XiaoMi-AI文件搜索系统
World File Search System早期发现
全基因组无细胞的肿瘤DNA突变信号早期发现低阶段肺腺癌的复发
肺癌仍然是癌症相关死亡的主要原因。手术是早期肺癌的最佳选择，辅助治疗的作用仍然有争议。液体活检提供了一种无创的方法来监测癌症负担。血液中循环无细胞肿瘤DNA（CTDNA）的靶向测序已显示出成功的诊断。但是，低肿瘤负担和低阶段疾病的动态演变对于目标面板具有挑战性。我们假设从匹配的肿瘤正常样品中衍生的整个基因组测序（WGS）特定的突变特征可以为监测肺腺癌患者的敏感且特异性的方法提供。
黑色素瘤脑转移：早期发现、诊断和治疗机会的系统评价
摘要：摘要：简介简介：黑色素瘤仍然是全球最严重的皮肤癌。然而，很少有人尝试将晚期黑色素瘤的研究主体联系起来。在本综述中，我们报告了颅内转移性黑色素瘤诊断和治疗方面取得的进展。方法：从 Cochrane 图书馆、EMBASE 和 PubMed 数据库 (N = 27) 系统检索了截至 2022 年 11 月发表的相关 Cochrane 评论和随机对照试验。搜索和筛选方法遵循 2020 年修订的系统评价和荟萃分析指南的首选报告项目。结果：尽管围绕早期发现黑色素瘤脑转移的研究很少，但一些研究强调了与 MBM 相关的特定标志物。这些因素包括 BRAFV600 突变 ctDNA 升高、LDH 浓度高和 IGF-1R 高。治疗 MBM 的方法正在从手术转向非手术治疗，即立体定向放射外科 (SRS) 和免疫治疗药物的结合。目前有大量新兴研究试图确定和改进 MBM 的新型和既定治疗方案和诊断方法，但仍需要进行更多研究以最大限度地提高临床疗效，尤其是对于新的免疫疗法。结论：早期检测是治疗效果和 MBM 预后的最佳方法。目前的治疗采用化疗和靶向治疗。新兴方法强调生物标志物和联合治疗。需要进一步探索初步识别、治疗时机和改善不良治疗效果的方法，以推进 MBM 患者护理。
利用机器学习方法挖掘影像和临床数据，以诊断和早期发现帕金森病
帕金森病 (PD) 是一种常见的、进行性的、目前无法治愈的神经退行性运动障碍。PD 的诊断具有挑战性，特别是在帕金森病的鉴别诊断和早期 PD 检测中。由于机器学习具有学习复杂数据模式和为个体做出推断的优势，机器学习技术越来越多地应用于 PD 的诊断，并已显示出一些有希望的结果。基于机器学习的成像应用使得在许多神经影像学研究中自动区分帕金森病和早期检测 PD 成为可能。对比研究表明，基于机器学习的 PD SPECT 图像分析应用在检测 PD 相关多巴胺能变性方面优于传统的半定量分析，表现与专家的目视检查相当，并有助于提高放射科医生对 PD 的诊断准确性。在这些应用中使用组合多模态（成像和临床）数据可以进一步增强 PD 的诊断和早期检测。为了将基于机器学习的诊断应用集成到临床系统中，需要进一步验证和优化这些应用，使其准确可靠。预计机器学习技术将进一步帮助改善帕金森病的鉴别诊断和帕金森病的早期发现，这可能会降低帕金森病诊断的错误率，并有助于在运动前阶段检测帕金森病，以便能够进行早期治疗（例如神经保护治疗），以减缓帕金森病的进展，防止出现严重的运动症状，并减轻患者的痛苦。
转化科学以加速癌症预防、早期发现和新疗法
COHCCC 致力于通过创新研究加速治愈癌症，具体方式包括促进基础研究以更好地了解与癌症发展相关的细胞和系统紊乱，采用策略来预防和识别癌症高风险患者，创造和推进最先进的治疗方法，以及实施策略来减少人类痛苦和提高生存率。这些举措将满足 COHCCC 服务区个人的需求，同时使全球男性和女性受益。为了实现这些目标，COHCCC 已将一批才华横溢的基础、临床和以人群为中心的研究人员安排到五个研究项目中，这些项目涵盖了从基础研究到早期临床试验，最终到社区参与的生存率研究（表 1）。从结果研究、癌症风险和预防研究中获得的知识反馈用于指导和促进基础科学研究。这些研究项目得到了信息学优势、一系列先进共享资源（包括内部良好生产规范 (GMP) 设施、文化敏感的社区外展和参与以及完善的行政基础设施）的支持。COHCCC 通过主任提出了一个有凝聚力的愿景，推动了响应集水区的癌症研究、教育和培训。
研究文章 使用新型深度卷积神经网络对口腔病变进行人工智能分析，以便早期发现口腔癌
近年来，人工智能 (AI) 在肿瘤学中的应用发展迅速，并取得了丰硕成果。这项工作旨在评估深度卷积神经网络 (CNN) 算法在口腔摄影图像中对口腔潜在恶性疾病 (OPMD) 和口腔鳞状细胞癌 (OSCC) 进行分类和检测的性能。将包含 980 张口腔摄影图像的数据集分为 365 张 OSCC 图像、315 张 OPMD 图像和 300 张非病理图像。使用 DenseNet-169、ResNet-101、SqueezeNet 和 Swin-S 创建多类图像分类模型。使用 faster R-CNN、YOLOv5、RetinaNet 和 CenterNet2 构建多类物体检测模型。最佳 CNN 模型 DenseNet-196 的多类图像分类的 AUC 在 OSCC 和 OPMD 上分别为 1.00 和 0.98。最佳多类 CNN 基础物体检测模型 Faster R-CNN 在 OSCC 和 OPMD 上的 AUC 分别为 0.88 和 0.64。相比之下，DenseNet-196 在 OSCC 和 OPMD 上的 AUC 分别为 1.00 和 0.98，获得了最佳多类图像分类性能。这些值与专家的表现一致，并且优于全科医生 (GP)。总之，基于 CNN 的模型具有在口腔摄影图像中识别 OSCC 和 OPMD 的潜力，有望成为协助全科医生早期发现口腔癌的诊断工具。
利用脑电图信号早期发现自闭症儿童
摘要 — 马来西亚的自闭症儿童数量在一年中不断增加。由于需要专家来诊断疾病，因此可用于自闭症诊断的评估非常有限。使用神经生理信号对自闭症进行评估的方法在马来西亚尤为稀缺。因此，本研究使用脑电图信号来尽早检测受试者是否患有自闭症，并使用情感计算来识别自闭症儿童。使用 19 通道脑电图机（称为 DABO 机）收集 4 至 5 岁受试者的脑信号。本研究的目的是关注受试者是否患有自闭症的早期检测，并使用有效计算进行识别。此外，目的还要求注意受试者和正常组之间的情绪水平差异。就本研究的方法而言，我们围绕五个不同的状态来完成实验。这些状态包括收集 EEG 数据（原始数据）、数据预处理（过滤噪声）、使用梅尔频率倒谱系数或 MFCC 进行分析的特征提取、使用多层感知器或 MLP 进行分类以及最后的结果。结果表明，正常受试者和自闭症患者之间存在显著不同的情绪。这将有利于护理人员或父母以及研究人员通过这种早期检测来识别儿童的状况。关键词 — 脑电图 (EEG)、自闭症、自闭症儿童/儿童、MFCC、MLP。
人工智能（AI）在中国早期发现冠状病毒（COVID-19），并将影响未来国际城市卫生政策
摘要：预测计算工具的使用越来越广泛，并且已证明其在提供可以带来更好的卫生政策和管理的见解方面取得了成功。然而，由于这些技术仍处于起步阶段，在国家和国际政策层面的认真考虑方面进展缓慢。然而，最近的一个案例证明，人工智能 (AI) 驱动算法的精确度正在提高。由 BlueDot 和 Metabiota 等公司推动的人工智能模型在 2019 年底冠状病毒 (COVID-19) 让世界措手不及之前就预测到了它的影响和传播。通过对过去 20 年过去病毒爆发的调查，本文探讨了随着计算技术的增强以及不同数据信息系统之间更多的数据通信和库得到确保，早期病毒检测将如何缩短时间。为了进行这种增强的数据共享活动，需要注意的是，必须实施有效的数据协议，以确保数据在网络和系统之间共享，同时确保隐私并防止监督，尤其是在医疗数据的情况下。这将提供增强的人工智能预测工具，并影响未来的国际城市健康政策。
无人机群体行为建模，用于早期发现故障模式
无人机 (UAV) 的进步，更具体地说是将大量自主无人机组成“群体”。这些群体形成有组织的飞行器集群，以集体形式执行多方面的操作。尽管无人机群体提供了诸多好处，但工程团队在设计无人机群体系统时仍必须克服一些障碍。一个关键领域是创建和理解群体行为并揭示可能影响预期任务的所有潜在故障场景。这项研究使用 Monterey Phoenix (MP) 来建模系统行为，将它们分组为可能的行为者行为的不同、可重复使用的代理类模型，并将行为者交互建模为单独的约束。这种方法能够从这些模型中计算行为者行为的每一种可能变化以及所有其他可能的行为者行为，从而生成一组详尽的可能场景或事件轨迹。通过对这些事件轨迹进行手动检查或半自动断言检查，可以发现不需要的和不良的行为和故障模式，这使得任务规划人员能够采用必要的故障安全行为来抵消这些未经请求的实例。