XiaoMi-AI文件搜索系统
World File Search System质量检查
社论：人工智能在临床诊断中的应用
加快和改善事件发生地点和时间的诊断过程是即时诊断 (PoC) 的目标。除了涉及多学科领域的传感技术（包括纳米技术、微流体和先进材料）的进步之外，人们还设想即时诊断可以从与人工智能 (AI) 的更紧密相互作用中受益匪浅。人工智能的跨学科影响与数字信号处理的一般领域密切相关，为不同的应用形成了一个集成平台，并基于计算智能和机器学习 (ML) 统一了它们的背景。这种方法遵循了历史上莱布尼茨提出的思想，试图将失去沟通能力的不同狭窄领域的研究人员联系起来 (1)。事实上，人工智能和机器学习可以带来集成、分析和理解来自大量不同设备的多媒体数据的方法。此外，多变量方法可以将当前患者状态与既往病史关联起来，根据患者个人病史调整研究结果，以符合更加个性化和适应性强的护理方法，并有利于更准确地预测未来状态。为此，需要探索人工智能和即时诊断的不同研究方向。一方面，人工智能范式可以嵌入即时诊断测试设备中，扩展其功能，并实现原本不可行的分析，例如包括图像分析在内的分析。这可以实现普适计算和即时诊断的融合。同样，可以利用分布式人工智能设计本地设备网络：可穿戴传感器和便携式设备可以在生态系统中通信，并且可以累积和连贯地处理它们的数据。最后，人工智能可以去中心化，也可以考虑基于云的方法，将即时诊断的功能扩展到计算连续体上。例如，通过及时的分散调查，PoC 可以检测异常情况，一旦与之前收集的数据和病史相结合，并进一步进行质量检查以确保使用可靠的数据，就可以使用人工智能方法进行分类。然后，系统可以立即向用户及其护理人员发出警报。此外，特定的援助网络可以保证对该地区的控制和救援。即使 PoC 设备的成本很高，它也可以降低间接成本并挽救生命。
抗体及抗体-药物偶联物的分析技术的开发与评估
抗体-药物偶联物 (ADC) 在肿瘤学中变得越来越重要。ADC 本质上是异质分析物。要使候选药物成功进入临床，必须对构建体进行广泛的表征和评估。药物与抗体的比率 (DAR) 直接决定了产品的毒性和功效，必须在整个过程中密切监测。在本文中，我们针对两种更易获得的选项评估了几种适合在早期开发阶段测定 DAR 的分析技术。所有研究的主要重点都是半胱氨酸连接的 ADC，因为它们在成功的设计中很普遍，而且对分析设置的要求更高。比较表明，无论使用哪种 MS 仪器，质谱 (MS) 得出的 DAR 值与疏水相互作用色谱得出的值确实非常吻合。对于 MS 仪器，总体而言，发现脱溶对表观 DAR 值的影响大于仪器分辨率，低分辨率仪器（如三重四极杆）可成为早期开发中 DAR 测定的可行选择。此外，还可以得出结论，MS 得出的 DAR 值易受样品制备工作流程变化的影响。稳定性测试对于确保产品安全至关重要。在本文中，测试了尺寸排阻色谱 (SEC) 中不同组成的流动相洗脱 ADC 聚集体的能力。得出结论，如果盐浓度不超过与 MS 源兼容的水平，则无法仅通过添加乙酸铵来获得足够的离子强度来从 SEC 柱中洗脱 ADC 聚集体。最后，通过对 mAb 和 ADC 样品应用蛋白质组学脱盐方案和增压试剂，设计了两种新的分析工作流程。这两种技术都很有前景；磁珠作为 mAb 和 ADC 更灵活的脱盐替代方案，以及添加选择性增压试剂以提高 MS 光谱中的灵敏度和峰形（不会显著改变导出的 DAR 值）。总之，本论文为 ADC 分析的许多方面提供了指导，从 DAR 测定到聚集体检测。收集到的知识可以帮助为新候选药物建立更快或更可靠的质量检查。
目录
在2023年，我们实施了“创新驱动的，以合规性为驱动的”业务政策，夺取了现在，计划未来，并继续优化和加强我们的先进制造业务：30多种新的新技术和新产品通过了省级和部长级的级别，并已连续地转化为生产力；有2个新的国家专业，精致，独特，创新或小型巨头企业，使总数达到7；又增加了四项国家和省级专利金，银色和卓越奖，将两级屡获殊荣的专利数量达到19；它被授予一家国家级别的“绿色供应链管理企业”，绿色工厂和零碳工厂。“全面取消对制造业外国投资获取的限制”，中国的人行为行业正面临着全球竞争的时代。响应于时代的要求加速新的工业化，数字化，绿化，人才专业精神的改善和优化管理思想的要求，我们选择了“巩固根源，振兴创新并证明合规性”作为ZTT集团的新年操作指南。2024是ZTT Group精确制造的第一年。从“精密制造1.0”到“ Precision Manufacturing 2.0”，从定性到定量，我们制定了一个三年的质量战略计划，为2.0的新时代打开了大门，并写了卓越质量的新章节。2024是ZTT集团的数字飞跃年度。2024是加深ZTT集团的“三个持久性”的一年。全面启动“ AI在线质量检查”和设备“更新项目”的特殊动作，以在全球范围内进行基准测试，将外国材料用于国内提供，使用一流的配置来培养一流的员工，建立一流的企业，并支持互惠和公开竞争力。要牢记“遵守差异化创新的指导，坚持对外部循环的向上思考，遵守价值观，以说服people people”，使用我们的光电产品为人类的数字经济服务并创造更好的生活，是中国最终的最终目标。在新的一年中，我们必须深入理解和掌握“新质量生产力”的含义和特征，通过改革释放中东科学和技术系统的活力，并创造更好的结果，以偿还股东，社会和政府的期望。
如何引用本文Sandougah K，Alsywina N，Alghamdi H K等。 （2025年2月17日）评估Arti
系统需要大量数据（也称为大数据）进行培训[2]。高质量的标签和代表性现实生活数据需要创建机器学习或深度学习算法以防止系统偏见。未能遵循这一基本规则可能会产生不可靠的发现[3]。这类似于基于合成数据的使用[4]，对癌症患者的护理建议的建议类似。由于可以检索和用于训练的许多诊断成像方式（例如X射线，超声，CT，MRI等）的大量数据（例如X射线，超声，CT，MRI等），因此放射学在AI算法的开发中起着至关重要的作用。因此，预计AI不仅会影响传统的放射学过程（例如图像解释），还会影响临床决策支持系统和结构化报告[2]。可以改善放射科医生的实践，因为基于AI的工具可用于更有效地完成费力，重复性的活动和阅读时间[1]。为了使放射科医生对AI的基本理解，欧洲放射学会（ESR）产生了一份白皮书[5]。这些进步的其他用途包括在紧急情况下自动鉴定气胸，出血，肾结石和异物的病例，可帮助放射科医生在诊断过程中进行诊断，并提高其准确性[6]。人机互动将成为所有医生的关键能力，必须纳入医学教育。根据文献上发表的几项研究，基于AI的应用程序不会代替放射科医生目前的角色。相反，它们将增强放射学服务和放射学家的表现[1]。将来医学的问题是在使用AI工具时可以进行质量检查[3]。然而，正如人工神经网络的著名杰弗里·欣顿（Geoffrey Hinton）所说，AI的使用是放射学领域的发展领域，这可能是对专业诊断放射学家[7]的威胁[7]，因为远程放射学，3D印刷，在放射学中实施人工智能训练和其他放射性训练[7]，并且是训练有素的测试。至关重要的是要确保当前的临床从业人员鉴于正在进行的AI革命，对这项技术的状态和潜力了解。关于AI将如何影响临床实践的错误信息可能导致不利的态度和不明智的职业决定。因此，在整个过渡期间，至关重要的是，为临床医生提供准确，公正和当前的信息至关重要。从这个角度来看，评估临床医生对AI的潜在应用的感觉至关重要。因此，这项研究的目的是评估医师在放射学中使用AI的感觉[8]。
St. Vincent和GrenadinesSt. Vincent和Grenadines
渔业部门是圣文森特和格林纳丁斯（SVG）的粮食安全和工作的重要来源。渔业对经济的贡献估计在直接雇用1,642人的GDP的0.5％至1.7％之间，占该国劳动力总劳动力的2.9％，其中3.5％是妇女。平均每年降落总数为1,414吨。SVG中的捕鱼部门的性质主要是很小的，主要是使用带有近海杂货店的传统齿轮，方法和船只，除了龙虾和海与海与海与海岸外，估计包括金枪鱼，鲭鱼在内的年度降落中的45％。小型渔业在支持生计，确保粮食安全并为当地社区的文化和经济结构做出贡献方面发挥着至关重要的作用。于1987年开始，在日本赠款援助的协助下，圣文森特和格林纳丁斯在金斯敦，卡利亚夸，小屋，巴鲁阿利，奥瓦利亚，贝奎亚，贝奎亚（Paget Farm），Canouan和Union Island建造了一系列渔业降落地点。随着时间的流逝，由于各种挑战，一些着陆点已经失修，导致渔业供应链（船舶到销售点）的食品安全标准，卫生和卫生状况的依从性降低。尽管如此，圣文森特和格林纳丁斯政府仍致力于增强海鲜安全制度，这被视为所有文森特人的粮食安全，健康和营养的组成部分，以及出口市场发展的关键。UBEC项目提供了进步这项计划的机会。同时，存在过时和/或分散的立法，监测食品传播相关疾病的弱点以及对社会构成的风险，法规的执行不足，预算分配，缺乏设施和受过培训的人员，还损害了包括渔业的有效粮食控制措施，监测相关疾病的弱点以及它们对社会构成的风险的弱点也受到破坏。世界银行释放蓝色经济项目（UBEC）的关键组成部分是开发卫生和植物检疫标准（SPS），并采取了增加国内和出口市场高质量海鲜生产的措施。UBEC提出的活动包括提高消费者的食品安全意识；满足进口国的监管要求；增加并使用技术和相关培训等。在这方面，2018年圣文森特和格林纳丁斯渔业和水产养殖政策要求开发跨政府机构的多年粮食卫生和质量检查服务开发计划1，旨在恢复全面的出口认证并根据用户薪酬原则引入既定企业的成本搜索。
加利福尼亚投资者拥有的公用事业（IOU）分布式生成（包括
免责声明：从2020年6月开始的数据开始，规则21（Depr。nem PV）将互连的数据集与太阳能（NEM PV）互连数据集结合使用，以提供太平洋天然气和电气公司（PG＆E），南加州爱迪生（SCE）和圣地亚哥天然气及电动机（SDG＆Electric（SDG＆E）的所有规则21互连系统的完整表示。在能源解决方案，IOUS和加利福尼亚公共事业委员会（CPUC）之间，非NEM PV数据的集成和数据完整性测试正在进行中。使用并从此数据中进行表示时，请使用您的最佳酌处权，并将有关数据的问题直接提示至dgstats@energy-solution.com。背景加利福尼亚太阳能计划（CSI）工作数据集为自2009年以来对加利福尼亚屋顶太阳能市场的宝贵见解。随着CSI计划的完成，该计划准确表示CA的光伏市场的能力由于缺乏新的激励应用程序而下降。这是因为CSI工作数据集基于激励应用程序，而不是互连应用程序。2014年11月，加利福尼亚公共事业委员会（CPUC）发布了决定（D.）14-11-001指示CA IOUS（PG＆E，SDG＆E和SCE）以每月的基础为基础发布净能量计量（NEM）太阳能光伏（NEM）太阳能光伏（NEM）太阳能光伏（PV）互连数据集。第一个数据集于2015年7月发布。2018年8月，加利福尼亚公共事业委员会（CPUC）指示IOUS在所有规则21互连上发布应用程序级别的数据，无论技术类型，规模，关税，激励计划或其他项目特征如何。加利福尼亚DG Stats团队（CA IOUS，CSI计划管理员，CPUC能源部和承包商能源解决方案）随后开始致力于汇总三个IOU NEM太阳能PV互连数据集，MAP PONSIAL COMMON COMPONS并执行数据完整性测试，以使全面的互连数据集可用于公共用途。“规则21”通常是指在CPUC管辖范围内在分销网格上相互联系的所有净能量计量设施，“非出口”设施和存储技术。1规则21不适用于打算参与批发市场的生成或存储设施的互连。关税为希望在其场所安装生成或存储设施的客户提供电网。加利福尼亚DG Stats团队开始与IOUS和CPUC合作，以收集此数据并绘制各种数据字段。第一个规则21（Defor。NEM PV）数据集（每个IOU的一个）于2019年5月发布。这项工作包括非常初步的手动数据质量检查，以解决新的数据质量问题。
补充材料
补充材料。材料与方法文库制备和 Miseq (Illumina®) 测序使用文库制备指南 (LPG) ( https://support.illumina.com/downloads/16s_metagenomic_sequencing_library_preparation.html ) 中报告的 Illumina 接头序列和引物悬垂部分（正向和反向）扩增 16S rRNA 基因的 460 bp V3-V4 高变区。使用以下 PCR 反应扩增每个 DNA 样本：2.5 µl 5 ng/ µl DNA、5 µl 引物正向悬垂部分、5 µl 引物反向悬垂部分、12.5 µl 2x KAPA HiFi HotStart ReadyMix (KAPA Biosystems)。使用 LPG 中报告的循环程序。 PCR 产物在 2% 琼脂糖凝胶（GellyPhor LE，Euroclone SPA，意大利米兰）上电泳分离，并用 GelRed™ 核酸凝胶染料（Biotium，美国加利福尼亚州海沃德）染色。通过紫外光透射仪观察预期长度的 PCR 产物的存在。然后，用 NucleoMag 试剂盒纯化 DNA 扩增子以清理和选择 NGS 文库制备反应的大小（Macherey-Nagel），并按照制造商的说明使用 Illumina® DNA/RNA UD Indexes Tagmentation 试剂盒对每个样本进行索引。在验证和定量之前，对文库进行进一步纯化。在 Agilent 4150 TapeStation D1000 ScreenTape 检测仪（安捷伦科技公司）上对文库进行验证，以验证大小，而定量则使用 Qubit 4 荧光计（赛默飞世尔科技，美国）。根据 DNA 扩增子的大小，应用 Illumina LPG 中报告的公式，以 nM 为单位计算最终的 DNA 浓度。最后，将每个文库中的 5 µl 稀释 DNA 等分试样混合，以合并具有唯一索引的文库。在 Miseq 加载之前，根据 Illumina LPG 说明对合并的文库进行变性和稀释。使用 MiSeq Reagent Micro Kit v2（500 个循环）加载合并的文库，运行包括 20% PhiX 作为内部对照。生物信息学分析测序数据包含在包含带有原始读取的 FASTQ 文件的文件夹中（R1 文件包含每个样本的正向读取，R2 文件包含每个样本的反向读取），使用 FastQC（英国剑桥 Babraham Institute）进行质量检查。然后，使用 DADA2 R 包（Callahan 等人，2016 年）处理 R1 和 R2 文件以生成扩增子序列变体 (ASV)（图 1）。最终生成了 ASV 表，总结了每个样本的不同 ASV 的数量。
生活质量与糖尿病性视网膜病人的视觉特征之间的关联
近年来，健康科学研究人员说明了质量检查在管理糖尿病患者中的必要功能。在全球范围内，过去的不同研究表明，这些患者的QOL矛盾结果（6）。 根据以前的研究，DR不影响QOL（7,8）。 尽管如此，一些研究人员表示，由于DR引起的视觉障碍对患者的QOL产生了重大影响（9-11）。 因此，确定来自不同地理位置的DR患者的QOL至关重要。 尽管在印度语言中获得了国家眼科研究所-25（NEI-VFQ-25）的歧义，但在印度人群中很少进行研究，导致疾病和质量恶化，这必须调查。 在先前的研究使用Nei-VFQ-25的印地语翻译的一项研究中，来自浦那的研究人员发现DR对QOL产生负面影响（12）。 尽管马拉地语是马哈拉施特拉邦（Maharashtra）最广泛的语言，但对马哈拉施特拉邦（Maharashtra）浦那博士的QoL的研究尚未使用Marathi-translated Nei-VFQ-25出版。 这是第一项评估来自马哈拉施特拉邦DR的DR患者的VR QOL的研究，该研究采用了NEI-VFQ-25的Marathi变体，并将这些结果与视觉参数相关联。 评估DR患者的视力靶向QOL，以评估视力（VA）和对比度灵敏度（CS），这与NeiVFQ-25评分进一步相关。在全球范围内，过去的不同研究表明，这些患者的QOL矛盾结果（6）。根据以前的研究，DR不影响QOL（7,8）。尽管如此，一些研究人员表示，由于DR引起的视觉障碍对患者的QOL产生了重大影响（9-11）。因此，确定来自不同地理位置的DR患者的QOL至关重要。尽管在印度语言中获得了国家眼科研究所-25（NEI-VFQ-25）的歧义，但在印度人群中很少进行研究，导致疾病和质量恶化，这必须调查。在先前的研究使用Nei-VFQ-25的印地语翻译的一项研究中，来自浦那的研究人员发现DR对QOL产生负面影响（12）。尽管马拉地语是马哈拉施特拉邦（Maharashtra）最广泛的语言，但对马哈拉施特拉邦（Maharashtra）浦那博士的QoL的研究尚未使用Marathi-translated Nei-VFQ-25出版。这是第一项评估来自马哈拉施特拉邦DR的DR患者的VR QOL的研究，该研究采用了NEI-VFQ-25的Marathi变体，并将这些结果与视觉参数相关联。评估DR患者的视力靶向QOL，以评估视力（VA）和对比度灵敏度（CS），这与NeiVFQ-25评分进一步相关。
navila_paper.pdf
执行视觉和语言导航（VLN）的能力已成为现代机器人系统中的基础组成部分。使用VLN，一个机器人有望根据语言说明[1-6]在没有提供的地图的情况下在看不见的环境周围导航。这不仅为人类提供了更好的相互作用，而且还通过语言加强了跨场所的概括。在本文中，我们通过腿部机器人（例如四倍或人形生物）进一步扩展了VLN的研究。使用腿而不是轮子可以使机器人在更具挑战性和混乱的场景中导航。如图1，我们的机器人可以在狭窄的人行道上浏览一个凌乱的实验室空间，从房屋中的房间过渡到房间，以及解决户外挑战性的环境，例如带有小岩石，孔和槽的不均匀地形。要将语言转换为动作，机器人需要对输入语言进行推理，并执行闭环计划以及低级控制。随着大语言模型（LLM）和视觉模型（VLM）的最新进展，已经开发了几个端到端视觉语言动作（VLA）系统[7-9]。这些系统对具有大规模的机器人操纵演示的通用Propose VLM微调，以产生低级动作。虽然在单个模型中统一推理和执行令人着迷，并且表现出令人鼓舞的结果，但值得深入研究以下问题：是否有更好的方法来代表量化的低级命令以外的动作？毕竟，LLM和VLM主要接受了自然语言的培训。当我们需要将推理转换为精确的非语言行动时，统一推理和执行变得具有挑战性。受到VLM [10，11]的最新进展的启发，我们提出了纳维拉（Navila）的提议，这是一个针对腿部机器人VLN的两个级别框架：VLM的两级框架，可以很好地输出中级动作（VLA），以“右转30度”的策略，以及训练的范围，以“转向30度”。VLA的中级动作输出无需低级命令传达位置和方向信息。该框架的优点是三个方面：（i）通过将低级执行与VLA分解，可以通过交换低级策略来在不同的机器人上应用相同的VLA； （ii）将动作表示为中级语言指令，可以通过不同的数据源进行VLA培训，包括真实的人类视频和推理质量检查任务。这可以增强推理功能，而不会过度拟合特定的低级命令，并可以利用现实世界数据进行概括； （iii）Navila在两个不同的时间尺度上运行：VLA通常是一个大型且计算密集的模型，以较低的频率运行，提供高级导航命令；运动策略实时运行。这种双频方法允许
将数字病理与多部的整合
参考文献1。Tomczak，K.，P。Czerwinska和M. Wiznerowicz，《癌症基因组地图集》（TCGA）：不可估量的知识来源。当代Oncol（POZN），2015年。19（1a）：p。 A68-77。2。Vandereyken，K.，A。Sifrim，B。Thienpont和T. Voet，单细胞和空间多词的方法和应用。nat Rev Genet，2023。24（8）：p。 494-515。3。nahm，F.S。，接收器操作特征曲线：临床医生的概述和实际用途。韩国J麻醉剂，2022年。75（1）：p。 25-36。4。Bray，F。等，《 2018年全球癌症统计：Globocan在185个国家 /地区在全球36家癌症的发病率和死亡率估计。 ca Cancer J Clin，2018年。 68（6）：p。 394-424。 5。 Chen，L。等人，组织病理学图像和多词的整合预测肺腺癌的分子特征和存活。 前牢房Dev Biol，2021。 9：p。 720110。 6。 McQuin，C。等人，Cellprofiler 3.0：生物学的下一代图像处理。 PLOS Biol，2018年。 16（7）：p。 E2005970。 7。 Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。 ca Cancer J Clin，2021。 71（3）：p。 209-249。 8。 Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。 Future Oncol，2021。 17（13）：p。 1665-1681。 9。 J Thorac Dis，2023。 15（5）：p。 2528-2543。 10。Bray，F。等，《 2018年全球癌症统计：Globocan在185个国家 /地区在全球36家癌症的发病率和死亡率估计。ca Cancer J Clin，2018年。68（6）：p。 394-424。5。Chen，L。等人，组织病理学图像和多词的整合预测肺腺癌的分子特征和存活。前牢房Dev Biol，2021。9：p。 720110。6。McQuin，C。等人，Cellprofiler 3.0：生物学的下一代图像处理。PLOS Biol，2018年。16（7）：p。 E2005970。7。Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。 ca Cancer J Clin，2021。 71（3）：p。 209-249。 8。 Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。 Future Oncol，2021。 17（13）：p。 1665-1681。 9。 J Thorac Dis，2023。 15（5）：p。 2528-2543。 10。Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。ca Cancer J Clin，2021。71（3）：p。 209-249。8。Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。Future Oncol，2021。17（13）：p。 1665-1681。9。J Thorac Dis，2023。15（5）：p。 2528-2543。10。Hu，J。等人，基于数字病理学和HR（+）/HER2（ - ）乳腺癌基于数字病理和深度学习的临床病理特征，多摩学事件和预后的预测。Koch，S.，J。Schmidtke，M。Krawczak和A. Caliebe，多基因风险评分的临床实用性：关键的2023年评估。 J社区基因，2023年。 11。 OTA，M。和K. Fujio，《免疫介导疾病精确医学的多摩学方法》。 炎症，2021年。 41（1）：p。 23。 12。 Arehart，C。等人，聚词风险评分预测炎症性肠病的诊断。 Biorxiv，2022。 13。Vander Laak，J。，G。Litjens和F. Ciompi，《组织病理学深度学习：通往诊所的道路》。 nat Med，2021。 27（5）：p。 775-784。 14。 ehteshami bejnordi，B。等人，对乳腺癌女性淋巴结转移的深度学习算法的诊断评估。 Jama，2017年。 318（22）：p。 2199-2210。 15。 Varga，Z。等人，KI-67免疫组织化学在2级乳腺癌中的可靠性如何？ 瑞士乳房和妇科病理学家的质量检查研究。 PLOS ONE，2012年。 7（5）：p。 E37379。 16。 Weinstein，R.S。等人，远程病理学，虚拟显微镜和整个幻灯片成像的概述：未来的前景。 Hum Pathol，2009年。 40（8）：p。 1057-69。 17。 办公室，N.A。，政府数字化转型：解决效率的障碍。 2023。 18。 2016，马萨诸塞州剑桥：麻省理工学院出版社。Koch，S.，J。Schmidtke，M。Krawczak和A. Caliebe，多基因风险评分的临床实用性：关键的2023年评估。J社区基因，2023年。11。OTA，M。和K. Fujio，《免疫介导疾病精确医学的多摩学方法》。炎症，2021年。41（1）：p。 23。12。Arehart，C。等人，聚词风险评分预测炎症性肠病的诊断。Biorxiv，2022。13。Vander Laak，J。，G。Litjens和F. Ciompi，《组织病理学深度学习：通往诊所的道路》。nat Med，2021。27（5）：p。 775-784。14。ehteshami bejnordi，B。等人，对乳腺癌女性淋巴结转移的深度学习算法的诊断评估。Jama，2017年。318（22）：p。 2199-2210。15。Varga，Z。等人，KI-67免疫组织化学在2级乳腺癌中的可靠性如何？瑞士乳房和妇科病理学家的质量检查研究。PLOS ONE，2012年。7（5）：p。 E37379。16。Weinstein，R.S。等人，远程病理学，虚拟显微镜和整个幻灯片成像的概述：未来的前景。Hum Pathol，2009年。40（8）：p。 1057-69。17。办公室，N.A。，政府数字化转型：解决效率的障碍。2023。18。2016，马萨诸塞州剑桥：麻省理工学院出版社。Goodfellow I，B.Y.，Courville A，深度学习。