工業和商業黃頁資訊網論文書籍站
國立陽明交通大學 生物醫學影像暨放射科學系 陳潤秋、林慶波所指導 王怡珺的 肝臟特異性的核磁共振顯影劑(Gd-EOB-DTPA)和核磁共振彈性影像(MR Elastography)在肝癌的診斷價值 （2021），提出Dyson SV14關鍵因素是什麼，來自於磁振造影、肝臟特異性核磁共振顯影劑、肝癌、肝膽影像、核磁共振彈性影像。
而第二篇論文國立臺灣大學 流行病學與預防醫學研究所 陳秀熙所指導 王威淳的 統計模型於新冠肺炎防疫評估 （2021），提出因為有 新冠肺炎、機器學習、馬可夫模型、解封指數、精準監測的重點而找出了 Dyson SV14的解答。
肝臟特異性的核磁共振顯影劑(Gd-EOB-DTPA)和核磁共振彈性影像(MR Elastography)在肝癌的診斷價值
為了解決Dyson SV14 的問題，作者王怡珺 這樣論述：
背景 目前肝癌在國內致死癌症排名在男性及女性分別為第一名及第三名，影像學在肝癌診斷中扮演很重要的角色。如果在顯影劑注射的影像（顯影劑超音波、電腦斷層、磁振造影）三種有一種有典型影像，即可診斷為肝癌，不再需要病理確診。腹部超音波掃描方便、不具侵襲性，但掃描範圍較侷限，比較適合肝癌篩檢。電腦斷層或磁振造影檢查，對於肝腫瘤的性質可提供進一步的訊息，像是檢查肝外的淋巴結或腹腔內的大血管有沒有受到侵害。磁振造影檢查因為沒有輻射線且有些研究認為比電腦斷層有更高的靈敏度和診斷準確性，所以磁振造影被認為是一個更好的診斷工具。但當傳統磁振造影顯影劑動態影像造影(Dynamic study)呈現非典型肝癌，使用
新的肝臟特異性的磁振造影顯影劑 (Gd-EOB-DTPA)，肝膽影像（Hepatobiliary phase, 延遲20分鐘影像）呈現低訊號 (hypointensity)來診斷肝癌，另一方面使用核磁共振彈性影像 (MR Elastography)，量測肝臟腫瘤的彈性係數加以分析，良性腫瘤與惡性腫瘤的彈性係數是否有統計學上的顯著差異，以期能夠作為磁振造影的輔助工具。以達到肝癌早期發現、早期治療的目的。方法 第一個研究為了評估新的肝臟特異性的磁振造影顯影劑(Gd-EOB-DTPA)，肝膽影像（Hepatobiliary phase）呈現低訊號來診斷肝癌的價值，以回溯性方式自2009年1月至201
4年12月連續收錄約50名接受過二次以上顯影劑腹部磁振造影影像檢查，第二次檢查使用肝臟特異性核磁共振顯影劑 (Gd-EOB-DTPA)，打顯影劑之腹部磁振造影檢查之病患，依病灶選取標準收錄尺寸大於1公分以上之肝臟病灶，若為惡性病灶，須經由病理切片或合乎AASLD(美國肝病協會)訂立之標準肝癌(HCC)影像者，若為良性病灶，則必須有病理切片或接受至少兩年的影像追蹤證實。並將肝臟病灶區分為再生不良結節(Dysplastic nodule)及肝癌（HCC）兩大類。分別記錄打藥前T1,T2腫瘤的訊號和打藥後顯影模式，打藥前和肝實質比較分為低 (hypointense)，同 (isointense)，或
高 ( hyperintense)。打藥後顯影模式和肝實質比較分為低度 (hypovascular), 同 (isovascular)，和高度( hypervascular)顯影。第二個研究，評估核磁共振彈性影像 (MR Elastography)，分別量測肝臟腫瘤的彈性係數加以分析，是否能成為診斷肝癌的輔助工具，以回溯性方式收集自2013年4月至2017年2月共約109名接受過顯影劑腹部磁振造影影像以及核磁共振彈性影像 (MR Elastography) 檢查，並分別量測局部肝臟病灶以及肝臟實質的硬度 (shear stiffness)，以手動的方式在肝臟腫瘤和肝臟實質的地方畫出區域 (Re
gion of Interest)，並分析肝臟腫瘤在核磁共振彈性影像的表現並且評估是否和肝癌細胞分化有關。結果 Dysplastic nodule 和 HCC 在 T2WI 上的高信號、T1WI 上的低信號、動脈影像上的顯影、動態影像上的典型 HCC 顯影模式、肝膽影像呈現低訊號和 DWI 上的高信號方面存在顯著差異。T2WI的敏感性和特異性分別為79.3%和83.3%，T1WI為50.0%和80.0%，DWI為82.8%和76.7%，動態影像為17.2%和100%，以及肝膽影像的93.1%和83.3%，當動脈影像上的顯影和肝膽影像呈現低訊號時為46.8% 和 100%。惡性腫瘤比起良性腫瘤和
正常肝臟實質有較高的硬度（shear stiffness）(5.98kPa (95% CI, 5.50 – 6.50) vs. 3.33kPa (95% CI, 2.95 – 3.73 vs. 3.53kPa (95% CI, 3.23 – 3.84) (p
統計模型於新冠肺炎防疫評估
為了解決Dyson SV14 的問題，作者王威淳 這樣論述：
背景面對新冠肺炎大流行下不同高關注變異株 (VOC) 持續出現，急需新穎的統計模型方法了解疾病的流行與影響。因此，本論文的研究目的包括兩個部分：第一部分是發展機器學習方法於族群層級防疫作為的評估，結合無監督和監督方式，評估在COVID-19不同波流行之下NPIs作為和疫苗接種對社區疫情爆發的影響；第二部分則是發展一系列隨機過程模式估計個人層級從感染、症狀前期到症狀期的自然進展，並應用於邊境控制的精準監測及不同病毒量層級轉的轉轉移以進行流行病學監測。材料與方法本論文使用2020年至2022年1月間全球開放式資料進行分析，包括考量疫苗施打情境下解封指數(Social Distancing Ind
ex, SDI)、有效再生數等。並利用臺灣地區2021年5月至7月的社區感染資料，結合人口學特徵、症狀和個人病毒量進行個人層級自然病史統計模型的估計。首先，以易感-感染-傳染-恢復(SEIR)模型估計有效再生數(Rt)。結合無監督及監督機器學習方法預測COVID-19的傳播式，開發貝氏隨機多階段馬可夫模型，估計COVID-19疾病進展，以此為基礎進行電腦模擬並提供不同邊境控制精準策略的預期結果。最後，發展病毒量導引馬可夫模型，以四階段馬可夫回歸模式和九階段離散時間馬可夫模型，用於模擬個案在恢復前於不同隱狀態(Hidden State)之間與病毒量相關的詳細動態轉換。結果從2021年1月1日到2
022年1月22日，全球的流行病至少有三波流行。2021年5月臺灣社區流行的實證資料顯示NPI手段和檢測在前爆發剛開始的兩周估計其降低流行的效益達60%，並在2021年6月14日之後增强到超過90%，同時Rt從2021年5月的4.40下降到7月的0.29。本論文使用的監督機器學習三種（SVM、邏輯斯回歸和貝氏網絡(Bayesian Network, BN)）中，BN在AUC方面表現最為出色，其次則為邏輯斯回歸和SVM。BN將全球流行資料區分為兩個群集：疫苗主導群集(群集1)及NPI主導群集(群集2)。利用臺灣2020年3月至2022年1月境外移入個案估計個人層級疾病進展模式，本論文將資料依變異
株種類及流行趨勢分為7個時期，包括兩期D614G、兩期Alpha、兩期Delta，及近期Omicron。在D614G-1時期，無症狀COVID-19的每日發生率估計爲109（每10萬人）（95%信賴區間（CI）：98-121），D614G-2時期下降到40（95% CI：30-51），Alpha-1時期回到163（95% CI：141-188），在疫苗廣泛接種的Alpha-2、Delta-1和Delta-2時期發生率再次分別下降到117（95% CI。100-135）、97（95%CI：77-120）和112（95%CI：90-134），而最近出現的VOC Omicron期則又使發生率重新上升
到317（95%CI：267-371）。若以5天隔離期估算，Omicron將累積最多從症狀前期發展到症狀期的個案（94%），其次是Delta（74%和80%於兩時期）、Alpha VOC（74%和66%於兩時期）及D614G（80%和74%於兩時期）。利用隱藏馬可夫模式分析臺灣地區2021年5月至7月本土個案重覆Ct值變化可將個案分為五種狀態：低風險、中風險、高風險、極高風險和康復狀態，這五種隱狀態對應的放射高斯機率(Emission Probability)分佈之平均值分別爲45.0、34.2、29.9、23.8和15.8。其轉移機率矩陣則顯示病患在病程中不同Ct值變化傾向由低值(轉高風險)
至高值(較低風險)。從上述隱藏馬可夫模式的結果，我們進一步以Ct值15及25將病毒量分為三層，結合個案症狀發生建構四階段馬可夫模式，分析不同病毒量對症狀發生的勝算比及對潛伏時間的影響，結果發現中病毒量（15≦Ct