XiaoMi-AI文件搜索系统
World File Search System内窥镜
人工智能在内窥镜检查中无处不在，不仅用于检测和……
时间就是生命！虽然胃肠内镜检查挽救了许多患者免于癌症相关的死亡，但它在漏诊和内镜检查后癌症方面仍然付出了不可接受的代价[1-4]。社区内镜医师错过了近 80% 的早期 Barrett 相关肿瘤，这难道不是真的吗 [5]？非专家中心漏诊的早期胃癌也可能有类似的估计值。时间也是金钱！我们在内镜预测和内镜检查后确认之间的重复中浪费了多少？在区分腺瘤性和增生性息肉或预测癌前胃病变方面的能力不足会给病理学带来沉重的成本。如果时间就是生命，那么人工智能 (AI) 就是答案！人工智能不是又快又聪明又出色吗？它每秒可以进行数百万次数学运算，分析的帧数超过人眼，其准确度相当于甚至超过我们最优秀的专家。与结肠镜检查相关的人工智能数据显示，腺瘤检出率至少提高了三分之一，每次结肠镜检查的腺瘤检出率增加了 50%，息肉漏诊率也下降了相应的水平 [6]。人工智能还可以省钱！至少在内吞细胞镜检查中，无论内镜医师是谁，使用该技术都显示出非常高的息肉表征准确度 [7,8]。这提高了标准并节省了原本会浪费在病理学上的资金。毫无疑问，结肠镜检查告诉我们，如果时间是个问题，那么人工智能就是最快的答案！
医疗内窥镜检查实时3D重建的进步
摘要：此贡献旨在为研究人员提供有关适用于医疗内窥镜检查的实时3D重建方法的最新最新概述。在过去的十年中，计算能力方面已经取得了各种技术进步，并且在许多计算机视觉领域（例如自动驾驶，机器人技术和无人驾驶航空车辆）的研究工作增加了。其中一些进步也可以适应医疗内窥镜检查领域，同时应对诸如无特征表面，不同的照明条件和可变形结构等挑战。为提供全面的概述，进行了单眼，双眼，三眼和多眼方法的逻辑划分，并区分了主动和被动的方法。在这些类别中，我们认为柔性和非弹性内窥镜都尽可能充分地覆盖最新的内窥镜。讨论了与此处介绍的出版物进行比较的相关错误指标，并且在讨论了何时选择GPU而不是FPGA的基于摄像机的3D重建的选择。我们详细阐述了使用数据集的良好实践，并直接比较了提出的工作。重要的是要注意，除了医学出版物外，还认为对Kitti和Middlebury数据集进行评估的出版物还包括可能适用于医疗3D重建的相关方法。
光子神经探针使微型内窥镜能够进行光...
1 简介 全面了解神经回路和行为背后的神经活动这一目标推动了成像技术的发展，以便以高时空分辨率观察越来越大的组织体积。1 – 5 需要进一步发展以充分利用日益复杂的光遗传学工具，这些工具包括用于光学唤起和抑制神经元活动的多色视蛋白 6、7 和基因编码的活动荧光指示剂（通过钙或电压成像），8 – 11 均具有细胞类型特异性。在众多的单光子和多光子荧光成像技术中，光片荧光显微镜 (LSFM) 已成为一种成熟的技术，可用于对活体标本进行高速、高分辨率、体积光学成像。12 – 15
人工智能在胃肠内窥镜检查中的作用不断演变
人工智能 (AI) 是不同技术的结合，使机器能够以类似人类的智能水平感知、理解和学习。人工智能技术最终将增强人类的能力，为机器提供真正的自主权，减少错误，提高生产力和效率。人工智能看起来很有前途，这个领域充满了发明和新奇的应用；然而，机器学习的局限性表明谨慎乐观是正确的策略。人工智能也正被纳入医学领域，通过加快流程和实现更高的准确性来改善患者护理，从而实现最佳患者护理。使用深度学习技术的人工智能已被用于识别、区分包括胃肠内窥镜检查在内的多个医学领域的目录图像。胃肠内窥镜检查领域涉及在各种胃肠内窥镜设备系统的帮助下使用图像分析对各种消化系统疾病进行内窥镜诊断和预测。基于人工智能的内窥镜系统可以根据其训练和验证可靠地检测并提供有关胃肠道病理学的关键信息。这些系统可以使胃肠病学实践在未来几年内变得更容易、更快、更可靠，并减少观察者之间的差异。然而，认为这些系统将取代人类决策取代胃肠内窥镜医师的想法在不久的将来似乎并不可信。在这篇评论中，我们讨论了人工智能和相关的各种技术术语、胃肠内窥镜检查中不断发展的作用以及未来的可能性。
图像数据库、人工智能和胶囊内窥镜；赌注就在眼前
胶囊内镜已成为小肠检查的主要内镜方式，这一点已得到时间的认可。因此，胶囊内镜 (CE) 已成为千禧一代的又一项技术，他们现在以力量、意志和决心展望未来，走上更具颠覆性的道路 [1]。尽管如此，即使对于勇敢的年轻人来说，成熟也伴随着一定的“义务”和社会要求。当然，当医疗技术成为关注的主题时，这或多或少会转化为诊断产量、并发症率和质量/性能保证措施 [2 – 4]。此外，就该领域的未决问题而言，仍然存在一些问题。我们也许毫不犹豫地一口气数出 CE 的适应症，甚至提供类似的并发症率和安全“胶囊化”的途径，但对于我们这些在高容量中心阅读 CE 视频的人来说，我们希望制造商现在已经对一些技术调整进行了分类。它们的范围从更好的图像分辨率和电池寿命到各种软件增强和/或硬件进步 [5, 6]。事实上，我们一直在重复呼吁 CE 革命的下一波浪潮，即包括治疗能力、集成/智能、数据（不仅仅是图像）收集、驱动和定位的浪潮，总结了任何当前可用的 CE 提供系统必须面对的主要挑战，以提高其市场提案和价值超过竞争对手。人工智能 (AI) 的热潮并不新鲜；事实上，CE 阅读软件的本质是早期人工智能的应用之一。Lewis Score [7]、QuickView [8]、疑似血液指标 [9] 等工具只不过是专有阅读软件早期版本中集成的人工智能的巧妙片段，主要目的是协助、支持和/或加快医疗决策过程 [10]。
抗血小板或抗凝治疗的患者内窥镜检查：英国胃肠病学会（BSG）和欧洲胃肠道内窥镜学会（ESGE）指南指南更新
摘要这是英国胃肠病学会（BSG）与欧洲胃肠道内窥镜检查学会（ESGE）之间的合作，并且是其2016年对抗血小板或抗凝治疗患者内窥镜检查指南的计划更新。指南开发委员会包括英国血液学学会，英国心血管干预学会的代表，以及英国慈善抗凝的两名患者代表以及英国血栓形成，以及胃肠病学家。使用年级方法学得出了符合同意II原则的过程以及证据和建议的强度。在提交出版之前，与包括BSG在内的所有成员社会进行了咨询。基于证据的修订是对内窥镜程序的风险类别以及血栓形成风险的类别的。尤其是对房颤的更详细的风险分析，并且根据以前的版本以来发布的试验数据，对直接口服抗凝剂的建议得到了加强。已经在急性胃肠道出血的患者的管理中添加了一个部分。重要的患者考虑重点。建议是基于在给定情况下血栓形成和出血之间的风险平衡。
利用人工智能辅助内窥镜技术检测难以发现的胃癌
我们饶有兴趣地阅读了 van der Sommen 等人的文章 1，并提出了在临床实践中采用人工智能 (AI) 辅助内窥镜检查的一些重要和相关观点。计算机辅助诊断系统已成功应用于胃肠道的所有部分，甚至是巴雷特食管发育不良的诊断，这是专家内窥镜医师的祸根。2 最近，与专家内窥镜医师的表现相比，实时计算机辅助检测 (CADe) 系统的结肠镜检查实现了更高的息肉检测率。3 然而，在将 CADe 应用于传统食管胃十二指肠镜检查 (OGD) 时，不可避免地会讨论如何提高难以发现的胃癌 (GC) 的检测率。与食道和结肠等其他胃肠道解剖特征相比，胃具有更宽、弯曲的管腔，这意味着在没有盲点的情况下，胃部观察更加费力。在常规 OGD 中，内镜医师必须在更远的视野中将胃肿瘤与周围的胃炎粘膜区分开来，而不是通过近距离图像检测结直肠肿瘤和 Barrett 相关发育不良。此外，早期胃癌通常表现出细微的隆起或凹陷，其不规则的外观很容易隐藏在幽门螺杆菌感染引起的粗糙背景胃炎中。因此，即使是专家有时也很难发现早期胃癌，尤其是较小的胃癌。早期胃癌检测的这种困难可能导致
内窥镜和ENT食管镜检查的仪器 - 支气管镜检查
卡尔·斯托兹（Karl Storz）参加了参与内窥镜和内窥镜配件标准的国家和国际机构。标准化的设计和开发长期以来一直由Karl Storz始终如一地实施。用户可以放心，Karl Storz Group的所有产品都经过设计和构建，不仅符合严格的内部质量指南，而且还符合国际标准。所有与安全使用相关的数据，例如查看方向，尺寸和直径，或有关望远镜灭菌的注释，均根据国际标准制定到工具上，因此提供了可靠的信息。
基于计算机的乳糜泻诊断是通过十二指肠内窥镜图像的定量处理
摘要：乳糜泻（CD）是一种终生的慢性自身免疫性全身性疾病，主要影响遗传易感人群的小肠。成人CD的诊断目前依赖于特定的血清学和对上消化性内窥镜检查样品的十二指肠粘膜的组织学评估。由于与十二指肠活检采样和组织病理学相关的几个陷阱，并考虑了小儿无生物检查诊断标准，因此还提出了一种避免活检的策略来进行成人CD诊断。在CD患者的十二指肠上报道了几种内窥镜变化，作为绒毛萎缩（VA）的标志，与血清学有良好的相关性。在这种情况下，在常规内窥镜检查期间对这些内窥镜标记的自动检测，作为未使用的CD的潜在病例发现。，我们从18名CD新诊断的CD患者和16名非CD对照组以及应用机器学习（ML）和深度学习（DL）算法中收集了十二指肠内窥镜图像，用于检测VA。使用组织学标准，对于测试的所有算法，都可以看到高诊断精度，而分层的卷积神经网络（CNN）具有最佳性能，敏感性为99.67％和98.07％的阳性预测价值。在这项初步研究中，我们使用组织学在非CD对照组中通常出现非养分性粘膜的CD患者中与VA相关的粘膜变化的自动检测提供了准确的算法。