研究發現，思覺失調症患者在高頻率下，右半球靜息狀態腦電功能連結性的增加，與注意力缺陷的惡化有關。如果能重複這些結果，用新的方法調節這些網絡，可能會產生選擇性和有效的干預，改善思覺失調症患者的注意力缺陷。
恭喜葉醫師！
詹雅婷醫師團隊想要發展一個人工智慧（AI）模型，利用影像組學（radiomics）和深度學習（DL）功能，從 CT 影像中區分良性和惡性卵巢腫瘤。
研究共納入 149 位經病理學確認的卵巢腫瘤患者，其中包括 185 個腫瘤，並以 7:3 比例將其分為訓練集和測試集。
所有腫瘤均從手術前的增強 CT 影像中手動分割。利用 radiomics 和 DL 方法提取 CT 影像特徵，建立五個不同組合特徵集的模型，並使用機器學習（ML）分類器，將良性和惡性腫瘤進行分類。在測試集中，將模型的性能與五名放射科醫生進行比較。
結果顯示，在五個模型中，表現最佳的是採用 radiomics、DL 和臨床特徵組合的集成模型。該模型達到 82％ 的準確度、89％ 的特異度和 68％ 的敏感度。
與資淺放射科醫生的平均結果相比，該模型具有更高的準確度（82％ vs 66％）和特異度（89％ vs 65％），敏感度差異不大（68％ vs 67％）。
在模型的幫助下，初級放射科醫生的平均準確度（81％ vs 66％）、特異度（80％ vs 65％）和敏感度（82％ vs 67％）均有所提高，接近於資深放射科醫生的表現。
詹雅婷醫師團隊開發的 AI，可以高度準確區分良性和惡性卵巢腫瘤。這個模型在卵巢腫瘤評估中，明顯提升了經驗較少的放射科醫生的能力，有助於指導婦科醫生為這些患者提供更好的治療策略。
恭喜詹醫師！
