XiaoMi-AI文件搜索系统
World File Search SystemHistopathology
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。
Brainbox——一种促进脑磁共振成像特征与组织病理学关联的工具
磁共振成像 (MRI) 在识别潜在组织病理方面存在局限性，这与多发性硬化症、中风或脑肿瘤等神经系统疾病有关。然而，目前没有将 MRI 特征与组织病理学相关联的标准化方法。因此，我们旨在开发和验证一种可以促进脑 MRI 特征与相应组织病理学相关联的工具。为此，我们设计了 Brainbox，这是一种防水且与 MRI 兼容的 3D 打印容器，具有集成的 3D 坐标系。我们使用 Brainbox 对八个人类大脑（新鲜的和福尔马林固定的）进行死后离体 MRI，并使用内置的 3D 坐标系将局部成像特征与组织病理学相关联。凭借其内置的 3D 坐标系，Brainbox 可以将 MRI 特征与相应的组织基质相关联。 Brainbox 用于将不同的 MRI 图像特征与相应的组织基质关联起来，包括正常的解剖结构，例如海马或血管周围空间，以及腔隙性中风。固定后脑体积减少了 7%（P = 0.01）。Brainbox 能够在扫描前对标本进行脱气，减少磁化伪影并最大限度地减少扫描过程中的体积运动。总之，我们的原理验证实验证明了 Brainbox 的可用性，它有助于提高 MRI 的特异性以及标准化死后离体人脑 MRI 与组织病理学之间的相关性。我们的机构可应要求提供 Brainbox。
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。
通过推断转录组学从组织病理学图像预测癌症治疗反应
11 美国科罗拉多州奥罗拉市科罗拉多大学安舒茨医学院肿瘤内科 12 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心胸部和胃肠道恶性肿瘤分部。13 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心免疫肿瘤学中心。14 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心外科肿瘤学项目。15 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心泌尿生殖系统癌症发病机制实验室 16 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心泌尿生殖系统恶性肿瘤分部。* 通讯作者：danhtai.hoang@anu.edu.au (DTH)、eric.stone@anu.edu.au (EAS) 和 eytan.ruppin@nih.gov (ER)
Brainbox——一种促进脑磁共振成像特征与组织病理学关联的工具
磁共振成像 (MRI) 在识别潜在组织病理方面存在局限性，这与多发性硬化症、中风或脑肿瘤等神经系统疾病有关。然而，目前还没有将 MRI 特征与组织病理学相关联的标准化方法。因此，我们旨在开发和验证一种可以促进脑 MRI 特征与相应组织病理学相关联的工具。为此，我们设计了 Brainbox，这是一种防水且与 MRI 兼容的 3D 打印容器，带有集成的 3D 坐标系。我们使用 Brainbox 对八个人类大脑（新鲜和马林固定）进行死后离体 MRI，并使用内置的 3D 坐标系将局部成像特征与组织病理学相关联。凭借其内置的 3D 坐标系，Brainbox 可以将 MRI 特征与相应的组织基质相关联。 Brainbox 用于将不同的 MR 图像特征与相应的组织基质关联起来，包括正常的解剖结构，例如海马或血管周围空间，以及腔隙性中风。固定后脑体积减少了 7%（P = 0.01）。Brainbox 能够在扫描前对标本进行脱气，减少磁化伪影并最大限度地减少扫描过程中的体积运动。总之，我们的原理验证实验证明了 Brainbox 的可用性，它有助于提高 MRI 的特异性以及标准化死后离体人脑 MRI 与组织病理学之间的相关性。我们的机构可应要求提供 Brainbox。
机器学习能够从整个切片组织病理学图像中预测数字生物标志物
保留所有权利。未经许可不得重复使用。 （未经同行评审认证）是作者/资助者，他已授予 medRxiv 永久展示预印本的许可。此预印本的版权持有者此版本于 2024 年 1 月 8 日发布。；https://doi.org/10.1101/2024.01.06.24300926 doi：medRxiv 预印本
机器学习能够从整个切片组织病理学图像中预测数字生物标志物
保留所有权利。未经许可不得重复使用。 （未经同行评审认证）是作者/资助者，他已授予 medRxiv 永久展示预印本的许可。此预印本的版权持有者此版本于 2024 年 1 月 9 日发布。；https://doi.org/10.1101/2024.01.06.24300926 doi：medRxiv 预印本
宽带刺激的拉曼成像基于多通道锁定检测的光谱组织病理学
自发的拉曼显微镜通过直接揭示分子的振动光谱，以无标记和非侵入性方式揭示了样品的化学成分。但是，其极低的横截面可防止其应用于快速成像。刺激的拉曼散射（SRS）得益于非线性过程的连贯性，通过几个数量级扩大信号，从而解开了提供分析信息以阐明具有亚纤维分辨率的生化机制的高速显微镜应用。尽管如此，在其标准实现中，窄带SRS一次只能以一个频率提供图像，这不足以区分重叠的拉曼频段的成分。在这里，我们报告了配备有自制的多通道锁定放大器的宽带SRS显微镜，同时在32频率下测量SRS信号，集成时间降至44μs，从而允许详细的，高空间分辨率的样品映射。我们通过测量单个脂质液滴水平的肝细胞中不同脂肪酸的相对浓度，通过测量不同脂肪酸的相对浓度来区分异质样品的化学成分的能力，并通过将纤维固醇模型中的肿瘤与脑肿瘤组织与周围肿瘤区分开来。©2022作者。所有文章内容（除非另有说明，否则都将根据创意共享归因（cc by）许可（http://creativecommons.org/licenses/4.0/）获得许可。https://doi.org/10.1063/5.0093946
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。
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