XiaoMi-AI文件搜索系统
World File Search SystemChest
通过定量空气泄漏监测保护的无视频辅助胸腔镜手术：病例系列
空气泄漏的视觉评估，这是过于主观的，但大多数团队都使用了。由于开发了数字胸部排水以应对术后延长的空气泄漏，因此它已经显示出提高的一致性和准确性，具有恒定，可自定义的负性胸膜压力的强度，与正常的呼吸生理学更一致（12-15）。为了实现更好的标准化，我们合并了一个数字排水系统，该系统具有可量化的空气泄漏监测和动态图形可视化（12-15），并在胸管拆卸过程中。这个案例系列描述了我们通过数字排水进行这种增强策略的最初经验。我们根据Strobe报告清单介绍以下文章（可在https://jtd.amegroups.com/article/ view/10.21037/jtd-22-22-1749/rc中找到）。
研究论文 人工智能在胸部 X 光片上诊断 COVID-19 疾病症状中的应用：系统评价
本系统评价的重点是利用人工智能 (AI) 在 X 射线图像的帮助下检测 COVID-19 感染。方法：2022 年 1 月，作者使用特定的医学主题词和过滤器搜索了 PubMed、Embase 和 Scopus。所有文章均由两位审稿人独立审阅。所有因误解而产生的冲突均由第三位独立研究人员解决。在评估摘要和文章的实用性、消除重复并应用纳入和排除标准后，发现六项研究符合本研究的条件。结果：由于作者的方法不同，各个研究的结果也不同。敏感性为 72.59%–100%，特异性为 79%–99.9%，精确度为 74.74%–98.7%，准确度为 76.18%–99.81%，曲线下面积为 95.24%–97.7%。结论：用于评估 COVID-19 诊断过程中胸部 X 光检查的 AI 计算模型应达到足够高的敏感性和特异性。它们的结果和性能应该是可重复的，以使它们对临床医生来说是可靠的。此外，这些额外的诊断工具应该比目前可用的程序更实惠、更快捷。基于 AI 的系统的性能和计算应考虑临床数据。
胸部X光片诊断AI的诊断不足偏置可以通过数据集偏置属性进行分解和缓解
抽象不平等的诊断准确性是基于AI的模型的广泛关注点。然而，当前的偏差表征是狭窄的，并且无法说明上游数据收集的系统偏见，从而将AI性能的不平等现象与偏见混合在一起，这是由于数据集本身的分布差异。此差距具有广泛的含义，导致降低偏见的策略无效。我们介绍了一种新颖的回顾性模型评估程序，该程序识别并表征了解释人口级诊断差异的受保护群体之间的分布差异的贡献。在三个大规模的胸部射线照相数据集中，我们一直发现年龄和混淆图像属性（例如病理类型和大小）的分布差异有助于跨种族亚组的模型性能较差。通过系统地将观察到的不足诊断偏见归因于由于数据收购过程中的偏差或数据集偏见而引起的分布差异，我们提出了一种通用方法，用于解散不同类型的数据集偏置如何相互作用和化合物以造成可观的AI性能差异。我们的方法是可以采取行动的，可以帮助设计针对特定亚群的基础模型的目标干预措施，而不是忽略上游数据偏见不平等AI性能的系统贡献的方法。
基于人工智能的全自动胸部 CT 肺气肿量化与肺功能测试的比较
尽管胸部 CT 未被纳入 GOLD 推荐的 COPD 患者诊断检查，但 CT 提供了有价值的补充信息，例如支气管壁增厚、肺气肿形态、严重程度和空气滞留，这些信息直接导致气流受限并与死亡率增加相关 [7, 8, 10–14]。此外，其他临床上与 COPD 相似的疾病，例如肺纤维化，只能通过高级成像才能区分 [15]。临床研究中通常使用几种基于 CT 的方法来评估肺气肿，包括视觉、半定量和定量技术 [16–22]。所有这些都需要严格的采集参数，需要手动输入，耗时，并且容易受到观察者间和患者间差异的影响，尤其是
反复出现的心肌梗塞和急诊科访问：一项关于斯德哥尔摩地区胸痛队列的回顾性研究
经历急性心肌梗塞（AMI）的抽象背景患者有经常性AMI的风险。需要关于反复AMI的当代数据及其与返回急诊科（ED）有关胸痛的访问。方法，瑞典回顾性队列研究将患者级的数据从六家参与医院联系到四个国家记录，以构建斯德哥尔摩地区胸痛队列（SACPC）。AMI队列包括SACPC参与者，访问ED的胸痛被诊断为AMI并已活着（在研究期间对AMI的第一次初级诊断），不一定是患者的第一个AMI）。在INDEX AMI出院后的一年中，确定了复发性AMI事件的速率和时间，胸痛的回访和全因死亡率。在2011年至2016年的主要投诉中，有137 706例出现胸痛的患者中的结果，5.5％（7579/137 706）与AMI住院。总共有98.5％（7467/7579）的患者被活着出院。在索引AMI出院后的一年中，AMI患者的5.8％（432/7467）经历了≥1个经常性AMI事件。回访胸痛的回访发生在27.0％（2017/7467）的指数AMI幸存者中。在返回访问期间，在13.6％（274/2017）的患者中诊断出反复的AMI。AMI队列中的一年全因死亡率为3.1％，在复发性AMI队列中为11.6％。在此AMI人群中得出的结论，在AMI出院后的一年中，有10名AMI幸存者返回ED进行胸痛。这项研究证实了AMI幸存者的高残余缺血风险和相关的死亡率。此外，在此访问期间，超过10％的返回访问的患者被诊断出患有反复发生的AMI。
基于卷积神经网络的胸部X射线图像动态肺场的三阶段注册管道
1 1，深圳Lanmage医疗技术公司，有限公司，深圳市，广东，中国广东，2 Neusoft Medical System Co.，2.中国申阳大学的生命与健康管理学院，第6次放射学系，广州医科大学第二附属医院，中国广州，7七国卫生科学与环境工程学院，宁岑技术大学，宁岑，宁津，中国，8工程学研究中心，医学成像研究中心，<1，深圳Lanmage医疗技术公司，有限公司，深圳市，广东，中国广东，2 Neusoft Medical System Co.，2.中国申阳大学的生命与健康管理学院，第6次放射学系，广州医科大学第二附属医院，中国广州，7七国卫生科学与环境工程学院，宁岑技术大学，宁岑，宁津，中国，8工程学研究中心，医学成像研究中心，<
开发一种基于人工智能的方法，用于诊断从犬胸部X光片
开发并测试了一种基于人工智能（AI）的算法，以对犬胸部X光片的不同级别二尖瓣疾病（MMVD）的不同阶段进行分类。从两个不同机构的医疗数据库中选择了X光片，考虑到6岁以上的狗经历了胸部X射线和超声心动图检查。只有X光片清楚地显示出心脏轮廓。卷积神经网络（CNN）均在左右侧面和/或腹侧或腹侧或室内视图上训练。根据美国兽医内科学院（ACVIM）指南将每只狗分类为B1阶段，B2或C +D。RESNET18CNN用作分类网络，并使用混淆矩阵，接收器操作特征曲线以及T-SNE和UMAP预测评估结果。曲线下的面积（AUC）在确定阶段B1，B2和C + D的AUC的MMVD阶段时表现出良好的心脏CNN性能。该算法在预测MMVD阶段的高精度表明，它可以作为解释犬胸部X光片的有用支持工具。
美国人群甘油三酯-葡萄糖指数和综合肥胖指标与胸痛和心血管疾病风险的关系
结果：在完全调整混杂变量的多元逻辑回归中，我们的分析显示 TyG、TyG-BMI、TyG-WC 和 TyG-WHtR 与胸痛之间存在显著关联，调整后的 OR (95% CI) 分别为 1.21（1.05, 1.39）、1.06（1.01, 1.11）、1.08（1.04, 1.14）和 1.27（1.08, 1.48）。对于总 CVD，调整后的 OR 值（95% CI）分别为 1.32（1.08, 1.61）、1.10（1.03, 1.17）、1.13（1.06, 1.19）和 1.63（1.35, 1.97），其中 TyG、TyG-WC 和 TyG-WHtR 在 RCS 分析中呈现曲线关联（所有 P 非线性 < 0.05）。此外，ROC 曲线显示 TyG-WC 对总 CVD、冠心病 (CHD) 和心肌梗死 (MI) 具有最稳健的预测效能，而 TyG-WHtR 对心绞痛和心力衰竭具有最好的预测能力。
研究心房颤动中胸部压力直接心脏反应的疗效：一种随机对照试验方案（压力AF）
抽象简介房颤（AF）是全球最常见的心律不齐。直接的心脏versionion通常用于恢复AF患者的鼻窦节律。胸部压力可以通过减少经胸阻抗和增加心脏能量递送来改善心脏version的成功。我们旨在通过直接电流心动过速评估常规胸压的功效和安全性。方法和分析多中心，双盲（患者和结果评估），位于澳大利亚新南威尔士州的随机临床试验。患者将被随机分配1：1以控制和介入臂。对照组将在最后一次冲击中获得150 J，200 J，360 J和360 J的四个顺序双相冲击，直到心脏抗化成功。干预组将从第一次除颤后的胸部压力中获得相同的冲击。垫子将放置在前后位置。心脏version的成功将定义为冲击后1分钟后的窦性节奏。主要结果将是提供总能量。次要结果将取得第一次冲击，以实现心脏versio vastio cassioversion ECG时的心脏抗化，经胸阻抗和鼻窦节律。伦理和传播伦理批准已通过研究伦理治理信息系统在所有参与站点得到证实。该试验已在澳大利亚新西兰临床试验登记册（ACTRN12620001028998）上进行了注册。将提供良好的分析建议的知名研究人员，可以使用识别患者级别的数据。识别患者级别的数据。
用深度学习模型评估冠状病毒疾病的特征融合技术2019胸部X射线传感器图像识别
冠状病毒病的当前诊断方法2019（Covid-19）主要依赖于逆转录聚合酶链反应（RT-PCR）。但是，RT-PCR是昂贵且耗时的。因此，必须开发一种准确，快速且廉价的筛选方法，以诊断Covid-19。在这项研究中，我们将图像处理技术与深度学习算法相结合，以增强胸部X射线（CXR）传感器图像的Covid-19鉴定的准确性。对比度限制的自适应直方图均衡（CLAHE）用于提高不清楚图像的可见性水平。此外，我们研究了我们的图像融合技术是否可以有效地提高七个深度学习模型的性能（Mobilenetv2，Resnet50，Resnet152V2，Inpection-Resnet-V2，Densenet121，Densenet201，densenet201和Xpection）。提出的特征融合技术涉及将原始图像的特征与受Clahe的图像的特征合并，然后使用合并的功能来重新训练，测试和验证深度学习模型，以识别CXR图像中的Covid-19。为了避免图像的发生不匹配现实并确保高模型稳定性，没有进行数据增强。这项研究的结果表明，提出的图像融合技术可以改善分类评估指标，尤其是在两级和三级分数中深度学习模型的敏感性。灵敏度是指模型正确检测感染的能力。将X受感受与所提出的特征融合技术相结合时，达到了这项研究的最高精度。在三级分类中，该方法的准确性为99.74％，五倍交叉验证的平均准确性为99.19％。在两类分类中，上述方法的准确性为99.74％，五倍交叉验证的平均准确性为99.50％。结果表明，具有深度学习算法的提议的图像处理技术具有非凡的概括。