XiaoMi-AI文件搜索系统
World File Search SystemContrast
使用对比度增强乳房摄影（CEM）
摘要：我们试图开发新的量化方法来表征乳房X线摄影密度的空间分布以及可疑对比增强乳房X线摄影（CEM）的对比度增强，以改善乳房病变的良性分类。我们回顾性地分析了从2014 - 2020年在IRB批准的研究中从我们机构进行CEM成像和组织采样的所有乳房病变。惩罚线性判别分析用于基于乳房X线摄影密度和对比度增强的径向分布的平均直方图对病变进行分类。t检验用于比较密度，对比度和串联密度和对比直方图的分类精度。逻辑回归和AUC-ROC分析用于评估添加人口统计学和临床数据是否提高了模型准确性。总共评估了159个可疑发现。密度直方图比随机分类（62.37％vs. 48％; p <0.001）更准确地将病变分类为恶性或良性，但是与单独的密度合影相比，串联的密度和对比度表现出更高的精度（71.25％; p <0.001）。包括我们模型中的人口统计学和临床数据，导致AUC-ROC高于串联密度和对比度图像（0.81 vs. 0.70； P <0.001）。在侵入性与非侵入性恶性肿瘤的分类中，串联密度和对比直方图在单独的密度直方图（77.63％vs. 78.59％vs. 78.59％; p = 0.504）中没有显着提高的准确性。添加患者人口和临床信息进一步提高了分类精度。我们的发现表明，乳房X线摄影密度的径向分布的定量差异可用于区分恶性肿瘤与良性的乳房发现。但是，通过从CEM中添加对比度增强成像数据，分类精度得到了显着提高。
SGLT2抑制剂对非ST段升高心肌梗死的糖尿病患者的对比诱导肾病的发展
摘要：背景和目标：使用造影剂的经皮是心血管疾病的现代诊断和治疗方法。对比使用可能会导致肾病，尤其是在糖尿病患者中。SGLT2抑制剂具有强大的心脏保护性和肾脏保护性。 在我们的研究中，我们研究了该药物组在防止造影剂引起的肾病（CIN）发展的有效性。 材料和方法：分析了312名接受CAG的糖尿病患者的结果。 研究组包括使用SGLT2的104例DM患者，对照组不使用SGLT2。 这些组在临床，人口统计学和实验室参数方面相互比较。 结果：组是相似的特征。 但是，与手术前相比，CAG后肌酐值与使用SGLT2抑制剂相比，CIN的发展显着较小（P = 0.03）。 检查多变量分析的结果时，可以看到SGLT2抑制剂的使用显着降低了CIN的风险（优势比（OR）：0.41，95％固定间隔（CI）：0,142-0.966，p = 0.004）。 结论：我们的研究表明，SGLT2抑制剂可能可以防止CIN的发展，尤其是在糖尿病等合并症患者中。SGLT2抑制剂具有强大的心脏保护性和肾脏保护性。在我们的研究中，我们研究了该药物组在防止造影剂引起的肾病（CIN）发展的有效性。材料和方法：分析了312名接受CAG的糖尿病患者的结果。研究组包括使用SGLT2的104例DM患者，对照组不使用SGLT2。这些组在临床，人口统计学和实验室参数方面相互比较。结果：组是相似的特征。但是，与手术前相比，CAG后肌酐值与使用SGLT2抑制剂相比，CIN的发展显着较小（P = 0.03）。检查多变量分析的结果时，可以看到SGLT2抑制剂的使用显着降低了CIN的风险（优势比（OR）：0.41，95％固定间隔（CI）：0,142-0.966，p = 0.004）。结论：我们的研究表明，SGLT2抑制剂可能可以防止CIN的发展，尤其是在糖尿病等合并症患者中。
当前人工智能与虚拟人工智能的对比
虚构人工智能与当前人工智能之间的另一个主要区别是它们的自主性。虚构人工智能系统（如《2001：太空漫游》中的 HAL 9000）能够在没有人类干预的情况下自行做出决策。而当前的人工智能则需要人类的监督和干预。如果将虚构人工智能与当前人工智能进行比较，它们之间最重要的区别之一就是自主性水平。电影和文学作品中呈现的虚构人工智能通常被描绘成具有完全独立性和决策能力的人类。而当前的人工智能旨在执行特定任务，虽然它可以“学习”并随着时间的推移而发展，但仍然需要人类的干预和监督。
DOP 作为海洋固氮菌的磷源和能量源的对比作用
海洋溶解有机磷 (DOP) 库主要由 P 酯组成，此外还有同样丰富的膦酸盐和 P 酐分子（数量较少）。在磷酸盐有限的海洋区域，固氮菌被认为依赖 DOP 化合物作为磷 (P) 的替代来源。虽然 P 酯和膦酸盐都能有效促进氮 (N 2 ) 固定，但 P 酐对固氮菌的作用尚不清楚。在这里，我们探讨了 P 酐对两个生物地球化学条件形成鲜明对比的站点的 N 2 固定的影响：一个位于汤加海沟火山弧地区（“火山”，磷酸盐含量低、铁浓度高），另一个位于南太平洋环流（“环流”，磷酸盐含量中等、铁含量低）。我们用 AMP（P 酯）、ATP（P 酯和 P 酐）或 3polyP（P 酐）培养表层海水，并确定了 Crocosphaera 和 Trichodesmium 中细胞特定的 N 2 固定率、nifH 基因丰度和转录。Trichodesmium 对添加的任何 DOP 化合物均无反应，这表明它们在火山站不受 P 限制，并且在环流站被低铁条件击败。相反，Crocosphaera 在两个站都数量众多，它们的特定 N 2 固定率在火山站受到 AMP 的刺激，在两个站受到 3polyP 的轻微刺激。尽管磷酸盐和铁的可用性形成对比，但两个站的异养细菌对 ATP 和 3polyP 添加的反应相似。 Crocosphaera 和异养细菌在低磷酸盐浓度和中等磷酸盐浓度下使用 3polyP 表明，这种化合物除了是 P 的来源外，还可用于获取两个群体竞争的能量。因此，P-酸酐可能会在未来分层和营养贫乏的海洋中利用能量限制来限制固氮菌。
Microsoft Word-IEEE-TMI深度学习可以减少对比增强的血脑屏障开口的gadolinium剂量。docx
摘要 - 聚焦超声（FUS）可用于打开血脑屏障（BBB），而具有对比剂的MRI可以检测到该开口。然而，重复使用基于Gadolinium的对比剂（GBCA）对患者提出了安全问题。这项研究是第一个提出通过深度学习来模拟体积传输常数（KTRAN）以减少造影剂剂量的想法的想法。该研究的目的不仅是重建人工智能（AI）衍生的ktrans图像，而且还可以通过低剂量对比剂T1加权MRI扫描来增强强度。我们通过先前的最新时间网络算法成功验证了这个想法，该算法的重点是在体素级别提取时域特征。然后，我们使用了由时空卷积神经网络（CNN）基于三维CNN编码器组成的时空网络（ST-NET），以提高模型性能。我们在FUS诱导的BBB开口数据集中测试了ST-NET模型，该模型是从小鼠大脑的不同侧面测试的。ST-NET成功检测并增强了BBB开放信号，而无需牺牲空间域信息。st-net被证明是减少对对比剂的需求，用于对对比剂进行对比剂的需求，以模拟从时间序列动态对比增强磁共振成像（DCE-MRI）扫描中对BBB开放的K-Trans图进行建模。
TreeMoCo：对比神经元形态表征学习
神经元树的形态是描绘神经元细胞类型、分析大脑发育过程和评估神经系统疾病病理变化的关键指标。传统的分析主要依赖于启发式特征和视觉检查。神经元形态的定量、信息丰富和全面的表示在很大程度上是缺失的，但这是人们所期望的。为了填补这一空白，在这项工作中，我们采用 Tree-LSTM 网络对神经元形态进行编码，并引入一个名为 TreeMoCo 的自监督学习框架来学习不需要标签的特征。我们在来自三个不同公共资源的 2403 个高质量小鼠大脑 3D 神经元重建上测试了 TreeMoCo。我们的结果表明，TreeMoCo 在对主要脑细胞类型进行分类和识别亚型方面都很有效。据我们所知，TreeMoCo 是第一个探索使用对比学习来学习神经元树形态表示的模型。它具有为定量神经元形态分析带来新启示的巨大潜力。代码可在https://github.com/TencentAILabHealthcare/NeuronRepresentation 上找到。
通过分层符号图池模型进行对比脑网络学习
摘要 — 近年来，脑网络被广泛用于研究脑动力学、脑发育和脑疾病。脑功能网络上的图形表示学习技术有助于发现临床表型和神经退行性疾病的新型生物标志物。然而，当前的图形学习技术在脑网络挖掘方面存在几个问题。首先，大多数当前的图形学习模型都是为无符号图设计的，这阻碍了许多有符号网络数据（例如脑功能网络）的分析。同时，脑网络数据的不足限制了模型在临床表型预测方面的表现。此外，目前的图形学习模型很少是可解释的，可能无法为模型结果提供生物学见解。在这里，我们提出了一个可解释的分层有符号图形表示学习模型来从脑功能网络中提取图形级表示，可用于不同的预测任务。为了进一步提高 17 模型性能，我们还提出了一种新策略来增强功能性脑网络数据以进行对比学习。19 我们使用来自 HCP 和 OASIS 的数据在不同的分类和 20 回归任务上评估了该框架。我们从大量实验中得出的结果证明了所提出的模型与几种最先进的技术相比的优越性。23 此外，我们使用从这些 24 预测任务中得出的图形显着性图来展示对 25 表型生物标志物的检测和解释。26
在心脏导管插入程序后对比造影剂引起的肾病后持续性肾功能障碍的预测
更糟糕的临床结果，CIN发展后持续的RD与临床结果较差之间存在很强的关联。因此，CIN发展后RD的可逆性对接受心脏导管程序的患者的长期随访具有重要意义。尽管在心脏导管插入程序后作为CIN的预测指标可获得多个风险评分，但2对持续性RD的预测因素知之甚少。Mehran风险评分被广泛用于预测CIN，6，其中包括8个临床和程序变量，包括年龄> 75岁，低血压，贫血，充血性心力衰竭，汽水内气球泵内抽水，预内膜性肾脏肾脏肾脏功能，糖尿病，糖尿病和对比量。Maioli等人4报道Mehran风险评分≥17是持续RD的独立预测指标。Wi等人7报告说，高风险（Mehran风险得分为11-15）和非常高的风险（Mehran
LETCP：一种基于标签高效 Transformer 的脑肿瘤分割对比预训练方法
摘要：脑肿瘤图像的人工标注成本高且严重依赖于医生的专业知识，这限制了临床实践中自动化和精准脑肿瘤分割的实现。同时，未标记图像随处可见但尚未得到很好的利用。本文提出了一种提高标记图像分割效率的新脑肿瘤分割方法，称为LETCP。具体而言，它提出了一种对比预训练策略，利用未标记数据进行模型预训练。该方法中的分割模型是基于自注意力转换器构建的。在三个公共数据集上对该方法进行了广泛的评估。通过使用未标记数据进行预训练，然后使用少量标记数据进行微调，该方法实现了超越其他半监督方法的分割性能，并且与监督方法相比表现出了竞争力。
基于脑电图的图论网络测量对离散情绪状态进行对比分类
摘要 本研究的新发现揭示了情绪唤起与神经功能大脑连接测量之间的高度关联。为此，使用由图论分离（聚类系数、传递性、模块化）和大脑网络集成（全局效率、局部效率）测量驱动的支持向量机（SVM）对对比离散的情绪状态（快乐与悲伤、有趣与厌恶、平静与兴奋、平静与愤怒、恐惧与愤怒）进行分类。从名为 DREAMER 的公开数据库下载由短时间视频影片片段介导的情绪 EEG 数据。已经检查了皮尔逊相关性（PC）和斯皮尔曼相关性，以估计整个皮质中相对较短（6 秒）和较长（12 秒）不重叠 EEG 段之间的统计依赖关系。然后，将编码为图形的相应大脑连接根据两个不同的阈值（60% 最大值和平均值）转换为二进制数。根据变量（依赖性估计、片段长度、阈值、网络测量），使用单因素方差分析和逐步逻辑回归模型，获得对比情绪之间的统计差异。当将 PC 应用于较长的片段并按照特定阈值作为平均值时，组合整合测量可提供最高的分类准确率 (CA) (75.00% 80.65%)。分离测量也提供了有用的 CA (74.13% 80.00%)，而两种测量的组合则没有。结果表明，即使分离和整合测量都因视频观看过程中神经递质释放导致的视听刺激的唤醒分数而变化，离散的情绪状态仍以平衡的网络测量为特征。