XiaoMi-AI文件搜索系统
World File Search System眼素学
学术论文（同行评审）
Orita，A。Mukai，H。Tomita，S。Tomita，K。Bamagishi，H。Ebi，Y。Tamada，K。Kamada，H。Woo，F。Ishida，E。Takada，H。 /div;Orita，A。Mukai，H。Tomita，S。Tomita，K。Bamagishi，H。Ebi，Y。Tamada，K。Kamada，H。Woo，F。Ishida，E。Takada，H。 /div;
iMLGAM：基于集成机器学习和遗传算法驱动的多组学分析 ...
iMeta 期刊 ( 影响因子 23.8 ) 由宏科学、千名华人科学家和威立出版，主编刘双江和傅静远教授。目标为生物 医学国际综合顶刊群 ( 对标 Nature/Cell) ，任何领域高影响力的研究、方法和综述均欢迎投稿，重点关注生物 技术、生信和微生物组等前沿交叉学科，已被 SCIE 、 PubMed 等收录，位列全球 SCI 期刊前千分之五，微生 物学研究类期刊全球第一；外审平均 21 天，投稿至发表中位数 57 天。 子刊 iMetaOmics ( 主编赵方庆和于君教授 ) 、 iMetaMed 定位 IF>10 的综合、医学期刊，欢迎投稿！
眼动追踪技术在皮肤病学领域的新兴应用
眼动追踪技术已在众多学科中得到应用，提供将眼球运动与各种刺激（即 X 射线、情境定位、印刷信息和警告）的视觉处理联系起来的数据。尽管眼动追踪技术在识别和量化视觉注意力方面具有优势，但皮肤病学学科尚未广泛应用该技术。尽管皮肤科医生严重依赖视觉模式和线索来区分良性和非典型痣，但将眼动追踪技术应用于皮肤病学研究的文献很少；而专门针对患者发起的行为（例如皮肤自我检查 (SSE)）的文献基本上不存在。本文回顾了眼动追踪在各个医学领域的研究，并最终讨论了眼动追踪在皮肤病学研究中的当前应用和优势。© 2018 日本皮肤病研究学会。由 Elsevier B.V. 出版。保留所有权利。
![[氢/超导复合物]](/simg/d\d721527447241a666e5c6564df2d7a0bb0f9a7fd.webp)
眼基因治疗
心力衰竭是全球健康挑战，影响了全球数百万。这种复杂综合征来自多种病因，包括缺血性心脏病，高血压，瓣膜异常和心肌病。心力衰竭的特征是心脏无法有效泵送血液以满足人体的代谢需求，从而导致症状令人衰弱，频繁住院和高死亡率。传统上，心力衰竭的管理集中在减轻症状，减少液体保留和增强心脏收缩力。通过药理学疗法（例如血管紧张素转换酶抑制剂，β受体阻滞剂和利尿剂）来实现这些目标，通常通过基于设备的干预措施（例如植入式心脏扭曲器解除剂和心脏脱氧剂）进行补充。，尽管有这些进展，但心力衰竭的不懈进展仍然是一个重大的临床挑战。神经激活，心脏纤维化和细胞重塑只是导致疾病进展的一些复杂过程。近年来，研究人员和临床医生开始寻求确定解决这些基本机制的新型治疗方法。这样的探索途径涉及基因治疗的革命领域，具有有希望的基因编辑技术，例如CRISPR-CAS9，为纠正有助于心力衰竭的基因突变提供了潜在的途径。此外，包括干细胞疗法和组织工程在内的再生医学方法对修复受损的心脏组织和恢复功能保持着巨大的希望。此外，考虑到遗传学，生物标志物和合并症，精确的医学计划已获得了吸引力，旨在针对个体患者概况量身定制心力衰竭疗法。在心力衰竭管理中整合人工智能和机器学习还可以开发早期干预，风险分层和个性化治疗建议的预测模型。这篇叙述性评论导航了新兴疗法的心力衰竭的复杂景观，强调了它们通过瞄准疾病的基本机制来彻底改变该领域的潜力。通过探索这些创新的方法，我们渴望提供有关心力衰竭管理不断发展的范式的全面观点，从而为患者和临床医生提供了希望的前景。
使用预先训练的深度学习模型对 EEG 数据进行内部学习......
内在语言是一种内化的语言，人们用这种语言思考纯粹的意义。从大脑活动数据中解码内在语言不仅可以促进残障患者的交流，还可以帮助健康人整理思路，提高对元认知的理解。在之前的研究中，一种名为 EEGNet 的 EEG 数据深度学习模型被用于内在语言解码。然而，它在 4 类分类任务中只达到了 30% 的准确率。数据稀缺和内在语言解码固有的难度可能是原因，但这项研究假设以前的研究中特征提取不足。为了提高解码内在语言的准确性，使用迁移学习被认为是更有效的；在这种学习中，模型事先在不同的数据集上进行训练，然后针对目标数据进行微调。然而，迁移学习尚未应用于内在语言，甚至尚未应用于 EEG 数据。迁移学习对不同任务的脑电图数据或非脑电图数据的有效性尚未得到充分验证。本研究通过使用不同任务的脑电图数据和非脑电图数据对公开的内部语音数据集进行迁移学习，验证了特征提取的改进。结果证实，使用来自不同受试者的数据的迁移学习可以提高内部语音的准确性，但使用来自不同任务的脑电图数据的迁移学习则不会。另一方面，对于图像数据集，通过冻结某些层可以确认准确性的提高，即使数据的性质与脑电图数据不同。
人工智能在临床诊断中的应用
1 ）美国国家科学、工程和医学院医学研究所。人非圣贤，孰能无过。华盛顿哥伦比亚特区：美国国家科学院出版社；2001。 2 ）美国国家科学、工程和医学院医学研究所。改善医疗保健诊断。华盛顿哥伦比亚特区：美国国家科学院出版社；2016。 3 ） Rajkomar A，Dean J，Kohane I。医学中的机器学习。N Engl J Med 2019；380：1347―58。 4 ） Crombie DL。诊断过程。J Coll Gen Pract 1963；6：579―89。 5 ） Sandler G。临床医学中病史的重要性以及不必要检查的成本。Am Heart J 1980； 100: 928 ― 31。6）Heneghan C，Glasziou P，Thompson M，Rose P，Balla J，Lasserson D 等. 初级保健中使用的诊断策略. BMJ 2009; 338: b946。7）Shimizu T，Tokuda Y. 枢轴和集群策略：预防诊断错误的措施. Int J Gen Med 2012; 5: 917 ― 21。
MRI放射素学用于直肠癌的淋巴血管浸润预测
放射线学利用计算算法从MRI扫描中提取定量成像特征，从而更深入地评估肿瘤异质性。在这项研究中，使用T2加权成像（T2WI）和扩散加权成像（DWI）分析了肿瘤内和周围区域的特征。该研究评估了不同的周围距离，发现与其他构型相比，T2WI中的3mm周围区域表现出优异的预测精度。这些放射素特征与临床参数（例如性别和MRN阶段）的整合导致了优化的预测模型。研究发现，结合周围放射线特征的模型优于仅依靠肿瘤内特征的模型。此方法在区分LVI的存在方面超过了常规成像，提供了一种非侵入性且高度准确的诊断工具。