指数加权（共4篇）
指数加权 篇1
《关于全面提高高等职业教育教学质量的若干意见》 (教高[2006]16号) 中指出, 高等职业院校要保证在校生至少有半年时间到企业等用人单位顶岗实习[1]。高职院校的顶岗实习是学生在校内完成必需的理论知识和基本技能储备之后, 到企业真实的工作岗位上, 以企业“员工”的身份, 承担与一般职业人一样的工作任务, 积累一定的工作经验, 获得一定的工作“报酬”, 但顶岗实习不是单纯的“预就业”, 是高职院校实践教学的重要组成部分, 是培养学生职业能力的关键环节, 在人才培养过程中起着不可替代的重要作用。
由于顶岗实习是学校利用社会资源实现人才培养目标的综合性实践课程, 具有管理主体多元、实习单位众多、地点分散、实习内容多样等特点, 加之实习指导教师人手不足、管理方式传统、制度不完善、考核体系不健全、评价方法不科学、校企共管机制不成熟等原因, 导致顶岗实习管理粗放, 企业偏重“顶岗”劳动, 学校缺失甚至放弃指导, 使顶岗实习的育人目标难以实现。
一、评价指标体系的构建
评价指标体系是开展科学评价活动的依据, 构建的指标体系科学与否, 是高职院校开展顶岗实习评价成败的关键所在。构建评价体系时, 为充分体现高职院校顶岗实习的特点, 本文从“工学结合、校企合作”的视角出发, 围绕提高学生核心职业技能与综合素质为中心, 依据能力本位和工作导向理论, 参照相关顶岗实习评价文献[2,3], 结合评价指标体系的全面、科学、可比性及可操作性要求, 邀请教学专家、企业管理人员、实习学生、专兼职指导教师等共同参与, 最终构建的评价指标体系由岗位任务、职业素养、职业能力、实习效果等4个一级指标, 下设12个二级指标, 详见表1。
二、数据来源与评价标准
为了实现对顶岗实习学生的全面、客观的评价, 采用了多元化的评价主体, 校企双方共同参与, 邀请了专兼职专业指导教师、企业管理人员和教学专家组成考评小组, 全面考察学生的顶岗实习情况。将构建的顶岗实习评价指标体系, 借鉴李克特量表的格式设计成问卷, 指标利用语义学标度分为5个测量等级:好、良好、一般、较差、差。为了便于计算, 将主观评价的语义学标度进行量化, 并依次赋值为5、4、3、2及1。
目前, 大多数学生参加分散性顶岗实习, 实习单位和实习岗位差异大, 学生掌握的技能也不尽相同。为了全面、客观地掌握学生的实习情况, 在实习结束后采用答辩的方式进行考核。考评小组成员根据学生实习单位的评价和答辩表现, 结合观察点和评价标准, 独立完成问卷, 给出每个评价指标的等级, 然后当场收回, 经统计汇总后, 计算出各分项指标的平均得分。同时, 为确保评价信度、效度, 减少主观随意性, 对回收的问卷进行有效性审查, 剔除个别带有较大随意性的测评表, 如各指标的选项全部填写一致则作废票处理, 不参与计算。某校机电类专业的12位参加顶岗实习学生的各项指标平均得分, 汇总后如表2所示。
三、应用综合指数法评价
综合指数法 (synthetic index) 是将一组指标值通过统计学处理转换成一个综合指数, 以正确评价工作效率、质量、管理等综合水平的一种方法。但综合指数的计算较为复杂, 没有统一的表达形式, 可根据实际问题确定计算模型, 可表示为各个指标的相加或相乘[4]。
综合指数法将评价指标作百分标比, 可用于比较不同分布类型数据, 综合考虑指标的变异度, 能定量反映不同评价对象的优劣情况, 结果直观。
(一) 指标指数化。
综合评价时, 常由于指标量纲的不同, 导致评价对象之间无法直接比较。应用综合指数法进行评价时, 为了消除量纲的影响, 需对指标的原始值作指数化处理。首先, 需区分原指标是属于“高优” (正向) 指标还是“低优” (负) 指标。“高优”指标是指数值越大越好, 而“低优”指标或是指数值越小越好。两类指标的指数化可以分别按照公式 (1) 、 (2) 计算:
“高优”指标:
“低优”指标:
式中, X为学生顶岗实习评价分项指标数据值;M可为分项指标的标准值、平均值、参考值或期望值。
学生顶岗实习评价指标体系中的各指标均属“高优”指标, 利用Excel软件, 首先对表2中的各原始指标数值按照式 (1) 进行指数化处理, M采用各指标的平均值, 学生顶岗实习各指标的指数化结果略。
(二) 指标权重的确定。
在模糊综合评判中, 指标权重是至关重要的, 它反映了各个指标在综合评价过程中所占有的地位或所起的作用, 直接影响到综合评价结果。本文在确定指标权重时, 采用专家估测法[5]。为提高指标权重的可信度、权威性和可接受程度, 在咨询教学专家意见之外, 邀请顶岗实习专、兼职指导教师和企业管理人员共同参与, 充分发挥他们的专业知识、实践经验、判断能力, 结合高职顶岗实习特点, 各自独立地给出各层评价指标的权重, 然后经统计汇总, 取其平均值作为各指标的权重。
由于评价指标为二层结构, 则二级指标的最终权重与其一级指标的权重有关, 采用乘积法得到各二级指标的组合权重, 公式为:
式中:wij为第i个指标在第j层的权重值;k为指标层数。
各指标的组合权重, 见表1。
(三) 加权综合指数计算。
充分反映各指标在综合评价中的重要程度, 利用Excel软件, 对指数化处理后的各指标数值进行加权计算, 权重系数采用表1中的指标组合权重数值。
加权综合指数的计算公式如下:
式中, wi表示学生顶岗实习指标组合权重, yi表示学生顶岗实习原始数据指数化后的数值。最终各顶岗实习学生的加权综合指数计算结果, 见表3。
综合指数值越大, 表示评价对象越优秀。因此, 根据综合指数值大小, 可得到各学生的顶岗实习质量排序。由表3可知, 学生SXS07的顶岗实习表现最优秀, 学生SXS01次之, 而学生SXS03的顶岗实习表现最差。结合学生的实际表现, 表明该评价结果是科学、合理、准确的。
四、结语
本文采用综合指数法来评价高职学生的顶岗实习质量, 无需利用专业软件或编写计算机程序, 只需运用Excel软件就能实现, 而且操作简便、评价结果直观, 能定量反映不同评价对象的优劣程度, 易被高校管理人员掌握, 具有较强的实用性、较高的推广价值。各高职院校可根据各自顶岗实习特点与不同的管理要求, 适当调整评价指标体系和权重, 使评价更加具有针对性、可操作性, 使评价结果更加符合实际, 有助于调动学生参加实习的积极性、能动性, 促进实习质量的全面提高。
摘要：本文根据高职院校的顶岗实习特点和高职人才培养目标, 首先构建了一套具有高职特色、科学合理的顶岗实习评价体系;然后阐述了综合指数法在高职学生顶岗实习评价中的具体步骤, 并依据综合指数数值对学生顶岗实习质量进行了优劣排序。结果表明, 该方法计算简便、结果直观, 是一种可靠、有效的学生顶岗实习评价方法。
关键词：高职学生,顶岗实习,指标体系,综合指数法
参考文献
[1].中华人民共和国教育部.关于全面提高高等职业教育教学质量的若干意见 (教高〔2006〕16号) [Z].2006, 11, 16
[2].龚江南.高职分散型顶岗实习考核评价体系的构建[J].职教通讯, 2012, 3:49～51
[3].刁洪斌.基于能力本位的高职生顶岗实习评价模式[J].职教论坛, 2010, 11:21～23
[4].黄会明, 严小明, 陈宁.应用TOPSIS法与综合指数法评价高职学生综合素质[J].温州职业技术学院学报, 2009, 13 (5) :44～46
[5].秦寿康.综合评价原理与应用[M].北京:电子工业出版社, 2003:119～123
指数加权 篇2
阵列天线在雷达、电子侦察和声呐等方面应用日益广泛,但这些应用对波束的副瓣提出了较高要求。因为通过降低波束的副瓣电平,可以降低副瓣带来的杂波干扰,有效地增加系统的抗干扰能力,也使得期望信号的发射接收能力得到提升[1,2,3,4,5]。
阵列天线的主要优点之一就是可以精确地控制各个阵元的激励,从而产生低副瓣的方向图或产生非常接近于选定形状的方向图。但是如果不进行阵元的幅相加权控制,阵列天线方向图的副瓣幅度仅为 - 13. 4 d B。
在阵列天线的波束形成方法之中,有很多方法可以降低副瓣,例如Dolph-Chebyshev综合法[6]、混沌免疫法[7]、粒子群算法[8,9]和遗传算法[10]等,这些方法均可以将波束副瓣优化至 - 30 d B。但因这些方法运算复杂,参加运算的参数也比较多,计算所需要的运算量也很大,所以提出一种简单、快捷的波束形成方法。
谱加权方法也是一种阵列的幅度控制。这类加权方法可以看作一个窗函数,控制各个阵列天线单元的相对幅度。其中比较常用的加权方法有: 均匀加权、Cosine加权、升Cosine加权、Cosinem加权、升Cosine平方加权、Hamming加权、Blackman-Harris加权、长球函数和Kaiser加权等[11]。
1 加权函数构造
结合天线单元幅度分布和阵列天线方向图的变换关系,并结合以上的加权方法可以看出,幅度加权所用的函数大致可以看成一个中心对称的,由中心到两端衰减的函数。如图1所示。
选取指数形式函数来进行天线阵列的优化。而且,函数应该管用Y坐标轴对称,由中心到两端随着天线单元距阵列中心的距离增大而衰减。在此之后,需要引入副瓣控制参数,将此参数定义为副瓣因子k。
在函数形式确定之后,就需要具体的优化算法的各个参数进行确定。
首先,指数的底数不宜过大或过小,过大会导致阵列天线的能量损失过大,过小时优化效果不理想。选取e作为底数是合适的。
阵列单元位置在函数中应该以比值的形式体现,所以是阵列单元距阵列中心的距离与最远单元距阵列中心的距离的比值。这样,该比值也会是从零到一的变化。
副瓣因子k的大小不能影响到中心和两端点的函数值,这样因子k也应该在阵列单元位置函数的指数位置。
在此之后,指数的幂应该与天线单元与阵列的中心的距离相关。并且,在进行归一化处理之后,应符合幅度加权的原理中总结的规律。
因此,波束优化的算法如下:
设单元之间的距离为d,与阵列中心间距为li,得到第i个天线单元的幅度权值ai。
式中,
式中,k值主要影响阵列天线主瓣宽度、增益损失和副瓣增益。
之后,通过式( 3) 的波束综合算法公式,得到阵列天线的波束方向图。
加权函数的底数不需要一定是e,也可以选择其他的数来进行优化,从而得到不同的波束副瓣抑制度。
2 算法分析仿真
首先,对底数为e的加权算法进行仿真。在选取不同的k值时,发现当k小于1. 7的时候,副瓣增益不会再减小。但是,波束的主瓣会变得非常宽,增益损失也会增大,对波束优化没有实际意义。所以对综合后的结果进行分析后,在等间距布阵的情况下k值应不小于1. 7。
通过图2和表1可以看出,随着阵元数量的增加,阵列天线的副瓣电平会少量降低。通过图3和表1可以看出,随着单元间距的增加阵列天线的副瓣电平会少 量提高。不过,副瓣的抑 制均达到- 30 d B,对阵列天线的波束形成影响不大,在此不作为优化方法的考虑因素。
选择阵元间距为0. 6λ的10阵元线阵列天线。在k = 1. 7时阵列天线的副瓣相对电平达到最小- 30. 20 d B。此时的增益损失为4. 05 d B,3 d B波束宽度为11. 015°。当k = 2. 7时,阵列天线的副瓣电平为 - 20. 38 d B,增益损失为2. 66 d B,3 d B波束宽度为10. 207°。
因为所用的优化方法属于幅度加权的算法,所以在优化副瓣的同时必然会带来阵列天线的增益损失。而且在优化副瓣时,也会引起主波束宽度的展宽。由图4可以看出随着k取值的增大,天线阵列的波束宽度会减小,由图5可以看出随着k的取值的增大,副瓣相对增益也会由小变大。当k远大于10的时候,天线方向图会与一致阵列的方向图相差无几,由优化方程也可看出,因为此时各个阵列单元的幅度权值均约等于1。
在选择不同的数作为波束优化加权函数的底数时,如表2所示,可以得到不同的优化结果。但是,波束的增益损失也会随着副瓣的增益下降而增大。而且,波束的宽度也会被展宽很多,影响波束形成的效果。所以,在这里不作为波束形成算法重点内容进行分析。
选择不同的底数时,副瓣因子k值选取的最小值也会随着底数的增大略微增大。
3 结束语
因采用幅度加权的方法的目的控制副瓣电平。但是副瓣电平、增益损失和波束宽度是相关的。在这3个条件之一变化的情况下,另2个也会随之变化。
所以通过上述低副瓣波束优化方法,在底数确定时,只需要对k的值进行优化选取。这样就可以实现对副瓣电平、增益损失和波束宽度的优化控制,从而实现对阵列天线波束形成进行优化。当选取e为底数,k = 1. 7时,副瓣抑制最多可达到30 d B左右。副瓣因子k在增大时,副瓣电平也会随之增大,仿真结果显示,副瓣因子对于波束副瓣的控制有明显效果。
指数加权 篇3
1 资料与方法
1.1研究对象2012-10~2013-08于郑州大学第一附属医院就诊的48例原发性骨肿瘤患者, 其中男30例, 女18例;年龄8~72岁, 中位年龄31岁。所有病变经手术病理检查及影像学检查证实, 并根据病变性质分为良性组18例和恶性组30例, 其病变特征见表1, 其中1例恶性骨软骨瘤患者软骨帽厚度为3 mm。所有患者以自身正常骨髓腔作为对照, 均知情同意并签署知情同意书, 所有患者扫描前未接受任何化疗或放疗。
1.2仪器与方法采用GE MR750 3.0T超导型MRI扫描仪, 8通道心脏专用相控线圈, 患者取仰卧位, 脚先进。所有患者均行常规冠状位T1WI (TR 450 ms, TE 20 ms) 、T2WI IDEAL序列 (TR 3000 ms, TE 78ms) 。多b值双指数衰减模型DWI采用平面回波序列轴位成像 (TR 3000 ms, TE为最小值) , 层厚5 mm, 层间距1 mm, 在全部方向上施加扩散梯度, b值取0、30、50、100、150、200、300、400、500、600、700、800 s/mm2, 其中b值取30~200 s/mm2时激励次数 (NEX) =2, b值取300~600 s/mm2时NEX=4, b值取700~800 s/mm2时NEX=6。于T2WI IDEAL脂像选取病变处进行定位, 视野包含病变与对侧正常骨髓腔, 扫描时间4 min 56 s。
1.3图像分析将原始图像数据传至AW 4.5工作站, 应用MADC软件进行图像分析, 结合常规T1WI、T2WI IDEAL序列及DWI图像, 手工放置病变侧及正常对侧感兴趣区 (ROI) , 同时注意选取病灶扩散受限最显著的最大层面, 尽可能多地选择病变实质区, 并尽量避开坏死、出血、囊变等区域。ROI大小由病灶扩散最明显区域的面积决定。对于同一病灶尽量选择大小相同的ROI多次测量慢速表观扩散系数 (Slow ADC) 、快速表观扩散系数 (Fast ADC) 及快速成分所占比例 (ffast) , 同时测量对侧正常骨髓区域。为避免测量偏差, 由2名有经验的骨肌影像诊断医师采用盲法对每个样本分别进行测量, 取平均值作为测量结果。计算各组间ROI平均ADC值, 分析水分子的扩散变化。
1.4统计学方法采用SPSS 17.0软件, 良性组、恶性组及对照组间Slow ADC值比较采用非参数KruskalWallis检验, 3组间Fast ADC值及ffast值比较采用单因素方差分析, 两两比较采用LSD法及Bonferroni法, P<0.05表示差异有统计学意义。
2 结果
对照组、良性组 (图1) 及恶性组 (图2) 定量参数比较:对照组、良性组、恶性组间Slow ADC值差异有统计学意义 (χ2=29.910, P<0.05) , 且良性组Slow ADC值高于恶性组, 恶性组又高于对照组。单因素方差分析显示, 3 组间Fast ADC值 (F=1.009, P>0.05) 、ffast (F=2.239, P>0.05) 差异无统计学意义, 良性组Fast ADC值最高, ffast值最低, 对照组与恶性组相差不大 (表2) 。进一步两两比较, 3 组间Slow ADC值、良性组与恶性组间ffast值差异有统计学意义 (P<0.05) , 其余各参数3 组间两两比较差异均无统计学意义 (P>0.05) 。
图1女，18岁，右侧股骨远端骨巨细胞瘤。右侧股骨远端偏内侧膨隆，髓腔内可见团块状稍长T2信号(A)，选取最佳b值DWI图手工放置病变区及对侧正常髓腔区ROI(B)，于生成的Slow ADC(C)、Fast ADC(D)及ffast(E)伪彩图上记录相应的参数，多次测量病变，取均值作为最终取值可得病变区3个参数分别为1.31×10-3 mm2/s、10.7×10-3 mm2/s、0.24，对照区分别为0.36×10-3 mm2/s、1.4×10-3 mm2/s、0.40
图2男，14岁，右侧胫骨近端骨肉瘤。右侧胫骨近端髓腔信号不均，可见斑片状混杂长T2信号，并向周围形成软组织肿块，局部骨皮质不连续(A);于DWI图上手工放置病变区及对侧正常髓腔区ROI(B);Slow ADC、Fast ADC及ffast 伪彩图(C~E)测得病变区3个参数分别为0.99×10-3 mm2/s、52.8×10-3 mm2/s、0.14，对照区分别为0.48×10-3 mm2/s、72.0×10-3 mm2/s、0.13
3 讨论
源于活体组织扩散的ADC值反映了生物组织细胞内外的布朗运动, 可以提供肿瘤微环境的信息[6], 已经逐渐应用于肿瘤的定量分析, 在骨肿瘤中的应用包括肿瘤良恶性的鉴别及化疗效果评价[5,7]。然而, DW常规单指数模型忽略了组织微循环灌注对ADC值的影响, 所得ADC值不能真实地反映组织扩散的生物学特征[8]。因此提出了DWI双指数衰减模型, 通过不同的定量参数分别评价组织扩散系数及组织微循环灌注, 其中Slow ADC值反映了生物组织真实水分子扩散, Fast ADC值及ffast值反映了组织快速移动成分, 与微循环灌注相关。该模型应用低b值将组织扩散与血液灌注分离, 使所测量的水分子扩散系数更准确, 并可以对病变血流灌注进行分析[9]。目前该技术已经应用于定量肝纤维化[10]、评价慢性肾病[11]或鉴别诊断椎体良、恶性病变[12]等方面, 但其在骨肿瘤中的应用尚未见报道。本研究将多b值DWI的双指数模型应用于原发性骨肿瘤, 结果显示其在鉴别骨肿瘤病变良恶性中有一定的诊断价值。
Slow ADC为组织中纯水分子真实扩散系数, 通过DWI双指数模型选取高b值 (>200 s/mm2) 去除灌注成分后计算而来[9]。本研究中良性组、恶性组、对照组间Slow ADC值差异均有统计学意义 (P<0.05) , 从大到小依次为:良性组、恶性组、对照组, 其原因可能是由于正常骨髓ADC值很小[13], 肿瘤浸润使正常骨髓细胞被肿瘤细胞取代, 而肿瘤细胞代谢明显高于正常骨髓, 肿瘤组织的微血管结构更加丰富, 水分子扩散增加[12]。在原发恶性骨肿瘤中, 由于肿瘤细胞大量增殖, 细胞排列密集, 细胞膜黏滞性增高, 而骨髓腔空间固定, 导致细胞外间隙明显变小, 细胞膜通透性减低, 使水分子扩散受限, Slow ADC值降低[1];而良性原发性骨肿瘤因细胞间隙较恶性病变稍宽而较正常组织略窄, 由于炎症反应等的刺激, 细胞外间隙微血管灌注增加, 使细胞膜通透性明显增高, 水分子扩散明显增加[12], 引起Slow ADC值升高, 与Padhani等[1]的结论相似, 代表扩散成分的Slow ADC值在正常红、黄骨髓与恶性病变的鉴别中具有重要意义。但由于本研究样本量较少, 尚需增加病例进一步验证研究结果。
在低b值 (<200 s/mm2) 时, DWI双指数模型中组织微循环灌注成分对MR信号衰减较为敏感[9]。根据双指数理论, Fast ADC值与肿瘤组织微血管密度密切相关。本研究中各组Fast ADC值均显著大于对应的Slow ADC值, 可见低b值时Fast ADC值对MR信号衰减敏感。Fast ADC值与低b值的数量及不同组合密切相关, b值越大, ADC值的可重复性越好[14]。张水兴等[15]研究发现, 鼻咽癌组原发灶的Fast ADC值明显高于炎性增生组, 证实Fast ADC值与组织微血管灌注的丰富程度相关。然而本研究中Fast ADC值在3 组间差异均无统计学意义, 其可能原因为:1骨髓腔ADC值受不同扩散权重与微灌注的影响, 并与红、黄骨髓分布模式及水分子和脂肪细胞所占分数有关[16], 而本研究中小b值较多, 反映组织的微灌注成分所占比重较大, 可能是由于某些肿瘤的微血管灌注较丰富, 弥补了因细胞外间隙减小所引起的Fast ADC值减低, 从而使某些肿瘤良恶性间及与正常骨髓间Fast ADC值存在一定的重叠。2骨髓ADC值与年龄呈负相关[17], 本研究中年轻患者居多 (中位年龄31 岁) , 患者年龄跨度较大 (8~72 岁) , 可能是对相关ADC值的测定有一定的影响。3 Ginat等[18]通过对颅骨良、恶性病变与细胞密度的研究发现, 脊索瘤和低级别软骨肉瘤与常规恶性病变不同, 其ADC值高于良性病变。本组病例中包含3 例脊索瘤和2 例软骨肉瘤患者, 可能因此对样本整体ADC值产生一定的影响, 其根本原因尚有待进一步探讨。
理论上灌注分数ffast应随着组织灌注成分的增加而增大, 本研究中恶性组ffast值明显高于良性组, 但同时良性组ffast值明显低于对照组, 且恶性组与对照组间ffast值差异不大, 这似乎与理论相矛盾。类似的矛盾结果在前列腺癌与增生性、炎性病变比较中也可以观察到[19]。张水兴等[15]研究认为该矛盾结果可能与ffast值对TR和TE等扫描参数的依赖有关, T2 值的差异使ffast值被过高估计, 但具体原因尚需进一步研究验证。
指数加权 篇4
1. 资料与方法
1.1 一般资料
研究中资料来源于2014年3月至2015年12月在信丰县人民医院经临床及MRI确诊为急性前循环缺血性脑卒中的首次发病并纳入静脉溶栓治疗的患者,共计选择52例作为研究对象,包括有男31例,女21例,年龄34~78岁,平均(52.9±11.5)岁。所有患者均符合临床诊断标准[3],自愿接受临床检查和治疗,并签署了知情同意书。
1.2 方法
1.2.1 研究方法
对2014年3月至2015年12月在信丰县人民医院经临床及MRI确诊为急性前循环缺血性脑卒中的首次发病并纳入静脉溶栓治疗的患者(52例)的磁共振SWI图像进行系统性回顾和统计、对比分析。
静脉不对称指数(AI)定义为SWI图像上患侧与健侧静脉显影程度(SWI—ASPECTS)评分之差(患侧-健侧)。SWI—ASPECTS评分参照CT早期缺血性改变的半定量方法――(ASPECTS评分)来评价大脑中动脉(MCA)供血M1-6区、C(尾状核)、L(豆状核)、IC(内囊后肢)、I(外囊)共十处,SWI像上出现较明显的静脉则记1分。AI的绝对变化(ΔAI)定义为基线AI与溶栓后AI之差,相对变化(rΔAI)定义为基线AI与溶栓后AI之比。
1.2.2 溶栓治疗方法
选择尿激酶进行溶栓治疗,溶栓剂量以指南规定为依据,一般为2.2万IU/kg体重,在30min内由静脉快速滴入。
1.3 统计学处理
采取SPSS18.0统计学软件进行数据处理,计量资料经(±s)形式表示,统计分析采取t检查,计数资料统计分析采取X2检验,P<0.05时,视为差异存在统计学意义。
2. 结果
经统计发现,本组52例患者中,划分在低AI组者25例,划分在高AI组者27例,两组患者的TIMI分级存在差异(P<0.05),AI分级可作为溶栓后出血转化的独立危险因素,低AI组相较于高AI组,TIMI分级更低(P<0.001),灌注缺损体积更大,良好预后所占比例表现为前者显著高于后者(P<0.05)。ΔAI和rΔAI也存在差异性,低AI组溶栓后出血的潜在风险明显要小,见表1。
3. 讨论
MRI可利用灌注加权成像(PWI)序列和弥散加权成像(DWI)序列病灶的差异来表示半暗带,但PWI定义的灌注缺损尚缺乏一个良好验证且广泛认可的阈值,存在一定的缺陷。近年来,基于血氧水平依赖(BOLD)成像原理的SWI通过对血管内脱氧血红蛋白(DHB)敏感,而缺血组织的DHB与正常组织的DHB含量有差异,因而可作为间接反映组织氧代谢的指标[4]。有研究显示,起病12 h内大血管闭塞的缺血性卒中患者中,大约96%在SWI上可见扩张的髓质静脉,反映缺氧组织或低灌注改变[5]。本次研究中,出于对SWI静脉不对称指数在急性前循环缺血性脑卒中静脉溶栓中的应用价值进行评价分析的目的,对确诊为急性前循环缺血性脑卒中的首次发病并纳入静脉溶栓治疗的患者的磁共振SWI图像进行系统性回顾分析,结果发现,不同AI值组的TIMI分级与良好预后存在明显差异,这一结果与相关文献[6]报道结果相似。不同AI值组的AI和rΔAI也存在差异性,由此证实,SWI静脉不对称指数能客观的反映急性前循环缺血性脑卒中静脉溶栓血管再通以及溶栓后出血。AI值可作为溶栓后出血转化的独立危险因素,原因是AI分值越高,往往意味着病变范围越大和(或)组织缺血缺氧越严重,静脉中脱氧血红蛋白的水平增加,导致局部磁敏感性改变,故SWI上患侧大脑半球的深部髓质静脉显影程度明显增加。AI值越高,代表脑组织缺氧程度更严重,提示急性缺血性卒中患者静脉溶栓后发生出血转化风险越大,临床上尤其需要警惕那些静脉溶栓后未获得再灌注的患者。因此,SWI静脉不对称指数可为静脉溶栓前的临床决策提供更多参考信息,在指导急性前循环缺血性脑卒中静脉溶栓中具有相当的应用价值和推广前景。
参考文献
[1]聂林,李涛,康敬源.磁敏感加权成像对急性脑梗死溶栓治疗后再灌注损伤的评价价值[J].湘南学院学报(医学版),2015,17(4):33-36.
[2]江静雯,丁蓓,郑超波,等.磁敏感加权成像在脑出血中的应用价值[J].临床神经病学杂志,2011,24(4):300-302.
[3]韩壮,田云霞,王秀忠,等.磁敏感加权成像对于脑微出血的诊断价值[J].临床荟萃,2013,28(10):1104-1106.
[4]张继,夏金翔,吴慧,等.磁共振SWI序列在深部软组织血肿诊断中的应用[J].中国CT和MRI杂志,2013,11(5):96-98.
[5]叶文卫,彭森,郭天畅,等.磁敏感加权成像和CT检查在诊断小儿颅内出血的价值比较[J].罕少疾病杂志,2012,19(4):24-27.