盘点：JAMA 12月原始研究第二期汇总

【1】乔杰院士和洪天配教授共同领导的随机对照临床试验POSTAL研究结果发表

DOI：10.1001/jama.2017.18249

2017年12月12日，北京大学第三医院内分泌科、生殖医学中心、临床流行病学研究中心等组成的跨学科研究团队合作完成的随机对照临床试验的研究结果在线发表于JAMA。该研究是甲状腺自身免疫状态与体外受精-胚胎移植（IVF-ET）妊娠结局相关研究领域迄今为止国际上报道的临床研究中样本量最大的RCT研究。旨在明确左旋甲状腺素治疗能否改善甲状腺自身抗体阳性但甲状腺功能正常的不孕症妇女的妊娠结局，为指导临床实践提供更高级别的循证医学证据。POSTAL研究结果表明，左旋甲状腺素治疗并不能改善TPOAb阳性但甲状腺功能正常的不孕症妇女的IVF-ET妊娠结局。提示甲状腺功能正常但甲状腺自身抗体阳性的不孕症女性在进行IVF-ET过程中不需要预防性应用左旋甲状腺素，但需要监测甲状腺功能的变化。值得注意的是，由于本研究排除了具有反复流产史的患者，故本研究结论对于流产高风险的不孕症患者可能并不适用。

【2】深度学习算法检测乳腺癌淋巴结转移的诊断价值

DOI：10.1001/jama.2017.14585

将深度学习算法应用于整张幻灯片的病理图像可能会提高诊断的准确性和效率。本研究旨在评估自动化深度学习算法在检测乳腺癌女性淋巴结的苏木素和伊红染色的组织切片中的转移的效果，并将其与诊断机构中的病理学家的诊断相比较。研究人员在横向分析评估了作为挑战竞赛一部分提交的32种算法，结果显示，7种深度学习算法在模拟时间受限的诊断机构中比11名病理学家显示出更大的区分度，曲线下面积为0.994（最佳算法 ）vs 0.884（最佳病理学家）。这些发现提示了深度学习算法在病理诊断中的潜在效用，但需要在临床实践中进行评估。

【3】检测视网膜眼底照片中糖尿病性视网膜病变的深度学习算法的开发和验证

DOI：10.1001/jama.2017.18152

深度学习是指能让算法通过学习能展现出预期行为的大量样本以进行自我编程的一系列方法，这让我们可以不再需要特定一些明确的规则。这些方法在医学成像上的应用还需要进一步的评估和验证。为了应用深度学习来创建一种能通过视网膜眼底照片自动检测糖尿病性视网膜病和糖尿病性黄斑水肿的算法。研究人员使用了一种被称为深度卷积神经网络的专为图像分类而优化过的神经网络类型，该网络使用 128175 张视网膜图像的可追溯的开发数据集进行了训练，其中的每一张图像都针对糖尿病性视网膜病变、糖尿病性黄斑水肿和图像等级进行了3-7次评估，评估者来自54个美国有执照的眼科医生和眼科学资深专家在2015年5- 12月之间所作出的评估。所得到的算法使用 2016年1月和2月的两个互相独立的数据集进行了验证，其中的每张图像都至少经过了7位美国认证的眼科医生的高 intragrader 一致性的评估。结果显示，在初步验证数据集（71896图像，14880例患者）中，DLS检测可参照糖尿病视网膜病变的敏感性为90.5%，特异性为91.6%，对视力威胁性糖尿病视网膜病变的敏感性为100%，特异性为91.1%，可能的青光眼敏感性为96.4%，特异性为87.2%，对年龄相关性黄斑变性的敏感性为93.2%，特异性为88.7%。表明DLS具有较高的敏感性和特异性，可用于糖尿病多种族人群的视网膜图像识别糖尿病视网膜病变和相关眼病。