XiaoMi-AI文件搜索系统
World File Search System性病变
评估用atezolizumab或化学疗法治疗的复发性尿路上皮癌患者的器官特异性病变动力学对生存的影响
1巴黎大学，Inserm iame，F-75018法国巴黎8 2 2巡回大学，南特大学，Inserm Sphere，UMR 1246，France，法国旅游9 3 3 3 Institut Roche，Boulogne-Billancourt，Boulogne-Billancourt，Boulogne-Billance，法国10 4临床药理学，Genetech/Roche，genetech/Roche，Bioft，Paref paref paref paref ost paref。瑞士12 6临床药理学，Genentech Inc.，南旧金山，加利福尼亚州，美国13 7产品开发，Genentech Inc.，南旧金山，美国加利福尼亚州，美国141巴黎大学，Inserm iame，F-75018法国巴黎8 2 2巡回大学，南特大学，Inserm Sphere，UMR 1246，France，法国旅游9 3 3 3 Institut Roche，Boulogne-Billancourt，Boulogne-Billancourt，Boulogne-Billance，法国10 4临床药理学，Genetech/Roche，genetech/Roche，Bioft，Paref paref paref paref ost paref。瑞士12 6临床药理学，Genentech Inc.，南旧金山，加利福尼亚州，美国13 7产品开发，Genentech Inc.，南旧金山，美国加利福尼亚州，美国14
肠脑轴与神经退行性病变：机制与治疗潜力
本文回顾了肠道微生物群通过控制肠脑轴调节神经退行性疾病的作用。特定的微生物种群及其代谢物（短链脂肪酸和色氨酸衍生物）调节神经炎症、神经发生和神经屏障完整性。然后，我们讨论这些见解如何导致可能的干预措施——益生菌、益生元、饮食调整和粪便微生物群移植 (FMT)。我们还描述了哪些流行病学和临床研究将某些微生物群谱与神经退行性疾病的病程联系起来，以及这些如何影响基于微生物组的诊断和个性化治疗方案的建立。我们的目标是指导微生物生态学研究这一与神经退行性疾病的关键联系，并强调通过针对微生物组相关因素来管理神经系统的健康的协作方法。
功能丧失性病变会影响 B 细胞的发育和适应性，但不足以在小鼠模型中引发 CLL
1 马萨诸塞州波士顿丹娜法伯癌症研究所肿瘤内科系；2 马萨诸塞州波士顿哈佛医学院；3 马萨诸塞州波士顿丹娜法伯癌症研究所数据科学系；4 西班牙萨拉曼卡大学萨拉曼卡生物医学研究所癌症分子和细胞生物学研究所 - 癌症研究中心；5 西班牙马德里康普顿斯大学药学院生物化学和分子生物学系；6 马萨诸塞州波士顿麻省总医院癌症研究中心和计算与整合生物学中心分子病理学部；7 马萨诸塞州波士顿丹娜法伯癌症研究所转化免疫基因组学实验室；8 马萨诸塞州剑桥麻省理工学院和哈佛大学布罗德研究所； 9 马萨诸塞州波士顿布莱根妇女医院医学部
增强双能计算机断层扫描的定量参数，用于区分肺癌与固体肺结节中的良性病变
Results: The independent factors for differentiating lung cancers from benign solid pulmonary nodules included diameter, Lung-RADS categorization of diameter, volume, Zeff in arterial phase (Zeff_A), IC in arterial phase (IC_A), NIC in arterial phase (NIC_A), Zeff in venous phase (Zeff_V), IC in venous phase (IC_V), and NIC in venous phase （NIC_V）（全p <0.05）。由直径和NIC_V组成的IC_V，NIC_V和组合模型表现出良好的诊断性能，AUC为0.891、0.888和0.893，它们优于直径，直径，直径，体积，体积，Zeff_a和Zeff_A和Zeff_V（Zeff_A和Zeff_V（所有p <0.001））的直径分类。IC_V，NIC_V和组合模型的灵敏度高于IC_A和NIC_A的灵敏度（全部p <0.001）。与IC_V（P = 0.869）或NIC_V（P = 0.633）相比，组合模型没有增加AUC。
通过基于注意力的卷积神经网络对大鼠缺血性病变 MRI 图像中的大脑半球进行自动分割
摘要 我们提出了 MedicDeepLabv3+，这是一种卷积神经网络，是第一个完全自动化地分割缺血性病变大鼠磁共振 (MR) 体积中的大脑半球的方法。MedicDeepLabv3+ 通过先进的解码器改进了最先进的 DeepLabv3+，结合了空间注意层和额外的跳过连接，正如我们在实验中所展示的那样，可以实现更精确的分割。MedicDeepLabv3+ 不需要 MR 图像预处理（例如偏置场校正或模板配准），可以在不到 1 秒的时间内完成分割，并且可以根据可用资源调整其 GPU 内存要求。我们在一个由 11 个队列的 MR 体积组成的异构训练集上优化了 MedicDeepLabv3+ 和其他六个最先进的卷积神经网络（DeepLabv3+、UNet、HighRes3DNet、V-Net、VoxResNet、Demon），这些队列是从不同病变阶段获取的。然后，我们在包含 655 张 MR 大鼠脑体积的大型数据集上评估了经过训练的模型和两种专门为啮齿动物 MRI 颅骨剥离 (RATS 和 RBET) 设计的方法。在我们的实验中，MedicDeepLabv3+ 的表现优于其他方法，在脑部和对侧半球区域的平均 Dice 系数分别为 0.952 和 0.944。此外，我们还表明，尽管 GPU 内存和训练数据有限，但我们的 MedicDeepLabv3+ 也提供了令人满意的分割。总之，我们的方法（公开发布于 https://github.com/jmlipman/MedicDeepLabv3Plus）在多种情况下都取得了出色的结果，证明了其能够减轻大鼠神经影像研究中的人工工作量。