|
搜索
搜 索
高等教育領域數字化綜合服務平臺
呼吸疾病生物資源庫共享平臺
呼吸系統疾病生物資源庫資源共享平臺的應用,使呼吸疾病生物樣本得到充分的合作利用，為國內外呼吸疾病研究機構在臨床研究方法學、質控管理或數據管理服務、數據統計分析服務等方面提供了有力支持和多中心成果產出。平臺包括生物資源庫信息展示界面、生物資源庫管理子系統、樣本信息檢索子系統、生物資源庫申用審核子系統、用戶中心、用戶管理子系統、生物資源標本用后信息反饋、統計分析等。
廣州聯智信息科技有限公司
2021-11-01
治療心血管疾病中藥赤芍總苷片
該產品是從中藥赤芍中提取的有效成份，主要用于因各種器質性心臟病（冠心病、心絞痛、心肌炎、心肌病、肺心病）引起的心肌損傷，并能用于慢性充血性心力衰竭的治療。世界衛生組織調查結果顯示：全世界每年約有1500萬人死于心臟病，占總病死率54％以上。目前國內治療心血管病的二類中藥較少，該藥的特點是結構成份清楚，治療效果和機理明確，毒副作用小，可以滿足市場需求，并具有
西安交通大學
2021-01-12
首創基因編輯擬人化家兔疾病動物模型
利用基因編輯技術開發系列動物模型，制備第一例家兔自發性高脂血癥擬人化疾病動物模型，為心血管疾病治療以及新一代降血脂藥物的研發提供了合適的研究工具，具有廣泛的臨床轉化前景。
揚州大學
2021-04-14
XM-603E腦中風模型（大腦疾病模型）
XM-603E腦中風模型（大腦疾病模型）
?
XM-603E腦中風模型（大腦疾病模型）展現了大腦的皮質、灰質、腦干、動脈等結構，并且設計了腦出血、動脈瘤、大腦動靜脈畸形等病理結構。
尺寸：17×14×18cm
材質：PVC材料
上海欣曼科教設備有限公司
2021-08-23
XM-603E腦中風模型（大腦疾病模型）
XM-603E腦中風模型（大腦疾病模型）
?
XM-603E腦中風模型（大腦疾病模型）展現了大腦的皮質、灰質、腦干、動脈等結構，并且設計了腦出血、動脈瘤、大腦動靜脈畸形等病理結構。
尺寸：17×14×18cm
材質：PVC材料
上海欣曼科教設備有限公司
2021-08-23
一種治療抑郁、失眠疾病的藥物成分及其制劑
本項目提供一種治療失眠癥、抑郁癥的生物堿有效成分及其 2 種新型制劑及其制備方法，分別可以用作口服給藥及鼻腔給藥，方便臨床應用，減少給藥頻率、提高病人順應性；增強治療效果。
天津醫科大學
2021-02-01
電液便器節水、減污、免防疾病傳染裝置
電液便器節水控制裝置的研究設計，對于節約用水，減少污水,保護環境,預防疾病傳染等方面都具有重大意義，將創造出巨大的經濟效益和社會效益。本項目于1999.10.9被中國知識產權局授予專利權。本裝置的先進性在于：1.可把大小便沖水按最佳用量控制供給，避免了大小便沖水用量相同造成的浪費.使用該裝置,人均每天可節水20--30kg,全國年可節約用水數十億噸，減少數
西安交通大學
2021-01-12
治療養殖魚類細菌性疾病的藥物篩選方法
研發階段/n（1）采用BHIA培養基從患病魚體病灶處（或者從肝、脾、腎、腹水）分離病原菌，在初培養的基礎，挑取單個菌落進行純培養并快速鑒定其種類。（2）將分離菌株接種在盛有適宜的培養基的平板中，采用藥物紙片檢測分離菌株的藥物敏感性，確定分離菌株的藥物敏感譜。（3）參照日本化學療法學會的試管法，在藥物系列試管中測定抗生素類藥物對分離致病菌的抑、殺菌濃度，根據不同種類的抗生素類藥物對分離菌株的最小抑菌濃度（MIC）的大小，選擇治療疾病的適宜藥物種類和劑量用藥。應用前景：適用于全國各地的海、淡水水產養殖區
華中農業大學
2021-01-12
南開團隊為疾病早期診斷及干預提供新策略
肽是人體中最必不可少的成分，是人體一切活性物質的存在形式。因此，通過在特定條件下形成具有確定結構特征的多肽聚集體的多肽組裝技術，在生物醫藥領域具有良好的應用前景。
南開大學
2022-05-27
基于耳內圖像的耳科疾病智能輔助診斷系統
本項目通過收集本院耳鼻喉科6066張正常人、分泌性中耳炎、急性化膿性中耳炎活動期及化膿性中耳炎靜止期耳內鏡圖像。
一、項目進展
創意計劃階段
二、負責人及成員
姓名
學院/所學專業
入學/畢業時間
徐倩慧
中山大學醫學院
2017.09~2022.06
童釗鵬
中山大學孫逸仙紀念醫院
2021.09~
三、指導教師
姓名
學院/所學專業
職務/職稱
研究方向
蔡躍新
中山大學孫逸仙紀念醫院
副主任醫師
耳鼻喉頭頸外科
四、項目簡介
本項目通過收集本院耳鼻喉科6066張正常人、分泌性中耳炎、急性化膿性中耳炎活動期及化膿性中耳炎靜止期耳內鏡圖像。通過模仿醫生診斷的注意力機制，將獲取局部關鍵特征的局部分類器與獲取全局特征的主分類器有機結合，構成深度學習的主框架。通過計算AUC等統計學指標來評估模型的性能，并與兩位副主任醫師、兩位主治醫師進行人機對比來進一步評估模型的性能，同時通過熱圖顯示深度學習模型在耳內鏡圖像不同區域的權重，以判斷深度學習關注的區域是否與臨床醫師一致。該深度學習模型可獲得整體93.4%的準確率，區分正常人與分泌性中耳炎的AUC為0.99，而區分化膿性中耳炎活動期與靜止期的AUC為0.94.模型的準確率要高于兩位主治醫師，達到副主任醫師的水平，同時熱圖顯示深度學習模型定義的關鍵區域恰好是臨床醫生做診斷的區域，如化膿性中耳炎鼓膜穿孔區域，分泌性中耳炎的光錐區域。同時，同時，本項目還將深度學習模型的技術落地，自主研發出研發便攜式可拍攝與自動診斷的耳鏡設備。
中山大學
2022-08-10