XiaoMi-AI文件搜索系统
World File Search System病变
使用机器学习的糖尿病性视网膜病变的预测模型的开发和验证
S8表：在特定读取深度处的成本和时间参数与序列144个样本的比较。原始数据文件尺寸为千兆字节（GB），成本为澳元（AUD），并且时间以小时为单位。生物信息学分析的时间涵盖了从RAW NGS数据到变体列表的输出的管道，不包括此列表的策划。可以通过包括每次运行的样本数量更高，并导致每144个样本的原始数据文件大小来实现较低的读取深度（500x）。每144个样品的准备和定量的成本和时间保持不变。测序的成本，数据存储，测序时间和生物信息学的时间因原始数据文件大小而异，从而改变了总成本和时间。请参阅S7表的相对于3000倍读取深度的值所示的这些值（以粗体表示）。
基于深度学习的糖尿病视网膜病变分析...
摘要 — 糖尿病视网膜病变 (DR) 是一种眼部疾病，其特征是视网膜血管受损。如果不及时发现，可能会导致失明。及早发现和治疗 DR 可以大大降低视力丧失的风险。经过大量训练的专家通常使用彩色眼底照片来诊断这种可怕的疾病。与计算机辅助方法相比，由于全球糖尿病患者数量不断增加，眼科医生对 DR 视网膜眼底图像的手动诊断时间更长。因此，自动 DR 检测变得至关重要。随着对医学研究的重视，深度神经网络在医疗保健领域的应用取得了显着进步。这项工作的目标是确定 DR 的五个阶段：正常、轻度、中度、重度和增生性 DR。深度学习是提高性能的最流行方法之一，尤其是在医学图像的分类和解释方面。我们使用从 Kaggle 获得的大量眼底图像数据集对用于加速糖尿病视网膜病变 (DR) 检测的六种深度学习模型（Custom CNN、Resnet50、Densenet121、EfficientNetB0、EfficientNetB2 和 ViT）进行了评估。在五阶段 DR 分类中，准确率提高到 89%，精确率提高到 89%，召回率提高到 89%，F1 得分提高到 89%，结果表明 DenseNet121 模型的性能非常出色。
每年进行糖尿病视网膜病变筛查的障碍：回顾性临床审计
英国国家健康与临床优化研究所 (NICE) 指南建议所有 12 岁以上的糖尿病患者每年进行 DRP 筛查 [3] 。在 DES 筛查期间，需要从每只眼睛拍摄两张标准数字眼底照片，然后根据英国糖尿病视网膜病变国家筛查计划 (ENSPDR) 分类系统对图像进行分级。被归类为患有“视力威胁性视网膜病变”的个人将被转诊至眼科诊所进行评估。目前，初级保健指南建议全科医生及时识别新诊断的糖尿病患者并将其转诊进行 DES，转诊后三个月内完成，随后进行年度筛查 [4] 。英国公共卫生部委托的糖尿病视网膜病变全科医生筛查 (GP2DRS) 项目将数据从全科医生糖尿病登记册以电子方式直接传输到眼科筛查服务，确保自动识别需要定期筛查的个人 [5] 。自 2022 年起，NHS DES 计划将邀请符合条件的患者进行年度筛查，最低接受率为 75%，目标是超过 85% [6] 。需要密切监测的患者将遵循监测路径，召回间隔为 1、3、6、9 或 12 个月。
距离距离的幼年骨软骨病变
先前的研究表明，震动比成人病例具有更高的自发愈合潜力和更低的关节变性率（7,14,15），但目前的发现突出了保守治疗的成功有限，尤其是对于晚期病变（16）。先前的研究报告了保守治疗的各种结果（14,15）。Lam等。 （14）在六名非手术治疗的六名患者中，获得了100％的良好结果，而Higuera等人。 （15）观察到有利的结果，有68％的保守案件治疗。 但是，Heyse等人。 （10）报告了保守治疗的成功率39％。 作者指出，非手术治疗导致患有3期OLT病变和年龄较大的儿童的患者的结局不佳。 同样，Kim等人。 （11）在保守管理的55次震动中，有37个（67％）获得了成功的结果。 然而，22例患有3阶段病变的患者中只有6名（16.2％）反应良好，老年患者的成功率下降。 与这些发现一致，我们的研究观察到在接受保守治疗至少6个月的12例患者中，只有四名（33.3％）的成功结果。 这些发现强调需要对经过保守治疗的儿科OLT患者进行密切随访。Lam等。（14）在六名非手术治疗的六名患者中，获得了100％的良好结果，而Higuera等人。（15）观察到有利的结果，有68％的保守案件治疗。但是，Heyse等人。（10）报告了保守治疗的成功率39％。作者指出，非手术治疗导致患有3期OLT病变和年龄较大的儿童的患者的结局不佳。同样，Kim等人。（11）在保守管理的55次震动中，有37个（67％）获得了成功的结果。然而，22例患有3阶段病变的患者中只有6名（16.2％）反应良好，老年患者的成功率下降。与这些发现一致，我们的研究观察到在接受保守治疗至少6个月的12例患者中，只有四名（33.3％）的成功结果。这些发现强调需要对经过保守治疗的儿科OLT患者进行密切随访。
小型皮质下缺血性梗死和其他 DWI 病变建立 MES 预测模型
使用 SPSS（版本 22.0；美国伊利诺伊州芝加哥）和 Free Statistics（版本 1.7.1）软件进行数据分析。定量数据以平均值±标准差表示，定性数据以频率和百分比表示。在进行正态性检验后，使用 t 检验对定量数据进行组间比较，使用 χ2 或 Fisher 精确文本比较定性或分类数据。在进行回归分析之前，对统计学上显著的因素（p < 0.05）进行共线性分析。将单变量分析中具有统计学意义的因素纳入逐步前向逻辑回归分析，以确定 MES 的独立因素。优势比 (OR) 及其 95% 可信区间用于评估显著因素的独立贡献。采用 Hosmer-Lemeshow 检验来评估模型的适用性。
心血管自主神经病变 – 预防、...
心血管自主神经病变 (CAN) 是一种常见但认识不足的糖尿病微血管并发症，可导致心血管自主神经系统功能改变。20-90% 的糖尿病患者（包括 1 型和 2 型糖尿病患者）会患上这种疾病，也会出现糖尿病前期/非糖尿病性高血糖症。在《糖尿病学》上发表的这篇综述中，Eleftheriadou 和同事总结了有关 CAN 的病理生理学、诊断和治疗的证据基础。CAN 在早期阶段无症状，后期才会出现非特异性症状。早期优化血糖控制和心血管危险因素既可以预防 CAN，一旦确诊，还可以减缓其进展。根据研究结果，晚期 CAN 的 5 年死亡率为 16-50%，其中许多死亡归因于突发心律失常。 CAN 的病理生理学很复杂，可能由多种因素和几种不同的机制决定，例如晚期糖基化终产物的形成、氧化应激增加和自由基产生增加、以及多元醇和蛋白激酶 C 通路的激活，所有这些都可能损害自主神经纤维。
Whitestone, N.、Nkurikiye, J.、Patnaik, JL、Jaccard, N.、Lanouette, G.、Cherwek, DH、Congdon, N. 和 Mathenge, W. (2023)。卢旺达基于人工智能的糖尿病视网膜病变筛查的可行性和接受度。英国眼科学杂志。提前在线出版。https://doi.org/10.1136/bjo-2022-322683
删除政策 研究门户是女王大学的机构资料库，可供访问女王大学的研究成果。我们尽一切努力确保研究门户中的内容不侵犯任何人的权利或适用的英国法律。如果您发现研究门户中的内容侵犯了版权或违反了任何法律，请联系 openaccess@qub.ac.uk。
乳酸杆菌的酸耐受性。在根部养殖的病变上
Brenner Building，圣詹姆斯大学医院，LS9 7TF，利兹，英国； 15 n.t.do@leeds.ac.uk 16 5。 巴西联邦加里奥格兰德大学（UFRGS）联邦牙科学校的预防和社区牙科系。 Ramiro Barcelos，2492； Alegre Porto，18 90035-003;巴西; fatturiparolo@yahoo.com 19 6。 巴西联邦20号RIO Grande Do Sul（UFRGS）牙科学校的预防和社区牙科系。 Ramiro Barcelos，2492； Alegre Porto，21 90035-003;巴西; marisa.maltz@gmail.com 22 7。 巴西联邦23里奥格兰德大学（UFRGS）牙科学校的预防和社区牙科系。 Ramiro Barcelos，2492； Alegre Porto，24 90035-003;巴西; rodrigoarthur.ufrgs@gmail.com 25Brenner Building，圣詹姆斯大学医院，LS9 7TF，利兹，英国； 15 n.t.do@leeds.ac.uk 16 5。巴西联邦加里奥格兰德大学（UFRGS）联邦牙科学校的预防和社区牙科系。Ramiro Barcelos，2492； Alegre Porto，18 90035-003;巴西; fatturiparolo@yahoo.com 19 6。巴西联邦20号RIO Grande Do Sul（UFRGS）牙科学校的预防和社区牙科系。Ramiro Barcelos，2492； Alegre Porto，21 90035-003;巴西; marisa.maltz@gmail.com 22 7。巴西联邦23里奥格兰德大学（UFRGS）牙科学校的预防和社区牙科系。Ramiro Barcelos，2492； Alegre Porto，24 90035-003;巴西; rodrigoarthur.ufrgs@gmail.com 25
atif/参考：Ramaha，N。T. A.＆Al-Dujaili，S。I.（2023）。使用机器学习与深度学习的糖尿病性视网膜病变诊断。欧洲日记植物油分馏
植物油的分馏技术对于修改油的理化特性并获得特定应用的优化分数至关重要。这些技术使脂肪可以根据其甘油三酸酯组成的不同熔点分离为分数（Kellens等，2007）。干燥（直接），溶剂（溶剂）和洗涤剂（表面活性剂）分级技术被确定为主要分级技术，而干分馏被认为是使用最广泛和环保的方法。该技术涉及以控制的方式冷却油，然后通过机械过滤将其分离成固体（stearin）和液体（油蛋白）级分（Timms，2005）。干分馏过程被广泛使用，尤其是在棕榈油行业，允许有价值的
CNN与视觉变压器的集合学习MRI图像上的脑病变分类
抽象的深度学习模型，例如卷积神经网络（CNN）和视觉变压器（VIT），在MRI图像上脑损伤的分类中已经实现了最先进的性能。但是，这种类型的图像的复杂性要求CNN使用具有更多参数的更深层体系结构，以有效地捕获其高维特征和微妙的变化。一方面，VIT提供了一种应对这一挑战的不同方法，但是它们需要更大的数据集和更多的计算成本。在另一侧，整体深度学习技术（例如装袋，堆叠和增强）可以通过组合多个CNN模型来帮助减轻这些限制。这项研究探讨了这些方法，并使用三种方法进行比较，以评估其准确性和效率：基于CNN的转移学习，基于VIT的转移学习和集成深度学习技术，例如基于XGBOOST，ADABOOST方法，袋装，堆叠和提高。在四个具有不同级别的复杂性和脑部病变类型水平的MRI图像数据集上进行的实验表明，与已经存在的方法相比，CNN与集合技术的组合为单个CNN和VITs提供了非常有竞争力的性能，并具有有趣的改进。