当前位置：首页 > news >正文

垂直网站怎么做dw里面怎么做网站轮播图

news 2025/10/22 10:41:02

垂直网站怎么做,dw里面怎么做网站轮播图,制作网站的最新软件是什么,wordpress滑动图片导读在人工智能的这波浪潮中#xff0c;以ChatGPT为首的大语言模型#xff08;LLM#xff09;不仅在自然语言处理#xff08;NLP#xff09;领域掀起了一场技术革命#xff0c;更是在计算机视觉#xff08;CV#xff09;乃至多模态领域展现出了令人瞩目的潜力。这些…导读在人工智能的这波浪潮中以ChatGPT为首的大语言模型LLM不仅在自然语言处理NLP领域掀起了一场技术革命更是在计算机视觉CV乃至多模态领域展现出了令人瞩目的潜力。这些先进的技术以其强大的数据处理能力和深度学习算法正在被广泛应用于医疗影像分析、辅助诊断、个性化治疗计划制定等多个方面。相信大多数小伙伴都坚定不移地认为大语言模型LLM和图文多模态大模型的崛起无疑为医疗领域带来了革命性的变革。然而作为一线医疗AI从业者本文作者廖方舟知乎https://www.zhihu.com/people/liao-fang-zhou-31却提出了一种截然不同的观点即在当前的技术和数据储备下多模态大模型在医疗辅助诊断领域难以取得重大突破。今天的文章将为大家揭示多模态大模型在辅助诊断、异常检测等方面的潜力与局限作者不仅分享了对当前技术的深刻见解还提出了关于数据质量和模型训练的重要思考。如果您对AI在医疗领域的应用充满好奇或者正在寻找行业内部的深度分析欢迎深入阅读本文详情请移步至文末阅读原文。背景 2023-2024年科技领域最引人注目的进展无疑是大语言模型LLM和图文多模态大模型的飞速发展。除了通用模型的突破各垂直领域的大模型也如雨后春笋般涌现。医学作为一个至关重要的垂直领域也见证了多项关键进展。例如Google Health的Med-PaLM 2 和 OpenAI 的ChatGPT 声称能够通过美国医生资格考试并具备一定的多模态能力来进行基础的读片工作。大语言模型在众多自然语言处理NLP任务中表现出色逐渐统合了许多独立的NLP领域。随着数据规模的增加大语言模型的表现遵循“Scaling Law”不断提升。在翻译、编写代码等应用场景中ChatGPT 已经迅速推广取代了许多旧有工具。这种趋势迫使尚未涉足大模型领域的人们重新思考是否也应该投入大模型的开发大模型是否会对现有行业带来巨大冲击作为医疗AI从业者我在这些问题上进行了反思。本文将分享我对大模型在医疗领域的一些看法欢迎大家批评指正。我得出的基本结论是在当前的技术和数据储备下多模态大模型在医疗辅助诊断领域难以取得重大突破。定义多模态大模型是指能够同时处理和整合来自多种输入形式如文本、图像、音频等的大型机器学习模型。这些模型通过理解和生成多种形式的数据能够执行跨模态任务例如从图像生成描述性文本或根据文本生成相关的图像。这类模型结合了视觉和语言理解能力使得它们能够在多种应用场景中发挥作用从而突破单一模态的限制提供更加丰富和交互性强的用户体验。多模态大模型的技术架构多模态大模型通常由一个多模态嵌入模块、跨模态注意力机制和解码器组成多模态嵌入模块将不同模态的数据转换为共同的向量表示。这可以通过独立的编码器如卷积神经网络用于图像变压器模型用于文本实现。跨模态注意力机制允许模型关注不同模态数据中的相关信息使得一个模态的特征可以增强或补充另一个模态的特征。例如在图像描述生成中模型可以利用图像的特征来聚焦生成文本的内容。解码器将整合后的多模态特征转化为具体的输出形式如生成自然语言描述、生成图像或其他形式的数据。在医学应用中常见的场景是智能读片即输入X光或CT图像由模型解读后自动生成报告。患者可以根据模型的反馈进一步提问深入咨询预期的病情变化、疾病成因、治疗手段等。一个例子https://stanford-aimi.github.io/chexagent.html 根据上述技术架构我们可以看到大模型在进行描述时类似于人类边看图边说话它的“眼睛”会寻找图像中与问题最相关的部分提取该区域的特征并进行语言组织。难点1微小目标识别模型要准确描述图像内容的前提是“注意”到图像中的异常之处这个过程基本等同于“异常检测”或“显著性检测”。医学图像与自然图像的主要区别在于对小目标检测的重视例如在肺部CT中结节检测的下限通常是3-4毫米即4-5像素。考虑到典型的薄层CT图像尺寸为300x512x512像素这种结节在原图中所占比例仅为1/1e6在二维图像上相当于1080p照片上的一个像素。以这张照片为例普通自然语言描述的输出可能是一个人穿着正式服饰拿着一张演讲稿纸准备在麦克风前发表演讲。而模仿医生写报告的方式输出结果可能是下巴有一颗痣色淡半球状无危直径4mm 这一简单描述综合了器官检测、异常检测、细粒度识别、分割测量等任务这也是医学AI软件常用的模型拆解思路。在异常检测中可以使用密集锚点dense anchor和相对简单的骨干网络backbone提取所有可能的位置点在细粒度识别中则只用关注异常位点使用较复杂的骨干网络以达到更好的诊断效果。要将这些步骤整合到一个端到端的大模型中需要一个极大的图像特征图feature map确保微小物体特征不被遗漏同时融合多尺度特征进行复杂计算以保证特征提取的完备性这意味着巨大的计算量。此外在巨大的特征图上进行跨注意力cross-attention同样计算代价高昂。这个计算过程也表明大模型的“看图说话”能力受限于“异常检测”步骤的准确性。如果检测不到异常就会漏诊如果假阳性过多说错话的概率也会显著增加。这一能力的提升与模型是否多模态、是否大规模关系不大关键在于视觉模型本身的检测能力。难点2语义模糊、风格不一的医生报告表面上看医学影像与医生报告似乎是一个天然的图像-文本数据对而且数据量也不缺乏每个三甲医院都能轻松提供上百万套CT图像与对应的文本报告。似乎只要多收集几个医院的数据利用规模效应scaling law问题就能迎刃而解。然而实际情况并非如此。我们来看看一些真实的影像科报告他们都是骨折病例来自不同的医院双侧胸廓对称气管及纵隔居中。双肺纹理增强模糊双下肺背侧胸膜下可见斑片状模糊影。双肺胸膜下可见线样模糊影。气管及支气管通畅。心脏不大。纵隔及肺门未见明显肿大的淋巴结。双侧胸腔可见少许积液。骨窗示右侧锁骨中段似见透亮线影。胸骨下段骨质不连续局部可见小骨碎片影。TH11椎体骨质不连续稍变扁。前纵隔脂肪间隙模糊可见絮状渗出影。双侧诸肋骨未见明显移位性骨折征象。 “1.右肺中叶、左肺上叶下舌段、两肺下叶轻度慢性炎症2.两肺上叶混合型肺气肿并肺大疱形成3.两侧胸膜肥厚4.右侧第4肋陈旧性骨折。” 1.胸骨骨折右侧第2-5前肋及左侧第6前肋骨折左肺下叶及右肺中下叶膨胀不全伴挫伤请结合临床必要时复查。2.两侧胸腔少量积液。3.附见脾脏肿大胆囊周围少量积液。,两肺纹理增多走向自然左肺下叶及右肺中下叶膨胀不全伴条片状模糊影余肺野内未见明显异常密度阴影。所见各级支气管腔通畅管腔无狭窄。两侧肺门未见肿大淋巴结纵隔未见肿大淋巴结。胸廓两侧对称胸膜无增厚两侧胸腔少量积液。心脏和大血管无异常。胸骨骨折右侧第2-5前肋及左侧第6前肋骨折。附见脾脏肿大胆囊周围少量积液。左肺上叶尖后段(Img63)见磨玻璃结节内似见小泡影大小为13mm×11mm。左肺上叶尖后段Img31、右肺下叶背段(Img126)见实性结节较大者位于右肺下叶背段大小为6mm×4mm。右肺上叶尖段、下叶背段Img122见类圆形薄/无壁透亮区。双肺下叶背段近胸膜处见少许斑片状、条索状高密度影及胸膜下线影以右侧为著。双侧肺门无增大所见气道通畅。心脏大小正常。纵隔无占位性病变淋巴结不大。左侧胸腔少量积液。肋骨3D重建、曲面重建左侧第7-12肋多发骨皮质连续性中断断端对位对线尚可余所示各肋骨未见明确错位骨折。胸廓对称胸壁光滑。肺纹理清晰走行正常右肺中叶见小结节影im30。肺门影不大气管及各支气管通畅气管内见稍高密度影。心影不大各层面未见肿大淋巴结影。骨窗右侧第11肋见骨折线。患者屏气不佳伪影较重影响观察。胸廓两侧对称支气管血管束部分模糊。双肺可见数个小结节直径约0.2cm-0.4cm较大者位于右肺中叶外段Img38右肺中叶及左肺下叶后基底段可见少许索条影。主气管、双肺主支气管及其分支管腔通畅。双侧肺门及纵隔内未见明显增大淋巴结。心脏大局部心包增厚。未见明确胸膜病变。右侧第5前肋局部形态欠规则。这些报告清晰地展示了语义上的显著差异1. 不同医院在风格和详细程度上差异很大报告的行文顺序也没有固定模式。2. 病灶定位方法各异有些仅基于解剖位置如“胸骨下段”有些则使用图像层数如“img31”。3. 名词使用习惯差异大“骨质不连续”“局部形态欠规则”“肺门影不大”“双侧肺门无增大”。除此之外如果直接让机器学习模型从这些文本中学习你将遇到如下问题需要同时描述全局和注意微小物体这意味着需要维护多尺度的特征。缺乏某个病症的描述并不意味着病症不存在可能是医生未检查到或漏诊。这些报告中都提到了骨折如果你的模型学习了检查骨折的技能但在新医院的数据中发现这个医院的医生默认不检查微小骨折因为检查费时且发生率低模型就无法适应。数据极为长尾和稀疏虽然这里选取的都是骨折病例但实际上骨折发生率仅为1%。如果按照自然分布训练难以充分训练模型。这些报告中涉及肺、心、肝、骨、脾、胆、气管、淋巴等多个器官每个器官的病变发生率都不高难以形成一个在各个疾病上都均衡的训练集。医生的定位描述非常抽象如“左侧第6前肋”“下叶背段Img122”“胆囊周围”这些位置普通人甚至无法定位。要让大模型从这些报告中学习前提是模型必须熟悉各种解剖位置这本身就是一个不小的挑战。还有更模糊的描述如“双肺可见数个小结节”面对这么大的肺模型该如何设置注意力在自然图像的描述任务中尽管不同人对图像的描述角度、详略、指向方式各异大模型似乎仍能较好地处理这些差异原因是大家都认可 image caption 是没有标准答案的我不会因为模型没有对毛泽东下巴上的痣进行细致描述和准确分类而苛责它。然而医学影像诊断本质上仍然是一个检测和分类任务使用的指标是 MAP 和 AUC。据我所知目前还没有证据表明多模态训练能显著提升 COCO 小目标检测能力事实上现有的各类 SOTA 的 open-vocabulary 论文都尚未达到监督学习的水平。难点3医生报告并非金标准即便前两个难点微小物体检测和报告语言风格问题可以通过技术手段克服如在模型结构中引入从粗到细的分级注意力机制或通过清洗数据统一报告格式并通过补充标注解决指向不明确的问题第三个难点却超出了纯技术解决方案的范畴。这一难题乃是医学AI领域最核心的挑战所在。所有涉足诊断相关产品如胸部CT、乳腺钼靶、胸部X光的医学AI公司几乎无一例外地都经历过一个深刻而苦涩的教训医生的标注不可完全依赖。在行业的早期阶段大家普遍认可医生的权威性认为诊断任务需要深厚的经验和长期训练。经验丰富的医生被视为高质量数据集的关键因此常用的策略是让低年资医生进行初步标注高年资医生对有分歧的部分进行质量控制。我们曾投入十余名医生花费三十余万元标注费用希望快速扩充数据集结果训练出来的模型效果却非常垃圾不得不推翻重来。问题的原因如下医生之间缺乏共识不同医院的医生在诊断标准上存在显著差异。在医院内部科主任通常具有权威性可以在科室内推行他的标准。然而在多医院医生合作时矛盾便会显现。A医院的年轻医生往往不愿接受B医院高年资医生的标准因为他们的主任教的标准不同。即使是A医院和B医院的高年资医生之间也难以达成共识。影像科学领域缺乏一部公认的权威百科全书来解决诊断标准问题因为该学科本身就面临“同影异病”和“同病异影”的复杂情况。我们统计过两位初标医生的一致率仅约70%。即便有高年资医生进行校验也只是将个人偏好注入数据集而无法真正拉齐初标医生的看法。 2.漏标现象严重许多微小病灶只有3-5个像素容易被人眼忽略。尽管医生接受过专业训练漏诊仍然不可避免。作为参考我们从医院报告系统中寻找骨折病例发生率约为1%而配备了AI辅助诊断之后骨折的发病率提高到了10%原因是医生报告中只会写有临床意义的骨折位点一些微小骨折要么没有看见要么看见了也没有提一下的必要。而机器学习算法追求的是“标准一致”的训练集与医生平时的工作习惯进行标注是大不一样的。医生难以约束在公司主导的产品开发中外聘医生的主要动力是通过标注更多数据获取更高报酬。AI公司往往通过数据量考核标注工作导致标注速度优先于标注质量。此外由于医生在疾病解释方面具有天然的权威性即使标注出现错误算法工程师们也难以提出反驳。即使公司方配备了内部专家控制标注质量他们也难以全面监督大量标注人员的工作。因为上述问题的存在医疗 AI 公司普遍采用了“少数全职精英医生制定标准大量经过培训的非专业人员执行标注使用模型把控标注质量反复迭代清洗数据”的技术路线。一般来说达到一个勉强可用的水平所需的数据量如下器官分割任务: 约 100 例病例病灶检测任务: 约 2000 例病例病灶分类任务: 约 50000 例病例此外还需要将各种 corner case 加入总数据量大致翻倍后才能达到较高的实用水平。这些数字看起来并不大似乎触手可及但实际上只有亲身参与过这个行业的人才知道数据的高质量背后需要经历许多轮的模型-标注交叉检查算法、医生、测试、标注、产品经理之间的反复讨论修订标注标准以及无数次标注培训会。这通常需要数个月的辛勤工作才能沉淀出高质量的数据。在项目实践中我深刻体会到数据的质量远比数量重要。通常多加新数据来训练效果不如对现有数据进行清洗甚至由于新数据未经反复清洗数据质量差反而可能拉低分数。因此对于在医学领域如何有效应用 scaling law我仍然没有完全想明白。对现在工作的一些讨论下面我对今年新出的一些工作做一些解读来辅助验证一下我的观点。 CT-Clip A foundation model utilizing chest CT volumes and radiology reports for supervised-level zero-shot detection of abnormalities 这篇工作的亮点是收集了两万多ct图像和它们的报告文本使用clip的范式来做训练。我非常钦佩作者将数据开源的举动要知道对于敏感的医疗数据开源两万数据报告是比发几篇cvpr或者radiology 更加能推动行业进展的事情其中要经过非常繁琐的数据伦理审查流程。在中国我们号称数据很多但是各个医院都拿着自己的数据当个宝还从来没有过这个级别的开源数据集。讲完了优点我们看看作者做了啥作者在摘要中自豪的宣称 CT-CLIP outperforms state-of-the-art, fully supervised methods in multi-abnormality detection across all key metrics 主要是这张图乍一看比监督学习的baseline 高了14个点牛逼但是且慢你看看这个AUC的数字0.75比瞎猜好不了太多作为baseline 的supervised learning auc 只能做到0.6这只能说这个baseline 过于垃圾老中医望闻问切的auc没准都比他高。 chexagent CheXagent: Towards a Foundation Model for Chest X-Ray Interpretation 这篇工作的思路和上面那个并没有本质区别无非是从胸部ct换成了胸部x光。因为胸部x光很早就有开源数据从有image caption 这个任务以来就不停有人尝试拿nlp的各种image caption 算法套用到x光上来水论文。我们且不看作者做了多少辛勤的数据和模型工作看看它的结果图片中结果是accuracy 这一堆五五六六的分数…要是我都不好意思发这论文。现在所有做大模型医疗的单位都喜欢做一个对着x光做报告生成、患者对答的demo证明自己有一个会说话的数字医生似乎取代医生指日可待。实际上这些case都是精挑细选根本经不起生产环境的考验看完本文之后希望各位看官加一个心眼看看他paper里边的算法指标。除了指标上的问题我们找一些细节证据是如何反映我刚才提到的几个难点的。这是ct-clip中各个病种的auc分数它分数最高的病种是心肌肥大 Cardiomegaly 和胸腔积液Pleural effusion 得分超过0.9已经摸到勉强可用的边了分数最低的是肺结节 Lung nodule 和纤维化后遗症 Pulmonary fibrotic sequela基本还在瞎猜的范围。给大家感受一下这几个病怎么看胸腔积液和心肌肥大是较为宏观的图像特征且基本没有歧义属于普通人一教就会的类型。纤维化则是类似于图像纹理的弥散特征它之所以得分低并非因为难以判别而是因为纤维化程度较低时医生往往结合患者是否有肺炎或结核病史后再决定是否记录如果没有特别病史可能就不写了。肺结节是一个典型的小目标检测任务正如我之前提到的这类端到端模型难以处理得很好。结合我前面提到的难点纤维化问题反映了“医生报告并非金标准”的挑战而肺结节检测则属于“微小目标识别”的难题。至于“语义模糊、风格不一的医生报告”问题这个数据集仅来源于一家医院还尚未遇到此类问题。在我们自己的项目中我会对训练集进行验证观察其拟合情况即对训练集进行一次validation以评估其指标表现。对于一般的检测和分类任务如果训练集的指标都不高通常意味着可能存在大量的标注错误。这几篇论文并未提供详细的数据因此无法进行深入分析。监督学习做到哪一步了那么一般来说监督学习是什么水平呢医生自己又是什么水平呢这个数字的真值其实很难获得我们以FDA的认证报告作为参考吧。qxr-LN 是 Qure.ai 开发的胸部x光结节检测产品这是它的FDA 认证报告总结一下纯医生auc0.73纯模型auc0.94模型医生auc0.81。这组数字说明了几点医生是废物模型比医生强了两个次元当医生用模型辅助诊断的时候他甚至还会将正确答案改错。这种乐子数据屡见不鲜在早期的 FDA 报告里边Qure还报告过0.99的模型 auc 脑平扫认证报告属于是华佗再世了。在辅助诊断产品方面学术界的成果普遍不如工业界的实用产品。但工业界的测试集和数据往往不公开因此很难有统一的衡量标准来比较各家AI公司的水平。所谓的临床试验数据由于各家公司独立进行也缺乏可比性。此外临床试验的金标准由医生制定其标注质量也需要打一个大问号。真的要按照严格的临床试验流程来搞数字可能不会特别好看所以 QURE 估计是掺了些水分在指标里的。抛开可能的水分实际情况如何呢正如之前提到的医生之间的一致性非常低因此如果细致地评估医生报告的AUC可能真的只有0.7多。模型的表现通常会比医生高一些Qure的这款产品在我们的简单评测中表现尚可基本能用。然而从体验和可用性来看医生的报告仍有优势。医生尽管容易犯一些小错误比如漏掉小结节或不判别模棱两可的病例但极少犯严重的错误。模型虽然擅长小微病灶检测但有时会在大问题上出错例如有段时间我们的模型有千分之一的概率将心脏误认为肿瘤这是胸部CT和胸部X光类产品中常见的bug几乎家家都出现过。这种问题虽然在AUC上无足轻重但对用户的信任度有很大影响。因此尽管从得分上看模型在单病种上的表现不输医生但从实际体验来看模型也从未完全胜过医生。现在的医疗AI产品即使在单病种检测上也还不能完全替代医生只能作为辅助工具使用。跟自动驾驶有点像吧。。。多模态大模型的发展路径多模态大模型的最大优势就是能以统一的任务范式吃下各种数据集用大语言模型把未经整理、来源各异的标注消化嚼碎了喂给视觉backbone让模型有极强的“通用“能力。因此他的最大使用场景是在一些低犯错成本、高数据来源异质性、开放可交互的情景中使用。比如说医生的教学、科研场景要从医院数据库里边做相似病例检索以前要花大把金钱和人力做数据清洗把非结构化的病例进行结构化有了大模型可能直接做向量数据库检索就行。这是我能想到的现在的技术水平就能马上使用的。至于大模型能不能更进一步把我们从监督学习无尽清洗数据的泥潭中拯救出来还需要大家一起努力总结文章有点长简单帮大家总结下首先对于微小目标识别医疗影像中的微小病灶如肺部结节在图像中占比极小要求模型具备极高的分辨能力此外不同的病灶需要多尺度特征和巨大的特征图这不仅增加了计算量还要求极高的精确度。其次在实际临床应用中医生的报告往往风格各异描述的详细程度和顺序没有固定标准这使得模型难以统一学习和理解。不仅如此报告中对病灶的定位方式多样有些基于解剖位置有些基于图像层数这进一步增加了模型训练的复杂性。除此之外不同医生和医院之间的诊断标准差异较大导致标注数据的一致性和可靠性不足何况医生的漏标现象也很严重尤其是对一些微小病灶导致标注数据的质量不高。这导致标注数据的高质量要求反复的模型-标注交叉检查和不断的迭代清洗这需要大量时间和资源。因此高质量的数据远比数量更重要。有效的数据清洗和标准化是提升模型性能的关键。然而在医学影像中数据获取和清洗的复杂性使得这一过程尤为艰难。从作者例举的几篇文章如CT-Clip和CheXagent来看即使是多模态大模型在医疗影像分析中的应用其效果仍然不尽如人意。模型在某些宏观特征如心肌肥大、胸腔积液上的表现较好但在微小病灶如肺结节、纤维化后遗症上的检测能力仍显不足。总的来说小编认为多模态大模型在医疗辅助诊断领域的应用仍然是前景广阔但正如本文作者所述受限于技术和数据储备的瓶颈当前还难以取得重大突破。为此后续对于提高模型在微小病灶检测上的能力、统一医生报告的标准、以及提高数据标注的质量是未来发展的关键方向。同时未来需要更加注重数据质量的提升和技术的逐步改进才能更好地推动多模态大模型在医疗领域的应用和发展。如何学习大模型现在社会上大模型越来越普及了已经有很多人都想往这里面扎但是却找不到适合的方法去学习。作为一名资深码农初入大模型时也吃了很多亏踩了无数坑。现在我想把我的经验和知识分享给你们帮助你们学习AI大模型能够解决你们学习中的困难。我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习等录播视频免费分享出来需要的小伙伴可以扫取。一、AGI大模型系统学习路线很多人学习大模型的时候没有方向东学一点西学一点像只无头苍蝇乱撞我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。二、AI大模型视频教程三、AI大模型各大学习书籍四、AI大模型各大场景实战案例五、结束语学习AI大模型是当前科技发展的趋势它不仅能够为我们提供更多的机会和挑战还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型我们可以深入了解深度学习、神经网络等核心概念并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时掌握AI大模型还能够为我们的职业发展增添竞争力成为未来技术领域的领导者。再者学习AI大模型也能为我们自己创造更多的价值提供更多的岗位以及副业创收让自己的生活更上一层楼。因此学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。
文章转载自：
http://www.morning.zbkwj.cn.gov.cn.zbkwj.cn
http://www.morning.bdtpd.cn.gov.cn.bdtpd.cn
http://www.morning.c7630.cn.gov.cn.c7630.cn
http://www.morning.dmrjx.cn.gov.cn.dmrjx.cn
http://www.morning.mhpkz.cn.gov.cn.mhpkz.cn
http://www.morning.qxlyf.cn.gov.cn.qxlyf.cn
http://www.morning.gpcy.cn.gov.cn.gpcy.cn
http://www.morning.pmmrb.cn.gov.cn.pmmrb.cn
http://www.morning.gfmpk.cn.gov.cn.gfmpk.cn
http://www.morning.qjbxt.cn.gov.cn.qjbxt.cn
http://www.morning.qsbcg.cn.gov.cn.qsbcg.cn
http://www.morning.mkccd.cn.gov.cn.mkccd.cn
http://www.morning.drzkk.cn.gov.cn.drzkk.cn
http://www.morning.kpwdt.cn.gov.cn.kpwdt.cn
http://www.morning.cjmmt.cn.gov.cn.cjmmt.cn
http://www.morning.thrtt.cn.gov.cn.thrtt.cn
http://www.morning.yxnfd.cn.gov.cn.yxnfd.cn
http://www.morning.ytmx.cn.gov.cn.ytmx.cn
http://www.morning.elsemon.com.gov.cn.elsemon.com
http://www.morning.xpqyf.cn.gov.cn.xpqyf.cn
http://www.morning.lbrrn.cn.gov.cn.lbrrn.cn
http://www.morning.kskpx.cn.gov.cn.kskpx.cn
http://www.morning.rqrh.cn.gov.cn.rqrh.cn
http://www.morning.bkxnp.cn.gov.cn.bkxnp.cn
http://www.morning.tfpmf.cn.gov.cn.tfpmf.cn
http://www.morning.qkskm.cn.gov.cn.qkskm.cn
http://www.morning.nmwgd.cn.gov.cn.nmwgd.cn
http://www.morning.tfqfm.cn.gov.cn.tfqfm.cn
http://www.morning.ygmw.cn.gov.cn.ygmw.cn
http://www.morning.cdygl.com.gov.cn.cdygl.com
http://www.morning.hwsgk.cn.gov.cn.hwsgk.cn
http://www.morning.ghyfm.cn.gov.cn.ghyfm.cn
http://www.morning.xhqwm.cn.gov.cn.xhqwm.cn
http://www.morning.lqpzb.cn.gov.cn.lqpzb.cn
http://www.morning.mdgpp.cn.gov.cn.mdgpp.cn
http://www.morning.trpq.cn.gov.cn.trpq.cn
http://www.morning.qjlnh.cn.gov.cn.qjlnh.cn
http://www.morning.gwwtm.cn.gov.cn.gwwtm.cn
http://www.morning.ltffk.cn.gov.cn.ltffk.cn
http://www.morning.rgqnt.cn.gov.cn.rgqnt.cn
http://www.morning.kgnrh.cn.gov.cn.kgnrh.cn
http://www.morning.jnoegg.com.gov.cn.jnoegg.com
http://www.morning.rnzgf.cn.gov.cn.rnzgf.cn
http://www.morning.qnzk.cn.gov.cn.qnzk.cn
http://www.morning.sqskm.cn.gov.cn.sqskm.cn
http://www.morning.jcyrs.cn.gov.cn.jcyrs.cn
http://www.morning.llsrg.cn.gov.cn.llsrg.cn
http://www.morning.qsmmq.cn.gov.cn.qsmmq.cn
http://www.morning.dfhkh.cn.gov.cn.dfhkh.cn
http://www.morning.qtfss.cn.gov.cn.qtfss.cn
http://www.morning.mlnbd.cn.gov.cn.mlnbd.cn
http://www.morning.xxsrm.cn.gov.cn.xxsrm.cn
http://www.morning.lnckq.cn.gov.cn.lnckq.cn
http://www.morning.rmdwp.cn.gov.cn.rmdwp.cn
http://www.morning.pnmgr.cn.gov.cn.pnmgr.cn
http://www.morning.kqgsn.cn.gov.cn.kqgsn.cn
http://www.morning.bfgbz.cn.gov.cn.bfgbz.cn
http://www.morning.nwgkk.cn.gov.cn.nwgkk.cn
http://www.morning.gidmag.com.gov.cn.gidmag.com
http://www.morning.ydzly.cn.gov.cn.ydzly.cn
http://www.morning.mhbcy.cn.gov.cn.mhbcy.cn
http://www.morning.qbccg.cn.gov.cn.qbccg.cn
http://www.morning.tpxgm.cn.gov.cn.tpxgm.cn
http://www.morning.rqnhf.cn.gov.cn.rqnhf.cn
http://www.morning.qdzqf.cn.gov.cn.qdzqf.cn
http://www.morning.zwfgh.cn.gov.cn.zwfgh.cn
http://www.morning.qbwmz.cn.gov.cn.qbwmz.cn
http://www.morning.kpzrf.cn.gov.cn.kpzrf.cn
http://www.morning.ksgjn.cn.gov.cn.ksgjn.cn
http://www.morning.txnqh.cn.gov.cn.txnqh.cn
http://www.morning.lznqb.cn.gov.cn.lznqb.cn
http://www.morning.rkxqh.cn.gov.cn.rkxqh.cn
http://www.morning.vjwkb.cn.gov.cn.vjwkb.cn
http://www.morning.pnmgr.cn.gov.cn.pnmgr.cn
http://www.morning.krbjb.cn.gov.cn.krbjb.cn
http://www.morning.dfndz.cn.gov.cn.dfndz.cn
http://www.morning.wrtbx.cn.gov.cn.wrtbx.cn
http://www.morning.nccyc.cn.gov.cn.nccyc.cn
http://www.morning.sfrw.cn.gov.cn.sfrw.cn
http://www.morning.fywqr.cn.gov.cn.fywqr.cn

查看全文

http://www.tj-hxxt.cn/news/239454.html