XiaoMi-AI文件搜索系统
World File Search SystemAuc
人工智能检测眼部视乳头水肿...
结果 来自 6779 名患者的训练和验证数据集包括 14,341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统对视乳头水肿检测的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
人工智能通过眼底照片检测视乳头水肿
结果 来自 6779 名患者的训练和验证数据集包括 14,341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统对视乳头水肿检测的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
避免了与COVID-19
结果：根据RECIST标准，三分之一的患者对NAB-甲氟甲酰胺有显着反应，而五分之一的患者没有明显的益处。根据投影> 1和折叠变化> 2的可变重要性的标准，我们分别确定了渐进疾病（PD）与部分反应（PR），PD与稳定疾病（SD）和SD VS VS VS VS PR组之间的61、81和54差异代谢物。此外，我们在逻辑回归模型和ROC诊断曲线中使用了三种变异来识别最佳代谢物，以分层化学治疗反应不同的患者。The PD vs SD, SD vs PR, and PD vs PR groups were well separated on the basis of cis-9,10-epoxystearic acid/octapentaenoic acid (AUC 0.9330), salicyluric acid/DG (18:1/20:5/0:0) (AUC 1.0000) and D-glyceric acid/9,12-octadecadienoic acid (AUC分别为1.0000）。
检查易于开展业务的决定因素
APA引用Eldarawy，O。（2024）。对经商便利性的决定因素的研究：世界经济学的观点[硕士论文，开罗的美国大学]。AUC知识喷泉。https://fount.aucegypt.edu/etds/2272 MLA引用Eldarawy，Omar。对易于开展业务的决定因素的研究：来自世界经济的观点。2024。在开罗的美国大学，硕士论文。AUC知识喷泉。https://fount.aucegypt.edu/etds/2272
人工智能在高等教育中的应用：埃及大学教师观点研究
APA 引用 Sharawy, FS (2023)。人工智能在高等教育中的应用：对埃及大学教师观点的研究 [开罗美国大学硕士论文]。AUC 知识喷泉。https://fount.aucegypt.edu/etds/2095 MLA 引用 Sharawy, Farah S.。人工智能在高等教育中的应用：对埃及大学教师观点的研究。2023。开罗美国大学，硕士论文。AUC 知识喷泉。https://fount.aucegypt.edu/etds/2095
GPT-4作为缺血性中风管理中的临床决策支持工具：评估研究
背景：脑血管疾病是全球第二大死亡原因，也是残疾负担的主要原因之一。人工智能的进步有可能彻底改变医疗保健的服务，尤其是在诸如缺血性中风管理等关键决策情况下。目标：本研究旨在评估GPT-4在为急诊科神经病学家提供临床支持的有效性，通过将其建议与急性缺血性中风管理中的专家意见和现实成果进行比较。方法：回顾性审查了100例急性中风症状患者的队列。用于决策的数据包括患者的病史，临床评估，成像研究结果以及其他相关细节。每个病例都独立呈现给GPT-4，该病例提供了有关治疗适当性，使用组织纤溶酶原激活剂以及需要进行血管内血栓切除术的规模建议（1-7）。此外，GPT-4估计了每位患者的90天死亡率概率，并阐明了其为每个建议的推理。然后将建议与中风专家的意见和实际治疗决策进行比较。结果：在我们的100例患者的队列中，GPT-4的治疗建议与专家意见（曲线下的面积[AUC] 0.85，95％CI 0.77-0.93）和实际治疗决策（AUC 0.80，95％CI 0.69-0.91）。值得注意的是，在某些情况下，GPT-4建议比人类专家更具侵略性的治疗方法，其中11个实例，GPT-4建议对专家意见进行组织纤溶酶原激活剂的使用。gpt-4在建议血管血栓切除术（AUC 0.94，95％CI 0.89-0.98）中与现实世界的决策显示出几乎完美的一致性，并且对组织纤溶酶原激活剂治疗（AUC 0.77，95％CI 0.68-0.86）进行了强有力的一致性。为了进行死亡率预测，GPT-4在其前25个高风险预测中的13例死亡中有10个（77％）（AUC 0.89，95％CI 0.8077-0.9739;危险比6.98，95％CI 2.88-16.9; p <.001; p <.001; p <.001; p <.001），诸如p <.001），诸如p <.001），诸如实践模型，均录制了> 70；和前提（AUC 0.77； P = .07）。结论：这项研究证明了GPT-4是急性中风管理中可行的临床决策支持工具的潜力。其提供可解释建议的能力，而无需结构化数据输入与
Graphsynergy：网络启发的反癌药物组合预测的深度学习模型
图2。鉴于药物CombDB数据集上的不同药物，细胞系和组织的预测性能。 A. 药物和细胞系的预测性能的分布。 x轴表示ROC -AUC的值。 y轴表示相应的ROC -AUC值的频率。 B. 及其相应的ROC-AUC值的药物和细胞系相关蛋白质的数量分布。 C.药物和细胞系的平均蛋白质平均程度及其相应的ROC-AUC值的分布。 在B.和C.中，这些线是带有灰色阴影的插入线，表示拟合误差。 D.所有细胞系的ROC-AUC值的组织特异性分布。鉴于药物CombDB数据集上的不同药物，细胞系和组织的预测性能。A.药物和细胞系的预测性能的分布。x轴表示ROC -AUC的值。y轴表示相应的ROC -AUC值的频率。B.及其相应的ROC-AUC值的药物和细胞系相关蛋白质的数量分布。C.药物和细胞系的平均蛋白质平均程度及其相应的ROC-AUC值的分布。在B.和C.中，这些线是带有灰色阴影的插入线，表示拟合误差。D.所有细胞系的ROC-AUC值的组织特异性分布。
定量DCE-US成像协议的新校准设置：朝标准化
方法：此校准方法已被设计为易于重现和优化，从而减少了所需的时间和成本。它是基于原始设置，其中包括使用浓度分离器来测量从时间强度曲线（AUC）下从面积（AUC）获得的谐波信号强度的变化作为各种对比剂浓度的函数。分离器提供了4种不同的浓度，同时从Sonovue™对比剂的初始浓度的12.5至100％不等（Bracco Imaging S.P.A.，米兰，意大利），在单个注射中测量4个AUC。AUC的图作为四个对比剂浓度的函数表示谐波信号的强度变化：斜率是校准参数。通过这种方法的标准化暗示，两代超声扫描仪都必须具有相同的斜率为校准。此方法已在同一制造商（Aplio500™，Aplioi900™，佳能医疗系统，日本东京）的两个超声扫描仪上进行了测试。APLIO500™使用了最初的多中心DCE-US研究定义的设置。已经调整了Aplioi900™的机械索引（MI）和颜色增益（CG），以匹配Aplio500™的颜色。根据测量可重复性评估了新设置的可靠性，一旦对两个超声扫描仪进行校准，获得的测量值之间的一致性可重复性。
大脑特异性生物标志物作为动脉瘤性出血后的死亡率预测因子
摘要：动脉瘤性蛛网膜下腔出血（ASAH）是一种严重的疾病，患有高死亡率和高永久性残疾率，对于那些在初次出血的人来说。这项研究的目的是研究中枢神经系统的标志物，作为ASAH之后潜在的院内死亡率预测因子。在ASAH后的第1、2和3天，在血液和脑脊液（CSF）中测量了具有外部室外排水酶，烯醇酶，S100B和GFAP水平的患者。Compared to survivors, non-survivors showed a significantly higher peak of S100B and enolase levels in the blood (S100B: 5.7 vs. 1.5 ng / mL, p = 0.031; enolase: 6.1 vs. 1.4 ng / mL, p = 0.011) and the CSF (S100B: 18.3 vs. 0.9 ng / mL, p = 0.042;烯醇酶：109.2 vs. 6.1 ng / ml，p = 0.015）。烯醇酶在血液中的最高可预测性水平（AUC为0.873）和CSF中的80.0 ng / ml（AUC为0.889）中显示出最高水平。S100B的预测能力也非常好，血液中的阈值为5.7 ng / ml（AUC 0.825）和CSF中的4.5 ng / ml（AUC 0.810）。总而言之，烯醇酶和S100B（但不是GFAP）可能是适合于早期预测ASAH后院内死亡率的生物标志物。
及时利用随机信号分析和机器学习技术的及时ICU结果预测，可容纳生命体征数据
摘要 - ICU是一个专门的医院部门，可为高风险的患者提供重症监护。重新征收护理的巨大负担需要准确，及时的ICU结果预测，以减轻重症监护需求施加的经济和医疗保健负担。现有的研究面临着挑战，例如提取困难，准确性低和资源密集的功能。一些研究探索了利用原始临床输入的深度学习模型。但是，这些模型被认为是不可解剖的黑匣子，从而阻止了它们的广泛应用。该研究的目的是使用随机信号分析和机器学习技术开发一种新方法，以有效地从ICU患者的实时时间序列的生命体征的实时时间序列中提取具有强大预测能力的特征，以进行准确，及时的ICU结果预测。结果表明，提出的方法提取了有意义的特征和优于基线方法，包括Apache IV（AUC = 0.750），基于深度学习的模型（AUC = 0.732，0.712，0.698，0.722）和统计特征分类方法（AUC = 0.765）。所提出的方法具有临床，管理和行政影响，因为它使医疗保健专业人员能够及时，准确地确定与预后的偏差，因此可以进行适当的干预措施。