XiaoMi-AI文件搜索系统
World File Search SystemAuc
GA标记的成纤维细胞激活蛋白抑制剂PET/CT
68 GA标记的细胞细胞激活蛋白抑制剂（68 GA-FAPI）PET/CT已显示出令人鼓舞的临床结果，乳腺癌（BC）患者的SUV Max和肿瘤与背景比（TBR）高于18 F-FDG PET/CT。在这里，我们旨在评估68 Ga-fapi PET/CT的适用性，以预测卑诗省新辅助化疗（NAC）的病理反应的早期和晚期。方法：预期包括22例新诊断的BC和NAC指示的患者。所有患者在基线时接受了标准的化疗和68 Ga-Fapi PET/CT，在2个NAC（PET2）和手术前1周后（PET3）进行了1周（PET3）。SUV最大。通过免疫组织化学分析了原发性病变中纤维细胞活化蛋白的表达。结果：七名患者（31.8％）达到了病理完全反应（PCR），15例（68.2％）患有残留肿瘤。13例患者（59.1％）表现出原发性肿瘤的同心戒断，而9例（40.9％）显示逐渐戒断。在PET2和PET3之间，原发性肿瘤的D SUV最大（R 2 5 0.822； P 5 0.001）和转移性淋巴结（R 2 5 0.645; P 5 0.002）显着相关。PCR患者的PET2和PET3时SUV MAX和TBR的绝对值比没有PCR的患者低（P，0.05）。此外，在任何时间点，较大的D SUV最大值与PCR密切相关（P，0.05）。在原发性肿瘤还原模式下观察到SUV Max，TBR和D SUV MAX的相似下降趋势。For predicting pCR, the optimal cutoff values for D SUV max after 2 chemotherapy cycles, D SUV max before sur- gery, TBR after 2 chemotherapy cycles, and TBR before surgery of the primary tumor were 3.4 (area under the curve [AUC], 0.890), 1.1 (AUC, 0.978), 2 63.8% (AUC, 0.879), 2 90.8% (AUC,分别为0.978），7.6（AUC，0.848）和1.4（AUC，0.971）。免疫组织化学表明，68 ga-fapi PET/CT的SUV最大和TBR与纤维细胞激活蛋白表达呈正相关（两者的P，0.001）。contusion：评估NAC期间68 GA-FAPI摄取的早期变化68 Ga-Fapi PET/CT可以预测PCR和原发性肿瘤同心
Unichem SA (Pty) Ltd LIFANED 25 / 50 / 100 西地那非...
3 天）对西地那非或其药物的 AUC、C max 、t max 、消除速率常数或随后的半衰期的影响
ProFound AI® 风险
1. 文件中的 iCAD 数据。ProFound AI 风险 DBT 1 年 AUC 为 0.80（95% CI：0.76, 0.83）；ProFound AI 风险 2D 乳房 X 线摄影 2 年 AUC 为 0.73（95% CI：0.71, 0.74）。2.Eriksson M、Czene K、Strand F 等人。识别需要补充筛查的乳腺癌高风险女性。放射学。2020, 297(2): 327-333。Epub 9 月 8 日。3.受试者工作特征曲线下面积。4.仅在美国提供。
DNA超螺旋诱导的形状改变微圆形流体动力特性
DNA以负层面环的循环组织。所得的扭转和弯曲应变使DNA能够采用出人意料的3D形状。负超串联，循环和形状影响DNA之间的这种相互作用是如何存储，复制，转录，修复以及可能其他所有其他方面的DNA活性。为了理解负超串联和曲率对DNA的流体动力特性的后果，我们将336 bp和672 bp dna微圈提交给了分析性超速离心（AUC）。我们发现，分支系数，沉积系数和DNA水动力半径很大程度上取决于圆形，环长度和负超涂层的程度。由于AUC无法确定超出非全球性程度的形状，因此我们应用线性弹性理论来预测DNA形状，并将它们与流体动力计算相结合以解释AUC数据，并与理论与实验之间的合理一致。这些互补方法以及早期的电子冷冻学数据，提供了一个框架，以理解和预测超螺旋对DNA的形状和流体动力特性的影响。
基于机器学习的操作员分析瞳孔反应，以评估临床超声成像中的认知工作量
简介：瞳孔测量，眼瞳直径的测量，是一种公认的客观形态，与认知工作量相关。在本文中，我们分析了超声成像算子的瞳孔响应，以评估其认知工作量，并在进行常规的胎儿超声检查时被捕获。我们的实验和分析是在自然临床环境条件下使用远程眼球跟踪获得的现实世界数据集进行的。方法：我们的分析管道涉及仔细的时间序列（时间序列）提取，通过回顾性将瞳孔直径数据与在多模态数据采集设置中相应的超声扫描视频中捕获的任务匹配。接下来是学生直径预处理和PU胎儿反应序列的计算。对操作员瞳孔响应（胎儿心脏与胎儿大脑）与操作员专业知识（新资格的与经验丰富的操作员）之间分布的探索性统计分析进行了比较。机器学习将被探索以将时间序列自动分类为具有经典（浅层）模型的时间，频谱和时频特征，并将其经验分类为相应的超声处理任务和操作员体验，以及卷积神经网络作为深度学习模型。结果：提取的瞳孔响应的初步统计分析显示，不同的超声任务和操作员专业知识的显着差异，表明每种情况下的认知工作量不同，如通过划分测量。对于超声检查任务分类和操作员经验分类，曲线（AUC）值（AUC）值（AUC）值分别为0.98和0.80，在曲线（AUC）值（AUC）值下实现了接收器的操作。结论：我们得出结论，我们可以在超声操作员执行常规扫描时成功地评估瞳孔直径变化的认知工作量。机器学习允许使用瞳孔响应序列作为操作员的认知工作量的索引来歧视执行的超声检查任务和扫描专业知识。高认知工作量可以降低操作员的效率并限制其决策，因此，客观评估认知工作量的能力是迈出这些对运营商在生物医学应用（例如医学成像等生物医学应用中）产生影响的第一步。
人工智能应用于肝病组学数据
生物技术的快速发展导致了大量多组学数据的产生，这需要生物信息学和人工智能的进步，以实现计算建模来诊断和预测临床结果。传统的机器学习和新的深度学习算法都会公正地筛选现有数据以发现模式并创建可用于指导临床决策的模型。我们总结了已发表的文献，这些文献介绍了使用在组学数据集上训练的人工智能模型（包含和不包含临床数据）来诊断、风险分层和预测非恶性肝病患者的生存能力。在选定的研究中，总共测试了 20 种不同的模型。通常，将组学数据添加到常规临床参数或单个生物标志物中可以提高人工智能模型的性能。例如，使用 NAFLD 纤维化评分来区分 F0-F2 与 F3-F4 纤维化阶段，曲线下面积 (AUC) 为 0.87。当通过 GMLVQ 模型整合代谢组学数据时，AUC 大幅提高至 0.99。在另一项研究中，使用 RF 对多组学和临床数据预测 NAFLD 进展为 NASH 的结果为 0.84，而仅使用临床数据时的结果为 0.82。使用 RF、SVM 和 kNN 模型对基因组学数据进行分类以对慢性乙型肝炎的免疫耐受期进行分类的结果为 0.8793–0.8838，而使用各种血清生物标志物时的结果为 0.6759–0.7276。总体而言，与仅基于临床参数建立的模型相比，整合组学可以提高预测性能，表明个性化医疗在临床环境中具有潜在用途。
Kisqali® 200 毫克薄膜包衣片
Ribociclib 主要通过 CYP3A4 代谢。因此，影响 CYP3A4 酶活性的药物可能会改变瑞博西尼的药代动力学特征。在健康志愿者中，强效 CYP3A4 抑制剂利托那韦（每次 100 毫克，每天两次，持续 14 天）与单剂量 400 毫克的瑞博西尼共同给药后，与单独服用单剂量 400 毫克瑞博西尼相比，瑞博西尼的暴露量（AUC inf ）和最大浓度（C max ）分别增加了 3.2 倍和 1.7 倍。 LEQ803（ribociclib 的主要代谢物，占母体药物暴露量的不到 10%）的 C max 和 AUC last 分别降低了 96% 和 98%。与利托那韦（100 毫克，每日两次）共同给药的基于生理的药代动力学 (PBPK) 模拟表明，ribociclib（400 毫克，每日一次）的稳态 C max 和 AUC 0 – 24 小时分别增加了 1.5 倍和 1.8 倍。
机器学习的集成和相互作用和...
尽管化学疗法是卵巢癌（OCA）患者的一线治疗，但化学疗法（CR）降低了其无进展的生存率。本文研究了与OCA-CR相关的遗传相互作用（GI）。为了降低建立基因网络的复杂性，使用梯度提升决策树算法确定了与OCA-CR相关的单个签名基因。另外，提出了遗传相互作用系数（GIC）来定量测量两个签名基因的相关性，并解释其对OCA-CR的关节影响。具有高GIC的基因对被识别为签名对。选择了包括10个单个特征基因的24个签名基因对，并探索了签名基因对的影响OCA-CR。最后，确定了基于签名基因对的OCA-CR的预测。曲线下的面积（AUC）是用于机器学习预测的广泛使用的性能指标。签名基因对的AUC达到0.9658，而基于单个特征基因的预测的AUC仅为0.6823。已确定的签名基因对不仅建立了OCA-CR的有效GI网络，而且还为OCA-CR预测提供了有趣的方法。此改进表明我们提出的方法是研究与OCA-CR相关的GI的有用工具。
使用机器学习预测截肢
截肢是针对多种医疗概率的不可逆的最后一线治疗。延迟截肢而有利于肢体的治疗可能会导致发病率和死亡率的风险增加。该系统评价旨在综合有关如何应用ML以预测截肢为结果的文献。OVID EMBASE，OVID MEDLINE，ACM数字图书馆，Scopus，Web of Science和IEEE Xplore从Inception到2023年3月5日进行了搜索。1376年的研究被筛选；包括15篇文章。在糖尿病流行中，模型的范围从次级最佳到出色的性能（AUC：0.6-0.94）。在创伤患者中，模型具有强大的表现（AUC：0.88-0.95）。在接受其他病因的截肢的患者中（例如：烧伤和周围血管疾病），模型的性能相似（AUC：0.81–1.0）。发现许多研究的偏见风险很高，这通常是由于样本量较小。总而言之，已经成功地开发出了多个机器学习模型，这些模型有可能优于传统的建模技术和前瞻性临床判断，以预测截肢。需要进一步的研究来克服当前研究的局限性并将适用性带入临床环境。