XiaoMi-AI文件搜索系统
World File Search System鉴别
人工智能驱动的鉴别诊断列表对诊断准确性的影响医生：一项开放标签随机对照研究
摘要：背景：展示了人工智能（AI）驱动的自动病史采集系统与人工智能驱动的鉴别诊断列表对医生诊断准确性的有效性。然而，考虑到人工智能驱动的鉴别诊断列表的负面影响，例如遗漏（医生拒绝人工智能建议的正确诊断）和犯错（医生接受人工智能建议的错误诊断），应评估不带人工智能驱动的鉴别诊断列表的人工智能驱动的自动病史采集系统对医生诊断准确性的有效性。目的：本研究旨在评估带或不带人工智能驱动的鉴别诊断列表的人工智能驱动的自动病史采集系统对医生诊断准确性的有效性。方法：这项随机对照研究于 2021 年 1 月进行，纳入了 22 名在大学医院工作的医生。参与者需要阅读 16 个临床案例，其中 AI 驱动的真实患者病史为每个病例生成最多三个鉴别诊断。参与者被分为两组：有和没有 AI 驱动的鉴别诊断列表。结果：两组的诊断准确率没有显著差异（分别为 57.4% 和 56.3%；p = 0.91）。在 AI 生成的列表中包含正确诊断的案例对医生的诊断准确性显示出最大的积极影响（调整后的优势比 7.68；95% CI 4.68–12.58；p < 0.001）。在使用 AI 驱动的鉴别诊断列表的组中，15.9% 的诊断是遗漏错误，14.8% 是犯错错误。结论：医生使用人工智能驱动的自动化病史的诊断准确性在有和没有人工智能驱动的鉴别诊断列表的组之间没有差异。
具有固定不确定结果率的量子态鉴别中的相互信息和量子不和谐
摘要：我们研究了当 Bob 对两个纯非正交量子态（以任意先验概率生成）实施具有固定不确定结果率 (FRIO) 的判别时，Alice 和 Bob 共享的相互信息和量子不一致。FRIO 判别介于最小误差 (ME) 和明确状态判别 (UD) 之间。ME 和 UD 是众所周知的判别协议，在量子信息论中有多种应用。FRIO 判别提供了一个更通用的框架，可以在其中研究判别过程及其应用。在这种情况下，我们比较了最佳判别概率、相互信息和量子不一致的性能。我们发现，当 Bob 实施 ME 策略时，可以获得可访问的信息。从 Bob 测量后在初始状态中丢失并在最终状态中保留的相关性的角度来看，最（最）有效的判别方案是 ME (UD)。
使用多尺度多类型特征生成对抗性深度神经网络对结构磁共振图像进行额颞叶痴呆、阿尔茨海默病和正常衰老的鉴别诊断
作为第一大和第三大常见的痴呆症，阿尔茨海默病（AD） ( Association et al., 2011 ) 和额颞叶痴呆（FTD） ( Bang et al., 2015 ) 经常被误认为是彼此。这是由于它们在临床表现、认知领域障碍、脑萎缩以及语言能力、行为和人格的进行性改变方面具有相似性（ Neary et al., 2005; Alladi et al., 2007; Womack et al., 2011 ）。尽管在建立完善的临床鉴别诊断指南方面付出了巨大努力，但诊断的准确性仍然不令人满意。具体而言，当使用 NINCDS-ADRDA 标准（ Neary et al., 1998 ）进行诊断时，区分 AD 患者和 FTD 患者的灵敏度可高达 93%；然而，由于大多数 FTD 患者也符合 NINCDS-ADRDA 的 AD 标准（Varma 等人，1999 年），因此 FTD 识别的特异性仅为 23%。由于临床实践中需要对不同痴呆亚型应用不同的对症干预治疗（Pasquier，2005 年），因此开发计算机辅助诊断系统以提高这两种痴呆症鉴别诊断的准确性至关重要。在 T1 加权磁共振成像 (MRI) 中观察到的脑萎缩模式已成功用于捕捉人脑的结构变化（Du 等人，2007 年；Davatzikos 等人，2011 年），特别是用于开发可以识别大脑痴呆病理类型的计算系统。已针对 AD 和 FTD 建立了带有 MRI 的计算机辅助诊断系统（Suk 等人，2014 年；Jiskoot 等人，2018 年）。除了与正常衰老进行二元分类外，T1 加权 MRI 还用于 AD 和 FTD 的鉴别诊断，通过区分这两种痴呆症的萎缩模式（例如受影响的区域和变化率）来进行鉴别诊断（Raamana 等人，2014 年）。人们探索了各种结构生物标志物来区分 AD 和 FTD，例如灰质 (GM) 体积减少（Rabinovici 等人，2008 年）、皮质变薄（Du 等人，2007 年）、基于整个大脑 GM 和白质 (WM) 体积分布的高维特征（Davatzikos 等人，2008 年），以及单个结构的萎缩和形状畸形（Looi 等人，2010 年）。之前大多数关于痴呆分类的计算机辅助诊断系统的研究都侧重于二元分类任务，例如 NC vs. FTD、NC vs. AD 或 FTD vs. AD，文献中很少有直接的多类痴呆分类方法。Raamana 等人比较了多种结构特征，例如体积、拉普拉斯不变量和表面位移
家庭对儿童烧伤的鉴别...
摘要 烧伤仍然是全球南方国家死亡和残疾的重要原因，儿童是其中最脆弱的群体之一。在南非，烧伤是人口稠密和能源匮乏社区的严重健康和经济负担。本研究使用来自 19 家医疗机构的烧伤二手数据来区分三种家用能源（木柴、石蜡和电力）的烫伤和火焰烧伤风险。样本为 2 933 例儿童烧伤患者，主要分析程序为描述性统计和逻辑回归分析。结果显示，52% 的烧伤患者报告受伤时使用家用能源为电力。大多数烧伤是烫伤（85.3%），婴幼儿的风险最大。与火焰烧伤相比，木材和石蜡之间的差异与烫伤增加三倍有关，而石蜡和电力之间的差异表明烫伤增加七倍，木材和电力之间的差异表明烫伤增加十九倍。这表明，尽管贫困家庭继续使用电气设备，但该国在解决儿童烧伤问题方面仍面临挑战。该研究建议改善低收入家庭使用的电器监管，并有针对性地开展家庭安全教育活动。
利用 MRI 选定特征进行阿尔茨海默病和血管性痴呆鉴别诊断的机器学习方法
1 英国伦敦伦敦大学学院皇后广场神经病学研究所皇后广场 MS 中心脑科学学院神经炎症系 NMR 研究组，2 意大利帕维亚大学电气、计算机和生物医学工程系，3 意大利帕维亚 IRCCS 蒙迪诺基金会脑 MRI 3T 研究中心，4 意大利帕维亚 IRCCS 蒙迪诺基金会中风科，5 意大利帕维亚 IRCCS 蒙迪诺基金会神经心理学实验室和行为神经病学组，6 意大利帕维亚大学脑与行为科学系，7 意大利帕维亚 IRCCS 蒙迪诺基金会头痛中心，8 英国伦敦伦敦大学学院医学图像计算中心医学物理和生物医学工程系，9 意大利米兰 IRCCS 圣多纳托综合医院放射科，10 意大利米兰拉斐尔生命与健康大学科学研究所， 11 意大利帕维亚 IRCCS 蒙迪诺基金会急诊神经病学部，12 意大利帕维亚 IRCCS 蒙迪诺基金会脑连接中心
机器学习分类器在前颅底病变鉴别中的应用
前颅底有多种病变。该区域最常见的肿瘤类型是垂体腺瘤、颅咽管瘤和脑膜瘤（1、2）。Rathke 裂囊肿也是与先天性鞍区肿块鉴别诊断的常见方法（3）。早期诊断该区域病变的重要性已得到强调，因为即使是这些良性病变，如果位于无法控制生长的区域，也可能呈进行性、持续性发展，有些病变还可能表现出侵袭性（4）。磁共振（MR）扫描具有良好的软组织分辨率，因此被强烈推荐用于前颅底病变的术前评估。磁共振成像（MRI）对这四种类型病变的描述具有特征性（5）。然而，MRI 图像的诊断准确性取决于放射科医生的经验，在某些情况下，具有相似 MRI 模式的病变可能彼此相似并使放射学诊断复杂化（6，7）。因此，有助于术前鉴别的新方法可能具有临床价值。放射组学可以从医学图像中提取高维特征，提供与病变病理生理相关的信息，而这些信息难以通过肉眼检查获得（8-10）。此外，可以利用新型机器学习技术分析病变的可挖掘放射组学特征，该技术在生物医学领域显示出良好的应用前景（11）。基于放射组学的机器学习已在先前的研究中应用于各种脑肿瘤的鉴别诊断，代表着在临床实践中应用于促进诊断和指导决策的潜力（12-16）。本研究评估了机器学习技术结合MRI影像组学特征和临床参数对前颅底四种常见病变的鉴别诊断能力。根据病变的流行病学和部位，将鉴别诊断分为三组：垂体腺瘤与颅咽管瘤（鞍区/鞍上区最常见的肿瘤）、脑膜瘤与颅咽管瘤（鞍旁区最常见的肿瘤）以及垂体腺瘤与Rathke裂囊肿（鞍内区最常见的病变）。
直接体内 MRI 鉴别脑干核团和通路
以便更好地确定脑干外科手术的安全进入区。12、13然而，这种整体方法没有考虑到病理学中经常发生的解剖扭曲（即没有人对正常脑干进行手术）。不幸的是，大多数基于立体定向成像的脑图谱都强调了皮质、白质或间脑内特定功能性神经外科手术目标的分辨率。14-18基于图像的脑干内部解剖详细分区仍然很少。19、20广泛使用的FreeSurfer（http://surfer.nmr.mgh.harvard.edu）分区为整个脑干提供了单个图谱标签，而较新的脑干子结构算法仅将脑干分为“中脑”、“脑桥”和“延髓”。21-23
多方 QKD 的广义顺序状态鉴别及其光学实现
顺序状态鉴别是一种针对 N 个分离接收方的策略。由于顺序状态鉴别可以应用于多方量子密钥分发 (QKD)，它已成为量子信息理论中的相关研究领域之一。到目前为止，顺序状态鉴别的分析仅限于特殊情况。在本报告中，我们考虑了顺序状态鉴别的广义化。在这里，我们不限制先验概率以及量子态和接收方的数量。我们表明广义顺序状态鉴别可以表示为优化问题。此外，我们研究了两个量子态的广义顺序状态鉴别的结构并将其应用于多方 QKD。我们证明，当接收方数量不太多时，两个纯态的广义顺序状态鉴别可以适用于多方 QKD。此外，我们表明两个混合状态的广义顺序状态鉴别可以以较高的最佳成功概率进行。这个最佳成功概率甚至高于量子复制和量子广播策略。因此，混合状态的广义顺序状态鉴别足以执行多方 QKD。此外，我们证明了广义顺序状态鉴别可以通过使用线性光学实验实现。最后，我们分析了最佳顺序状态鉴别提供的多方 QKD 安全性。我们的分析表明，即使在低信道效率下，多方 QKD 也能保证非零密钥速率。
直接体内 MRI 鉴别脑干核团和通路
以便更好地确定脑干外科手术的安全进入区。12、13然而，这种整体方法没有考虑到病理学中经常发生的解剖扭曲（即没有人对正常脑干进行手术）。不幸的是，大多数基于立体定向成像的脑图谱都强调了皮质、白质或间脑内特定功能性神经外科手术目标的分辨率。14-18基于图像的脑干内部解剖详细分区仍然很少。19、20广泛使用的FreeSurfer（http://surfer.nmr.mgh.harvard.edu）分区为整个脑干提供了单个图谱标签，而较新的脑干子结构算法仅将脑干分为“中脑”、“脑桥”和“延髓”。21-23
功能脑图分析与计算机测试有效鉴别轻度认知障碍
社区居住的非裔美国老人患轻度认知障碍 (MCI) 或阿尔茨海默病及相关痴呆症的可能性是老年白人的两倍，因此他们是需要早期监测的重要高危群体。由于成本和负担，更广泛的影像学或脑脊液研究存在重大障碍。我们将功能连接和图论测量（源自静息态脑电图 (EEG) 记录）与计算机化认知测试相结合，以基于社区居住的非裔美国老人样本识别 MCI 患者与健康对照者之间的差异。我们发现 MCI 患者的功能连接显著下降，图拓扑结构整合度较低。功能连接、拓扑和认知测量相结合对于预测 MCI 非常有效，而且综合测量方法比单一方法更有效。具体而言，通过将认知特征与功能连接和拓扑特征相结合，与使用单一认知或 EEG 域特征进行分类相比，预测结果有所改善，准确率为 86.5%，而最佳单一方法的准确率为 77.5%。居住在社区的非裔美国老年人认为 EEG 和计算机化测试可以接受，并且在区分健康对照者和居住在社区的 MCI 患者方面，结果很有希望。