XiaoMi-AI文件搜索系统
World File Search System特征曲线
采用预测性生物标志物的不同方法
可操作基因在预测索拉非尼疗效中的作用。方法：通过定量实时逆转录 PCR，我们分析了 220 例接受索拉非尼治疗的 HCC 患者的肿瘤与非癌组织中 7 种可操作基因（ VEGFR2 、 PDGFRB 、 c-KIT 、 c-RAF 、 EGFR 、 mTOR 和 FGFR1 ）的表达水平。我们的分析发现，与无反应者相比，9 名反应者并没有独特的临床特征。受试者操作特征曲线评估了根据可操作基因计算的治疗效益评分 (TBS) 的预测性能。结果：反应者的 TBS 值明显高于无反应者。曲线下面积为 0.779，mTOR 与 VEGFR2 、 c-KIT 和 c-RAF 相结合的 TBS 是索拉非尼疗效的最显著预测因子。索拉非尼单独使用时，HCC 患者的反应率为 0.7–3%，但当根据可操作基因对患者进行分层时，肿瘤反应率上升至 15.6%。此外，可操作基因表达与肿瘤反应显着相关。结论：我们根据可操作分子亚型对患者进行分层的研究结果可能为提高索拉非尼治疗 HCC 的有效性提供一种治疗策略。
评估血浆磷酸化的tau217，以分化阿尔茨海默氏病和额颞叶变性亚型
386名参与者的结果为199名（52％），平均年龄为68（8）岁。血浆P-TAU217的CB患者的阳性AβPET结果（平均[SD]，0.57 [0.43] pg/ml）或FTP PET（平均[SD]，0.75 [0.30] pg/ml）的浓度与AD（平均[0.72 [SD]，0.72 [0.37]，no no nome），FTP PET（平均[0.30] pg/ml），here（0.75 [0.30] pg/ml），here and n no no nof and nof [0.37]， 控制。在CBS中，P-TAU217具有出色的诊断性能，在接收器操作特征曲线（AUC）下，AβPET为0.87（95％CI，0.76-0.98; P <.001）和0.93（95％CI，0.83-1.00; P <.001）。在基线时，CBS-AD（n = 12）的个体由PET验证的血浆P-TAU217截止值0.25 pg/ml或更高，与CBS-FTLD的个体相比，基线时颞眼萎缩增加了（n = 39），而较长的人（n = 39），具有CBS-cbs-fterl faster faster fasters afstall faster afters aftast。与CBS-AD的人（平均[SD]，3.5 [0.5] vs 0.8 [0.8]分/年/年相比，具有CBS-FTLD的个体在修改后的PSP评级量表上的进展也更快。
使用卷积神经网络进行头皮脑电图疼痛检测...
摘要——疼痛是一种综合现象，伴随着大脑中感觉和情境过程的动态相互作用，通常与可检测到的神经生理变化有关。大脑活动记录工具和机器学习技术的最新进展引起了用于客观和基于神经生理学的疼痛检测的神经计算技术的研究和开发。本文提出了一种基于脑电图 (EEG) 和深度卷积神经网络 (CNN) 的疼痛检测框架。通过招募 10 名慢性背痛患者，研究了 CNN 用于区分诱发疼痛状态和静息状态的可行性。实验研究分两个阶段记录 EEG 信号：1. 运动刺激 (MS)，通过执行预定义的运动任务来诱发背痛；2. 视频刺激 (VS)，通过观看一组视频片段来诱发背痛感知。多层 CNN 对静息状态和疼痛状态下的 EEG 片段进行分类。这种新方法具有高性能和稳定性，因此对于构建强大的疼痛检测算法具有重要意义。我们的方法的受试者工作特征曲线下面积 (AUC) 分别为 MS 和 VS 中的 0.83 ± 0.09 和 0.81 ± 0.15，高于最先进的方法。还分析了亚脑区，以检查与疼痛检测相关的不同脑拓扑结构。结果表明，MS 引起的疼痛
o r i g i n a l r e s a r c h最佳的内脏脂肪区域的最佳临界值，用于预测Ningb
目的：检查在宁波中国2型糖尿病（T2D）患者中预测内脏脂肪面积（VFA）的最佳临界值（VFA）。方法：从2018年3月至2020年1月，总共从Ningbo第一医院的国家标准化代谢疾病管理中心接受了标准化管理的T2D患者中，总共选择了1017名受试者。人口统计和医学信息是通过问卷收集的。使用双重生物电阻抗方法通过内脏脂肪分析仪检查了区域肥胖。结果：总体而言，将769（75.6％）T2D患者定义为具有MetS。与没有MetS相比，MetS患者具有更高的人体测量值和生物标志物。VFA与Mets的危险因素显着相关。进一步的逻辑回归模型表明，在控制相关因素后，VFA与男性（OR = 1.02）和女性（OR = 1.03）（OR = 1.03）（OR = 1.03）（OR = 1.03）的MetS显着相关。接收器 - 操作特征曲线分析表明，男性VFA的最佳截止值为84.7 cm 2，女性为81.1 cm 2预测T2D患者的METS。结论：VFA与MetS相关，可能是T2D患者MetS的独立预测指标。临床试验注册：www.clinicaltrials.gov，编号：NCT03811470。关键字：腹部肥胖，代谢综合征，内脏脂肪区域，2型糖尿病
深度学习的MRI荟萃分析-Thieme Connect
抽象背景的早期诊断阿尔茨海默氏病（AD）和轻度认知障碍（MCI）仍然是神经病学的重要挑战，常规方法通常受到解释的主观性和可变性的限制。将深度学习与磁共振成像（MRI）分析中的人工智能（AI）相结合，作为一种变革性方法，为无偏见的，高度准确的诊断见解提供了潜力。客观一项荟萃分析旨在分析AD和MCI模型中MRI图像深度学习的诊断准确性。方法在PubMed，Embase和Cochrane库数据库中进行了荟萃分析，该数据库是针对系统评价和荟萃分析（PRISMA）指南的首选报告项目，重点介绍了深度学习的诊断准确性。随后，使用Quadas-2清单评估了方法论质量。诊断措施，包括灵敏度，特异性，似然比，诊断赔率和接收器操作特征曲线下的面积（AUROC），以及用于T1加权和非T1加权MRI的亚组分析。结果总共确定了18个合格的研究。Spearman相关系数为-0.6506。荟萃分析表明，敏感性和特异性，阳性似然比，阴性可能比率和诊断优势比分别为0.84、0.86、6.0、0.19和32。AUROC为0.92。接收器操作特征（HSROC）的层次结构摘要
AASLD 非酒精性脂肪性肝病临床评估和管理实践指南
缩写：AASLD，美国肝病研究协会；AI，人工智能；ALT，丙氨酸氨基转移酶；AST，天冬氨酸氨基转移酶；AUROC，受试者工作特征曲线下面积；BMI，身体质量指数；CAP，控制衰减参数；CKD，慢性肾病；cT1，校正 T1；CVD，心血管疾病；DM，糖尿病；DNL，从头脂肪生成；DPP-4，二肽基肽酶-4；ELF，增强型肝纤维化；FAST，FibroScan-AST；FDA，美国食品药品监督管理局；FIB-4，纤维化-4 指数；GH，生长激素；GLP-1RA，胰高血糖素样肽-1 受体激动剂；LDL-C，低密度脂蛋白胆固醇；LSM，肝脏硬度测量；MAST，来自 MRI-PDFF、MRE 和血清 AST 的评分； MEFIB，MRE 与 FIB-4 联合使用；MRE，磁共振弹性成像；NIT，无创性检查；OSA，阻塞性睡眠呼吸暂停；PCOS，多囊卵巢综合征；PDFF，质子密度脂肪分数；PIVENS，吡格列酮、维生素 E 和安慰剂治疗非糖尿病性 NASH 患者的疗效对比；RCT，随机对照试验；SGLT-2，钠葡萄糖协同转运蛋白-2；T2DM，2 型糖尿病；TM6SF2，跨膜 6 超家族成员 2；UDCA，熊去氧胆酸；VCTE，振动控制弹性成像
ACS 模板
本文的主要目标是使用机器学习方法根据用户的击键动态确定用户。这种问题可以表述为分类任务。为了解决这个任务，采用了四种监督机器学习方法，即逻辑回归、支持向量机、随机森林和神经网络。三个用户中的每一个都输入了 600 次包含 7 个符号的相同单词。数据集的行由 7 个值组成，这些值是按下特定键的时间段。基本真值是用户 ID。在应用机器学习分类方法之前，将特征转换为 z 分数。获得了每种应用方法的分类指标。确定了以下参数：精度、召回率、f1 分数、支持度、预测和受试者工作特征曲线下面积 (AUC)。获得的 AUC 分数相当高。在线性回归分类器的情况下，获得了最低的 AUC 分数，等于 0.928。在神经网络分类器的情况下，AUC 分数最高。与神经网络方法相比，支持向量机和随机森林方法的结果略低。准确率、召回率和 F1 分数也呈现出同样的模式。尽管如此，获得的分类指标在每种情况下都相当高。因此，机器学习方法可有效地用于根据击键模式对用户进行分类。解决此类问题最推荐的方法是神经网络。
第二读
混合脑 - 计算机界面（BCIS）用于中肢康复后，应促进“更正常”的大脑和肌肉活动的增强。在这里，我们提出了皮质肌肉相干性（CMC）和肌间相干性（IMC）的组合，作为用于康复目的的新型混合BCI的控制特征。在20名健康参与者中收集了来自每侧5个肌肉的多个脑电图（EEG）信号和表面肌电类（EMG）（EMG），并以优势和非优势手进行了纤维伸展（EXT）和抓握（grasp）。CMC和IMC模式的平均值显示出双侧感觉运动区域以及多个肌肉的参与。cmc和imc值用作对每个任务与休息和ext and grasp进行分类的功能。我们认为，CMC和IMC特征的组合允许将两种运动与休息进行分类，而在EXT运动（0.97）的性能（接收器操作特征曲线，AUC下）相对于抓握（0.88）（0.88）。ext v v and grasp的分类也显示出较高的表现（0.99）。总的来说，这些初步发现表明，CMC和IMC的组合可以为最终在混合BCI系统中采用简单的手动运动提供全面的框架，以进行后击球后康复。
人工智能系统减少乳腺超声检查解释中的假阳性结果
超声是检测和鉴定乳腺癌的重要成像方式。尽管乳腺超声一直被证明可以检测出乳房 X 线摄影中隐藏的癌症，尤其是在乳房致密的女性中，但人们注意到乳腺超声具有很高的假阳性率。在这项研究中，我们提出了一种人工智能 (AI) 系统，该系统在超声图像中识别乳腺癌的准确度达到放射科医生的水平。为了开发和验证这个系统，我们整理了一个数据集，该数据集包含 2012 年至 2019 年间在纽约大学朗格尼健康中心接受检查的 143,203 名患者的 288,767 次超声检查。在由 44,755 次检查组成的测试集中，AI 系统的受试者工作特征曲线下面积 (AUROC) 达到 0.976。在一项读者研究中，AI 系统的 AUROC 高于十位获得委员会认证的乳腺放射科医生的平均水平（AUROC：AI 0.962，放射科医生 0.924 ± 0.02）。在 AI 的帮助下，放射科医生将假阳性率降低了 37.4%，并将要求的活检数量减少了 27.8%，同时保持了相同的敏感度水平。为了确认其通用性，我们在独立的外部测试数据集上对我们的系统进行了评估，结果显示其 AUROC 为 0.911。这凸显了 AI 在提高全球乳腺超声诊断的准确性、一致性和效率方面的潜力。
将人工智能用于公共卫生监测
背景：机器学习技术在医疗保健领域的使用正在增加，这使得人们能够更有效地从大型管理数据集中估计和预测健康结果。本研究的主要目的是开发一种通用机器学习 (ML) 算法，根据过去 2 年的报销次数来估计糖尿病的发病率。方法：我们从与法国国家健康数据库 (即 SNDS) 链接的基于人群的流行病学队列 (即 CONSTANCES) 中选择了一个最终数据集。为了开发这种算法，我们采用了监督式 ML 方法。执行了以下步骤：i. 选择最终数据集，ii.目标定义，iii.为给定的时间窗口编码变量，iv.将最终数据拆分为训练和测试数据集，v. 变量选择，vi。训练模型，vii。使用测试数据集验证模型和 viii。模型的选择。我们使用受试者工作特征曲线下面积 (AUC) 来选择最佳算法。结果：用于开发算法的最终数据集包括来自 CONSTANCES 的 44,659 名参与者。在与 CONSTANCES 队列相关的 SNDS 的 3468 个变量中，选择了 23 个变量来训练不同的算法。估计糖尿病发病率的最终算法是线性判别分析模型，该模型基于过去 2 年内与生物测试、药物、医疗行为和未经手术的住院治疗相关的选定变量的报销次数。该算法的敏感性为 62%，特异性为 67%，准确率为 67% [95% CI：0.66 – 0.68]。