XiaoMi-AI文件搜索系统
World File Search SystemDXA
通过胸部 X 光片测量骨密度
通过胸部 X 光片进行预测：一项多中心研究 主要研究员：佐藤洋一 名古屋大学医学院 共同研究员：山本则夫 宫本整形外科医院 稻垣直哉 慈惠大学柏医院 家崎雄介 国立医院组织 名古屋医疗中心 高原俊介 兵库县立加古川医疗中心 尽管全世界患有骨质疏松症的患者数量正在增加，但目前的诊断和治疗还不够充分。在这项研究中，我们开发了一个深度学习模型来通过胸部 X 光片预测骨矿物质密度 (BMD) 和 T 值，胸部 X 光片是最常见、最容易获得且成本最低的医学影像检查方法之一。本研究中使用的数据集包含 17,899 张图像，这些图像对应于 2010 年至 2021 年期间在六家医院接受双能 X 射线吸收仪 (DXA) 和胸部 X 光检查的 10,102 名患者。对于学习标签，我们使用 (1) 髋部和腰椎的 BMD (g/cm2) 和 (2) 基于髋部或腰椎 T 分数的诊断（正常、骨质减少和骨质疏松症）。然后，我们通过胸部 X 光片、年龄和性别的集成学习来训练深度学习模型，以使用回归和 T 分数进行多类分类来预测 BMD。我们评估了以下两个指标来评估深度学习模型的性能：(1) 预测和真实 BMD 之间的相关性和 (2) 预测类别和真实类别之间 T 分数的一致性。BMD 预测的相关系数为髋部 = 0.75，腰椎 = 0.63。正常、骨质减少和骨质疏松诊断的 T 分数预测曲线下面积分别为 0.89、0.70 和 0.84。这些结果表明，所提出的深度学习模型可能适用于通过预测胸部 X 光片的 BMD 和 T 分数来筛查骨质疏松症患者。
2型糖尿病相关的线粒体缺陷来自超重后妇女的单核血细胞
摘要：2型糖尿病（T2D）是一种多系统疾病，是许多研究的主题，但最早的疾病原因尚未阐明。线粒体损伤与几个组织中的糖尿病有关。为了扩展T2D和线粒体对血细胞的关联，我们研究了T2D与T2D相关的单核血细胞的变化”（PBMCS）线粒体功能在两组女性中的线粒体功能5），以及一系列血液生物标志物，原子测量和生理参数（VO 2max和强度测试）。双能X射线吸收率（DXA）扫描分析，心肺运动测试和血液生物标志物在T2D组中确定糖尿病的标志。Mitochondrial function assays performed with high resolution respirometry highlighted a significant reduction of mitochondrial respiration in the ADP-stimulated state (OXPHOS; − 30%, p = 0.006) and maximal non-coupled respiration (ET; − 30%, p = 0.004) in PBMCs samples from the T2D group.在T2D组的血浆样品中，总谷胱甘肽抗氧化剂池（GSHT）显着降低（-38％：p = 0.04）。糖化血红蛋白（HB1AC）的分数与炎症（C反应蛋白-CRP r = 0.618; p = 0.006）和血脂异常（甘油三酸酯-TG r = 0.815; p <0.0001）的标记呈正相关。相同的标记物（HB1AC）与线粒体活性水平负相关（Oxphos r = - 0.502; p = 0.034; et r = -0.529; p = 0.024）。通过分析PBMC线粒体呼吸及其与人体测量学和生理学参数的关联表明，PBMC可以代表一个可靠的模型来研究与T2D相关的代谢障碍有用的模型，并且可以对测试介入的有效性，从而测试了对干预剂的有效性。
基于16S rRNA基因测序的肌肉减少症患者的肠道菌群的变化：系统评价和荟萃分析
肌肉减少症是一种退化性疾病，与年龄相关的骨骼肌肉质量和力量丧失，这与发生在内的不良结果有关，包括跌倒，骨折，身体残疾和死亡。在生命发展过程中，肌肉质量的损失始于40岁，每10年减少约8％，加速至70岁以后，持续到死亡（1）。肌肉减少症的患病率很高：60-70岁的个体中有5-13％，在80岁及以上的人中为11-50％（2）。多次深入研究发现，评估肌肉力量比肌肉质量更强。结果，诸如欧洲肌肉减少症工作组（EWGSOP2）和亚洲肌肉减少症工作组（AWGS）等国际肌肉减少症研究组织（AWGS）在2019年引入了新的肌肉减少症诊断的定义，重点介绍了肌肉力量（3，4）。使用标准的组合（包括低肌肉质量，肌肉力量降低和身体表现受损）建立了肌肉减少症的诊断。具体而言，使用诸如双能X射线吸收仪（DXA）或生物电性阻抗分析（BIA）等技术评估肌肉质量。低肌肉质量的阈值定义为男性<7.0 kg/m 2，女性的阈值<5.5 kg/m 2。肌肉力量通常是通过手工束强度测试评估的，男性的截止值<27 kg，女性<16 kg。通过测量步态速度（阈值<0.8 m/s）或使用短体性能（SPPB）来测量身体表现。这些标准与欧洲老年人（EWGSOP）和其他相关指南的欧洲肌肉减少症的建议保持一致（4，5）。根据EWGSOP指南，根据低肌肉质量和低肌肉功能（力量或表现）诊断肌肉减少症。肌肉减少症的阶段进一步分类为前麻痹（单独的肌肉质量低），肌肉减少症（低肌肉质量和低肌肉力量或表现低）和严重的肌肉减少症（低肌肉质量，低肌肉力量，低肌肉力量和低身体表现）。然而，由于肌肉减少症的复杂病理生理学涉及多种相关途径和有限的理解，目前缺乏临床治疗中的单一有效靶向治疗药物。
进一步评估运动的能量补偿
FLACK, KD、HM HAYS、J. MORELAND 和 DE LONG。运动减肥：进一步评估运动的能量补偿。《运动锻炼医学科学》，第 52 卷，第 11 期，第 2466 – 2475 页，2020 年。目的：本研究评估了个体在 12 周有氧运动干预期间如何补偿能量消耗，阐明潜在机制以及运动剂量在补偿反应中的作用。参与者和设计：针对 18 至 40 岁、体重指数为 25 至 35 的久坐成年人进行三组随机对照试验。组别包括每周六次锻炼、每周两次锻炼和久坐对照组。方法：运动能量消耗率是根据五个心率区平均的分级运动测试计算得出的。能量补偿计算为预期体重减轻（基于运动能量消耗）与脂肪和非脂肪质量（DXA）变化之间的差值。通过间接量热法评估静息能量消耗，并评估空腹和餐后（2 小时内 6 个时间点）酰化生长素释放肽、瘦素、胰岛素和胰高血糖素样肽 1 (GLP-1) 的浓度。结果：6 天·周 -1 组每周消耗的能量（2753.5 kcal）更多，运动时间（320.5 分钟）比 2 天·周 -1 组（1490.7 kcal，1888.8 分钟，P < 0.05）更长，因此与 2 天或对照组相比，脂肪减少更多（P < 0.05）。运动组在补偿的百分比或总 kcal 方面没有差异。酰化生长素释放肽的曲线下面积 (AUC) 下降幅度越大，预示着脂肪减少幅度越大，无论组别、每周消耗的能量、锻炼持续时间或锻炼强度如何。瘦素 AUC 的变化是能量补偿的唯一独立预测因素，瘦素 AUC 下降幅度越大，预示着能量补偿越少。锻炼频率、消耗的能量、持续时间或强度不影响能量补偿。结论：瘦素是通过锻炼成功减肥的重要因素，餐后瘦素下降幅度越大，则补偿越少。锻炼量越大不会影响对锻炼引起的能量不足的补偿反应。关键词：能量补偿、锻炼、减肥、瘦素、生长素释放肽 I
用于医疗诊断的人工智能——现有和未来的人工智能技术！
我们要向所有为“人工智能在医学计算机辅助诊断中的进展”特刊做出贡献的作者表示感谢，他们提供了基于人工智能的医学诊断的优秀最新研究成果。此外，还要特别感谢所有帮助我们处理本期特刊文章的审稿人。最后，我们要向日夜工作于本期特刊的编辑成员表示深切而热烈的感谢和敬意，他们提供了最新的基于人工智能的研究成果，丰富了第四次工业革命的人工智能医学知识。医学诊断是通过分析症状、病史和检查结果来评估医疗状况或疾病的过程。医学诊断的目标是确定医疗问题的原因并做出准确的诊断以提供有效的治疗。这可能涉及各种诊断测试，例如影像学检查（例如，X 光、MRI、CT 扫描）、血液检查和活检程序。这些测试的结果可帮助医疗保健提供者确定患者的最佳治疗方案。除了帮助诊断疾病外，医疗诊断还可用于监测疾病进展、评估治疗效果并在潜在健康问题变得严重之前发现它们。随着最近的人工智能革命，医疗诊断可以得到改进，通过提高诊断过程的预测准确性、速度和效率来彻底改变医疗诊断领域。人工智能算法可以分析医学图像（例如，X 光、MRI、超声波、CT 扫描和 DXA），并帮助医疗保健提供者更准确、更快地识别和诊断疾病。AI 可以分析大量患者数据，包括医学 2D/3D 成像、生物信号（例如 ECG、EEG、EMG 和 EHR）、生命体征（例如体温、脉搏率、呼吸频率和血压）、人口统计信息、病史和实验室测试结果。这可以支持决策并提供准确的预测结果。这可以帮助医疗保健提供者就患者护理做出更明智的决定。多模态数据方面患者数据的多样性是一种最佳智能解决方案，可以根据图像、信号、文本表示等方面的多种发现提供更好的诊断决策。此外，人工智能驱动的临床决策支持系统 (CDSS) 可以提供实时帮助和支持，以就患者护理做出更明智的决策。通过整合多种数据源，医疗服务提供者可以更全面地了解患者的健康状况及其症状的根本原因。多种数据源的组合可以更全面地反映患者的健康状况，减少误诊的机会并提高诊断的准确性。多模态数据可以帮助医疗服务提供者监测病情随时间的发展，从而更有效地治疗和管理慢性病。同时，使用多模态医疗数据，基于可解释 XAI 的医疗服务提供者可以更早地发现潜在的健康问题，在它们变得严重并可能危及生命之前 [ 1 ]。XAI 工具可以自动执行常规任务，让医疗服务提供者可以专注于更复杂的患者护理。