XiaoMi-AI文件搜索系统
World File Search SystemHistopathology
使用组织病理学图像进行个性化医学
大肠癌（CRC）的精确及时诊断对于增强患者预后至关重要。组织样品的组织病理学检查仍然是CRC诊断的金色标准，但这是一种耗时且主观的方法，倾向于观察到观察者间的变异性。本研究探讨了使用组织病理学图像对CRC自动分类的深度学习的使用，尤其是重新结构。我们的研究重点是评估不同的RESNET模型（RESNET-18，RESNET-34，RESNET-50），以提取相关的可见特征。此外，我们使用Grad-CAM热图来了解模型的重点领域，从而确保与已建立的诊断标准保持一致。为了解决有限的数据可用性，我们检查了数据增强技术以提高模型的适应性。我们的分析表明，RESNET-34在模型复杂性和性能之间达到平衡，表明总体，TOP-2和TOP-3精度分类的91.10％，99.11％和100.00％的精度分别超过了较浅的（Resnet-118）和更深的（Resnet-50）模型。这表明在捕获CRC图像的特征方面，模拟深度是实用的。我们的发现对于开发CRC的可解释的AI辅助诊断工具具有重要意义，并有可能提高病理学家的效率和准确性。这种方法旨在自动化图像分析，提供对模型决策的见解，并最终提高Oncol-Ogy的诊断一致性和患者护理。
焦点组织病理学：对可解释的多模式诊断的多模式方法的综述
乳腺癌检测中的精度和及时性对于改善患者预后至关重要。传统的诊断方法主要依赖于单峰方法，但是医学数据分析的最新进展使得超越了传统成像技术以外的各种数据源。本评论认真研究了将组织病理学图像与基因组数据，临床记录和患者历史记录相结合的变革潜力，以提高多模式诊断技术的诊断准确性和全面性。它探讨了早期，中间和晚期融合方法，以及先进的深层多模式融合技术，包括编码器架构，基于注意力的机制和图形神经网络。提供了多模式任务的最新进步，例如视觉问题答案（VQA），报告生成，语义细分和跨模式检索，突出显示了生成AI和视觉语言模型的利用。此外，审查还深入研究了可解释的人工智能（XAI）在阐明复杂诊断算法的决策过程中的作用，强调了对透明性和可解释性的关键需求。通过展示解释性的重要性，我们演示了XAI方法（包括毕业，摇摆，石灰，可训练的注意力和图像字幕），增强诊断精度，增强临床医生的认识和促进患者的参与。该评论还讨论了最新的XAI发展，例如X-Vars，Legrad，Langxai，LVLM-Interpret和Ex-ILP，以证明它们在多模式乳腺癌检测中的潜在效用，同时识别关键的研究差距并提出未来的指导，以推进该文件。
AJWA日期（Phoenix dactylifera）提取物对具有
a b s t r a c t简介：有必要开发替代性抗糖尿病疗法，这些疗法更安全，更负担得起，以克服印度尼西亚糖尿病的高患病率。ajwa日期（phoenix dactylifera）具有较高的类黄酮含量；因此，这项研究旨在通过检查β细胞的数量和Langerhans的胰岛来研究其对链蛋白酶诱导的糖尿病小鼠的影响。方法：将25只小鼠分为五组：阴性对照组（K1），一个阳性对照组（K2）和三个治疗组（P1，P2和P3）。K2，P1，P2和P3组由链霉菌素的100 mg/kg BW诱导。此外，P1，P2和P3组分别使用AJWA日期甲醇提取物分别以3、5和7 g/kg BW的方式接受口服处理。每天进行四个星期的治疗。最初的分析包括同质性测试和Shapiro-Wilk检验。由于数据是非正常分布的，因此进行了Kruskal-Wallis检验进行分析（P <0.05）。结果：比较分析显示，两组之间的β细胞数量显着差异，在K2组中观察到明显降低，并且每个治疗组的增加。Langerhans胰岛胰岛的测量在两组之间显示出显着差异，P = 0.001。结论：AJWA日期甲醇提取物的施用会影响糖尿病小鼠小鼠中langerhans的β细胞数量和胰岛的数量。
人工智能在胃肠道组织病理学中的作用演变：最新进展
尽管人工智能 (AI) 的诞生已有 50 多年，但在过去十年中，临床领域的 AI 研究得到了显著扩展。1 随着公共和私人研究人员和机构创建出越来越复杂的 AI 模型，临床医生有望在患者管理方面实现范式转变，无论是在人群层面还是在个人层面。截至本文撰写时，一般临床使用的 AI 应用包括可以解析患者症状并建议是否需要进一步评估（以及具体评估内容）的虚拟聊天机器人 2 、3 可以评估是否存在心房颤动的可穿戴技术 4 ，可以帮助临床医生实时识别结肠息肉的模型 5 ，以及可以汇总医院结果以便与其他机构进行比较的算法。6
主要唾液腺组织病理学...
非形象测试，例如分子或免疫组织化学测试是癌症报告的日益增长的特征。但是，在世界许多地方，这种类型的测试受到可用资源的限制。为了鼓励全球采用辅助测试以实现患者福利，国际癌症报告（ICCR）包括ICCR数据集中最相关的辅助测试作为核心元素，尤其是在诊断所需的核心元素时。如果技术能力尚不存在，实验室可以考虑将这些数据元素作为非核心项目。所有核心元素的总和被认为是特定癌症的最低报告标准。非核心要素非核心要素是一致同意的元素应包括在数据集中，但不受IIII-2级证据的支持。这些元素在临床上可能很重要，并建议作为良好实践，但尚未被验证或定期用于患者管理。
基于机器学习的预测儿科溃疡性结肠炎治疗反应，使用诊断组织病理学
保留所有权利。未经许可就不允许重复使用。（未经同行评审证明）是作者/资助者，他已授予Medrxiv的许可证，以永久显示预印本。此预印本版的版权持有人于2024年1月23日发布。 https://doi.org/10.1101/2024.01.22.24301559 doi：medrxiv preprint
法医组织病理学教科书-CBSPD
op murty MD目前是新德里全印度医学科学研究所（AIIMS）法医医学和毒理学系教授。他是一位著名的老师，在印度和国外享有盛名的机构中教授FMT的经验超过了。他完成了新德里毛拉纳·阿扎德医学院（MAMC）的毕业和研究生。他曾在MAMC担任高级演示者，然后于1992年转移到AIIMS作为常规教师。他还曾在马来西亚，马来西亚UITM和沙特阿拉伯王国Dammam的Faisal University的法医病理学教授；马来西亚吉隆坡马来西亚大学的法医病理学副教授兼单位负责人，组织病理学是法医病理病例不可或缺的一部分。Murty教授必须在国家和国际期刊上发表的150篇科学论文。他撰写了《联合国儿童基金会》和其他三本医学毒理学运作指南，法医医学和毒理学的要素以及验尸检查和审计的操作指南。他是法医医学和毒理学的流行教科书的合着者，KS Narayan Reddy的35/E。他曾担任法医医学与毒理学杂志（ISSN 0971-1929）和国际医学毒理学与法律医学杂志（ISSN 0972-0448）的主编，并在许多国家和国际期刊的社论委员会上。他被当选两次，是印度法医学院秘书长（2000-2004）。他被国立犯罪学和法医学研究所（NICFS）任命为国家客座教师。
大豆种子（Glycine max (L.) Merr.）中 Lunasin 靶向提取物 (ET-Lun) 的亚慢性毒性：从肝脏组织病理学、SGOT 和
应进行多项研究以确保天然药物的安全性。例如，通过进行毒性测定。毒性是指外来生物在使用过程中或在环境中对生物体造成损害的效力。毒性测定可分为两种类型，即一般毒性（急性、亚急性/亚慢性、慢性）和特异性毒性（致畸、致突变和致癌）。4,5 急性毒性测定是一种检测毒性作用的测定，该毒性作用可能在单次或重复剂量给药测试溶液 24 小时后短时间内出现。4、6 亚慢性毒性是一种在动物模型中重复口服给药后进行的毒性作用测定，该给药时间在动物生命的部分时间内，但不超过动物整个生命的 10%。4
10:30 UTC组织病理学图像分析A 5月5日
黄，中Yi; ding，Yao;歌曲，鸟着；王，林； Geng，Ruizhe；他，洪林； DU，Shan；刘，夏；天，钟； Liang，Yongsheng；周，凯文； Chen，Jie电子和计算机工程学院，北京大学基于点注释弱监督的核分段：一种粗到精细的自我刺激的学习策略
根据组织病理学准确诊断结直肠癌
Kuan-Song Wang, M.D.1,2 *, Gang Yu, Ph.D. 3, *, Chao Xu, Ph.D. 4, *, Xiang-He Meng, Ph.D. 5, *, Jianhua Zhou, M.D.1,2 , Changli Zheng, M.D.1,2 , Zhenghao Deng, M.D.1,2 , Li Shang, M.D.1 , Ruijie Liu, M.S.1 , Shitong Su, B.S.1 , Xunjian Zhou, B.S.1 , Qingling Li, M.D.1 , Juanni Li, M.D.1 , Jing Wang, M.S.1 , Kewen Ma, M.S.2 , Jialin Qi, B.S.2 , Zhenmin Hu, B.S.2 , Ping Tang, B.S.2 , Jeffrey Deng 6 , Xiang Qiu, B.S.7 , Bo-Yang Li, B.S.7 , Wen-Di Shen, B.S.7 , Ru-Ping Quan, B.S.7 , Jun-Ting Yang, B.S.7 , Lin-Ying Huang 7 , Yao Xiao 7 , Zhi-Chun Yang, M.D.8 , Zhongming Li, Ph.D. 9 , Sheng-Chun Wang, Ph.D. 10 , Hongzheng Ren, Ph.D. 11 , Changjiang Liang, B.S.11 , Wei Guo, M.S.12 , Yanchun Li, M.D.12 , Heng Xiao, M.D.13 , Yonghong Gu, M.D.13 , Jing-Ping Yun, M.D.14 , Dan Huang, M.D.15 , Zhigang Song, M.D.16 , Xiangshan Fan, M.D.17 , Ling Chen, M.D.18 , Xiaochu Yan, M.D.19 , Zhi Li, M.D.20 , Zhong-Chao Huang, Ph.D. 3 , Jufang Huang, Ph.D. 21 , Joseph Luttrell, M.S.22 , Chao-Yang Zhang, Ph.D. 22 , Weihua Zhou, Ph.D. 23 , Kun Zhang, Ph.D. 24 , Chunhui Yi, M.D.25 , Hui Shen, Ph.D. 6,26 , Yu-Ping Wang, Ph.D. 6,27 , Hong-Mei Xiao, M.D., Ph.D. 7,# , Hong-Wen Deng, Ph .D. 6,7,26,# 1.Department of Pathology, Xiangya Hospital, Central South University, Changsha, Hunan, 410078, China 2.Department of Pathology, School of Basic Medical Science, Central South University, Changsha, Hunan, 410013, China 3.Department of Biomedical Engineering Institute, School of Basic Medical Science, Central South University, Changsha, Hunan, 410013, China 4.Department of Biostatistics and Epidemiology, University of Oklahoma Health Science Center, Oklahoma City, OK, 73104, USA 5.Laboratory of Molecular and Statistical Genetics, College of Life Sciences, Hunan Normal University, Changsha, Hunan, 410081, China 6.Tulane Center of Bioinformatics and Genomics, Tulane University School of Public Health and Tropical Medicine, New Orleans, LA, 70112, USA 7.School of Life Sciences, Central South University, Changsha, Hunan,410013, China 10.College of Information Science and Engineering, Hunan Normal University, Changsha, Hunan, 410081, China 11.中南大学基础医学院系统生物学、数据信息与生殖健康研究中心，湖南长沙 410008，中国 8.中南大学湘雅药学院药理学系，湖南长沙 410078，中国 9.浙江省杭州市艾迪康医学检验所有限公司病理实验室