XiaoMi-AI文件搜索系统
World File Search SystemAUCS
npj |数字医学
肿瘤内异质性对复发性胶质母细胞瘤的诊断和治疗构成了重大挑战。本研究涉及对每个患者整个病变中组织病理学改变的异质景观的非侵入性方法的需求。我们开发了一种生物知识的神经网络Bionet，以预测两个主要组织基因模块的区域分布：增殖肿瘤（Pro）和反应性/炎症细胞（INF）。Bionet显着胜过现有方法（P <2E-26）。在交叉验证中，Bionet的AUC为0.80（Pro）和0.81（INF），精度分别为80％和75％。在盲试验中，Bionet的AUC为0.80（Pro）和0.76（INF），精度为81％和74％。竞争方法的AUC较低或0.6左右，精度较低或约70％。Bionet的体素级预测图显示了肿瘤内异质性，有可能改善靶向活检和治疗评估。这种非侵入性方法促进了定期监测和及时的治疗调整，突出了ML在精确医学中的作用。
增强双能计算机断层扫描的定量参数，用于区分肺癌与固体肺结节中的良性病变
Results: The independent factors for differentiating lung cancers from benign solid pulmonary nodules included diameter, Lung-RADS categorization of diameter, volume, Zeff in arterial phase (Zeff_A), IC in arterial phase (IC_A), NIC in arterial phase (NIC_A), Zeff in venous phase (Zeff_V), IC in venous phase (IC_V), and NIC in venous phase （NIC_V）（全p <0.05）。由直径和NIC_V组成的IC_V，NIC_V和组合模型表现出良好的诊断性能，AUC为0.891、0.888和0.893，它们优于直径，直径，直径，体积，体积，Zeff_a和Zeff_A和Zeff_V（Zeff_A和Zeff_V（所有p <0.001））的直径分类。IC_V，NIC_V和组合模型的灵敏度高于IC_A和NIC_A的灵敏度（全部p <0.001）。与IC_V（P = 0.869）或NIC_V（P = 0.633）相比，组合模型没有增加AUC。
研究纸盐限制和血管紧张素转换酶抑制剂提高了盐敏感性高血压中小动脉的反应性
背景：微RNA（miR）表达与2型糖尿病（T2DM）的发病机理有关。这项研究研究了T2DM患者的血浆miR-29a，miR-146a和miR-147b的表达水平及其与临床参数的相关性。方法：105例T2DM患者将新诊断为T2DM（n = 52）或已治疗的T2DM（n = 53），并包括93个健康个体。通过实时PCR对miR-29a，miR-146a和miR-147b的表达水平进行了分析，并分析了可能与T2DM的关联。结果：与健康对照组相比，T2DM患者的miR-29a和miR-147b的表达显着增加（p <0.0001）。新诊断的T2DM患者中miR-29a的表达水平高于处理过的T2DM组（P = 0.002）。所研究的miR的表达与多个临床参数（例如血糖水平，HbA1c，微珠蛋白尿，C肽，甘油三酸酯水平以及HOMA-β指数）相关。miR-29a和miR-147b的表达水平显示出潜在的诊断性能，以区分新诊断的T2DM（分别为AUCS = 0.77和0.84）和β细胞功能障碍（分别为AUCS = 0.62和0.75）。结论：T2DM患者的血浆miR-29a和miR-147b表达水平与T2DM显着相关，而miR-146a与T2DM有关的证据很差。miR-147b作为诊断T2DM和胰腺β细胞功能障碍的生物标志物的潜力。
脑电图谱的机器学习在GABA能麻醉期间对无意识进行了分类
在当前的麻醉学实践中，麻醉师推断出无意识状态，而无需直接监测大脑。药物和患者特异性的脑电图（EEG）特定的麻醉引起的潜意识的特征已被鉴定。我们将机器学习方法应用于构建分类模型，以在麻醉引起的无意识期间对无意识状态的实时跟踪。我们使用交叉验证选择和训练最佳性能模型，使用33,159 2S段的脑电图数据记录在7位健康志愿者中，他们收到了丙泊酚越来越多的兴奋剂，同时响应刺激，以直接评估无意识。在相同条件下收集的3个剩下的志愿者（中位志愿者AUCS 0.99-0.99）对13,929 2s EEG段进行测试时，的交叉验证模型表现出色。 模型在对27名手术患者的队列进行测试时显示出强烈的概括，这些手术患者在不同的情况下仅接受单独的临床数据集中收集的丙泊酚，并使用不同的硬件（中位患者AUC 0.95-0.98），并在病例中采取了模型预测，并采取了模型预测。 对17例接受七氟醚（单独或除丙泊酚之外）的患者的表现也很强（AUC中位数为0.88-0.92）。 这些结果表明，即使对具有类似神经机械的不同麻醉剂进行测试，EEG光谱特征也可以预测不同意性。的交叉验证模型表现出色。模型在对27名手术患者的队列进行测试时显示出强烈的概括，这些手术患者在不同的情况下仅接受单独的临床数据集中收集的丙泊酚，并使用不同的硬件（中位患者AUC 0.95-0.98），并在病例中采取了模型预测，并采取了模型预测。对17例接受七氟醚（单独或除丙泊酚之外）的患者的表现也很强（AUC中位数为0.88-0.92）。这些结果表明，即使对具有类似神经机械的不同麻醉剂进行测试，EEG光谱特征也可以预测不同意性。有了高性能的无意识预测，我们可以准确地监测麻醉状态，并且该方法可用于设计输液泵，以对患者的神经活动有明显的反应。
影响脑动静脉畸形破裂预测模型性能的因素
摘要背景：很多情况下，患者脑动静脉畸形（bAVM）的破裂率及血管内治疗或手术治疗（当不适合进行放射外科治疗时）的风险均不低，因此在治疗前更谨慎地评估破裂风险显得尤为重要。本文基于目前的高危预测因素及临床资料，采用不同的样本量、采样时间和算法构建bAVM出血风险预测模型，并研究模型的准确性和稳定性，旨在提醒研究者在开发类似的预测模型时可能存在一些陷阱。方法：收集353例bAVM患者的临床资料，在构建bAVM破裂预测模型时，改变训练集与测试集的比例，增加采样次数，通过逻辑回归（LR）算法和随机森林（RF）算法构建bAVM破裂预测模型。采用曲线下面积（AUC）评价模型的预测性能。结果：两种算法建立的预测模型性能都不理想（AUC：0.7或更低）。不同样本量的LR算法建立的模型的AUC优于RF算法（0.70 vs 0.68，p < 0.001）。两种不同样本量的预测模型的AUC标准差（SD）范围较宽（最大范围> 0.1）。结论：基于目前的风险预测因子，可能难以建立稳定准确的bAVM出血风险预测模型。与样本量和算法相比，有意义的预测因子对于建立准确稳定的预测模型更为重要。关键词：脑动静脉畸形，Logistic回归，随机森林，预测模型，AUC
基于磁共振成像的深度学习成像生物标志物，用于预测急性缺血性中风后的功能结果
目的：临床风险评分对于预测中风患者的预后至关重要。深度学习 (DL) 技术的进步为使用磁共振 (MR) 图像开发预测应用程序提供了机会。我们旨在开发一种基于 MR 的 DL 成像生物标志物，用于预测急性缺血性中风 (AIS) 的预后，并评估其对当前风险评分的额外益处。方法：本研究包括 3338 名 AIS 患者。我们使用深度神经网络架构在 MR 图像和放射组学上训练了一个 DL 模型，以预测中风后三个月的不良功能结果。DL 模型生成了一个 DL 分数，作为 DL 成像生物标志物。我们将该生物标志物的预测性能与保留测试集上的五个风险评分进行了比较。此外，我们评估了将影像生物标志物纳入风险评分是否能提高预测性能。结果：DL 影像生物标志物的受试者工作特征曲线下面积 (AUC) 为 0.788。所研究的五个风险评分的 AUC 分别为 0.789、0.793、0.804、0.810 和 0.826。影像生物标志物的预测性能与四个风险评分相当，但不如一个 (p = 0.038)。将影像生物标志物添加到风险评分中，AUC（p 值）分别提高至 0.831 (0.003)、0.825 (0.001)、0.834 (0.003)、0.836 (0.003) 和 0.839 (0.177)。净重新分类改进和综合判别改进指数也显示出显着改善（所有 p < 0.001）。结论：使用 DL 技术创建基于 MR 的影像生物标志物是可行的，并提高了当前风险评分的预测能力。
对我们的鼻窦节奏中心电图的深度学习
结果我们使用了908,341个ECG的队列。ECG来自6个平均年龄62.4岁，女性6.4％，非白人37.6％的患者，非白人，平均CHA2DS2-VASC得分为1.9。在非VA学术医学中心，平均年龄为59.5岁，女性为52.5％，非白人25.2％，平均CHA2DS2-VASC得分为1.6。A deep learning model predicted the presence of atrial fibrillation within 31 days of a sinus ECG with AUCs of 0.86 (95% CI 0.85-0.86) and 0.93 (0.93-0.94), accuracies of 0.78 (0.77-0.78) and 0.87 (0.86-0.88), F1 scores of 0.30 (0.30-0.31) and 0.46 （0.44-0.48）分别在VA和非VA医院进行的淘汰测试ECG。该模型在所有地点的勃起得分为0.02。在个人深度学习中被认为是高风险的个人中，筛查检测AF阳性案例所需的数量为2.5个人，测试敏感性为25％和11.5，为75％。黑人，女性，年龄在65岁以下的患者中，模型性能相似，或者具有CHA2DS2-VASC评分≥2。
脑肿瘤放射基因组分类和...
2022年6月的机器学习（ML）型号。使用所有MRI序列（T1WI，T2WI，对比度增强（CE），Flair，DWI_B_HIGH，DWI_B_LOW和ADC）建立了第一种类型，而第二种类型是使用单个MRI序列建立的。结果使用最大相关性和最小冗余技术来基于所有序列找到ML模型的七个放射线特征。在训练和验证集中，预测精度分别为0.993和0.750，曲线下的面积（AUC）的面积分别为1.000和0.754。对于基于单个序列的ML模型，所选特征的数量为T1WI，T2WI，CE，CE，FLAIR，DWI_B_HIGH，DWI_B_LOW和ADC的8、10、10、13,9、7和6，分别为0.797〜1.000 〜1.000和0.583 〜0.583〜0.694
o r i g i n a l r e s a r c h分析多模式MRI图像中定量特征的值，用于构建用于乳房C
目的：分析多模式磁共振成像（MRI）图像中定量特征的诊断值，以构建用于乳腺癌的无线电摩学模型。方法：根据病理学发现，从2020年1月至2021年1月至2021年1月的95例患有乳房相关疾病的患者分为良性组（n = 57）和恶性组（n = 38）。所有病例均根据检查时间随机分为训练组（n = 66）和验证组（n = 29）（n = 29）。通过T1加权成像（T1WI），T2加权成像（T2WI），扩散加权成像（DWI），动态对比度增强（DCE）和明显的扩散系数（ADC）多模型MRI MRI，对所有受试者进行了检查。针对病理发现分析了MRI发现。构建了诊断性乳腺癌放射素学模型。分析了验证组中模型的诊断功效，并通过ROC曲线分析了诊断功效。结果：纤维肾上腺瘤占良性乳房疾病的49.12％，侵入性导管癌占恶性乳腺癌的73.68％。使用四倍方法，使用四倍的表方法，T1WI，T2WI，DWI，ADC和DCE在诊断乳腺癌中的敏感性为61.14％，66.67％，73.30％，78.95％和85.96％。用于诊断乳腺癌的T1WI，T2WI，DWI，ADC和DCE曲线下的面积分别为0.715、0.769、0.785、0.835和0.792。结论：多模式MRI图像中定量特征的构建无线电摩学模型对于乳腺癌的诊断很有价值。普通扫描，扩散，增强，普通扫描 +扩散，普通扫描 +增强，增强 +扩散的AUC和用于诊断乳腺癌的普通扫描 +增强 +弥漫性为0.746、0.798、0.816、0.816、0.839、0.839、0.890、0.890、0.906和0.906和0.92727。在诊断乳腺癌中，诸如普通扫描 +增强 +弥漫性之类的放射摩学模型的价值高于其他模型，并且可以广泛应用于临床实践。关键字：MRI，定量特征，成像组织学，模型，乳腺癌，诊断
使用受控衰减参数作为参考
目的：本研究的目的是使用受控的衰减参数（CAP）基于脂肪变性级别作为参考标准，研究用于评估肝脂肪变性的射频（RF）数据分析的定量超声（US）参数的价值。方法：我们通过RF数据采集和CAP测量分析了243名B模式肝脏的参与者。在B模式US图像上，肝脂肪变性在视觉上进行评分（0/1/2/3，无/中度/中/重度），并计算了肝烯元指数（HRI）。测量了肝实质的RF数据分析，组织散射 - 分布成像参数（TSI-P）和组织衰减成像参数（TAI-P）。US参数与基于CAP的脂肪变性等级（S0/1/2/3，无/中等/重度）相关，并使用接收器操作特征（ROC）曲线分析评估其诊断性能。进行了多元线性回归分析，以识别TSI-P和TAI-P的决定因素。结果：在CAP测量值上，参与者分类为具有S0（n = 152），S1（n = 54），S2（n = 14）和S3（n = 23）的参与者。tsi-p和tai-p与脂肪变性级显着相关（ρ= 0.593和ρ= -0.617，两者的p <0.001）。用于预测≥S1，≥S2和S3，TSI-P的ROC曲线（AUC）下的面积为0.827/0.914/0.917； Tai-P，0.844/0.914/0.909;视觉分数为0.659/0.778/0.794；和HRI分别为0.629/0.751/0.759。TSI-P和TAI-P的AUC明显高于视觉评分或HRI≥s1或≥S2（P≤0.003）。结论：从美国RF数据中得出的TSI-P和TAI-P可能有助于检测肝脂肪变性并评估其严重程度。在多变量分析中，基于瞬态弹性摄影级（p = 0.034）和脂肪变性级（p <0.001）是TSI-P的独立决定因素，而脂肪变性级（P <0.001）是TAI-P的独立决定因素。