XiaoMi-AI文件搜索系统
World File Search SystemNOMOGRAM
预测模型和人工智能在临床中的应用
在过去的十年中，人工智能 (AI) 和放射组学等数据科学技术在放射学研究中强势崛起。放射组学是指从医学图像中（自动）提取大量定量特征 [1]。典型的放射组学工作流程涉及图像采集和分割以及特征提取和优先级排序/缩减，为其最终目标做准备，即预测建模 [2]。在这最后一步，放射组学和人工智能通常交织在一起，建立互利共生关系。近年来，医学成像领域关于放射组学和人工智能应用的出版物数量不断增加，方法也日益完善 [3,4]。最佳实践白皮书的制定和预测建模出版物质量标准（如 TRIPODS [5] 或 CLAIM [6] 标准）大大促进了这种定性收益。因此，在最近的出版物中越来越多地观察到提高预测模型普遍性的相关方法学方法，例如，准确组成具有代表性和无偏数据集，避免数据泄露，结合（嵌套）交叉验证方法进行模型开发，特别是在小数据集上，或使用独立的外部测试样本。在这方面，Song 等人 [7] 在最新一期的《欧洲放射学》上发表的关于预测颅内出血功能结果的临床放射组学列线图的工作只是一般趋势的一个例子。然而，与预测模型在医学成像研究中的利用率和重要性的提高相比，这些技术尚未在临床
o r i g i n a l r e s a r c h磁共振成像基于放射素学的模型，用于预测宫颈癌淋巴结转移
背景：宫颈癌仍然是全球女性死亡率的主要原因，淋巴结转移（LNM）是患者预后的关键决定因素。方法：在这项研究中，分析了2018年1月至2024年1月期间153例宫颈癌患者的MRI扫描。将患者分为两组：103培训队列； 49在验证队列中。放射线特征。ITK-SNAP软件启用了宫颈癌肿瘤区域的三维手动分割，以识别目标区域（ROI）。收集的数据被划分为支持向量机（SVM）模型的培训和验证。结果：基于T2WI和ADC的组合放射线学模型表现出强大的诊断能力，在训练队列中达到曲线下的面积为0.804（95％CI [0.712-0.890]），AUC中的AUC和0.811（95％CI [0.721-0.921-0.902] in act in the训练队伍中的AUC中。包括放射线特征，国际妇科和妇产科联盟（FIGO）阶段和LNM在培训队列中的C-INDEX为0.895（95％CI [0.821-0.962]），在培训队列中的C-指数为0.895（95％CI [0.821-0.962]），在C-INDEX中为0.916（95％CI [0.825-0.987] Intaliatation in nor图）的C-指数为0.895（95％CI [0.821-0.962]），C培训队列中的C-INDEX为0.916（0.916（95％CI）（95％CI [0.825-0.987] Intalians Intecration。C统计数据均高于0.80，并且预测变量几乎与45度线一致，这与校准图中显示的结果一致。这表明我们的模型表现出良好的歧视能力和令人满意的校准。关键词：MRI，放射素学，淋巴结，转移，宫颈癌结论：利用T2WI与ADC地图相结合的MRI放射素学模型，提供了一种预测宫颈癌患者LNM的有效方法。
深入了解基于机器学习的棕榈酰化...
摘要背景：乳腺癌是影响全球众多女性的普遍公共卫生问题，与棕榈酰化（一种翻译后蛋白质修饰）有关。尽管人们对棕榈酰化越来越关注，但其对乳腺癌预后的具体影响仍不清楚。这项工作旨在确定与乳腺癌棕榈酰化相关的预后因素，并评估其在预测化疗和免疫疗法反应方面的有效性。方法：我们利用“limma”包分析乳腺癌和正常组织之间棕榈酰化相关基因的差异表达。使用“WGCNA”包识别中心基因。使用最小绝对收缩和选择算子 (LASSO) Cox 回归分析，我们确定了与棕榈酰化相关的预后特征，并使用“regplot”包开发了预后列线图。使用免疫表型评分 (IPS) 和“pRophetic”包评估模型对化疗和免疫疗法反应的预测值。结果：我们鉴定出211个与棕榈酰化相关的差异表达基因，其中44个显示出预后潜力。随后，我们建立了一个包含11个棕榈酰化相关基因的预测模型。根据中位风险评分将患者分为高风险组和低风险组。研究结果显示，高风险组个体的生存率较低，而低风险组个体的免疫细胞滤过率增加，对化疗和免疫治疗的反应性改善。此外，我们还建立了BC-棕榈酰化工具网站。结论：本研究开发了第一个基于机器学习的棕榈酰化相关基因预测模型并创建了相应的网站，为临床医生提供了改善患者预后的宝贵工具。
全身性红斑狼疮中静脉血栓栓塞的预测模型的开发和外部验证
具有全身性红斑狼疮（SLE）的抽象客观患者具有静脉血栓栓塞（VTE）的风险增加。我们进行了这项研究，以开发SLE患者VTE的风险评分算法，该患者提供个性化的风险估计。方法，我们根据2009年1月至2020年1月的中国SLE治疗和研究小组队列（CSTAR）开发了4502例SLE患者的VTE临床预测模型，并在2020年1月至2022年1月在CSTAR的3780例SLE患者进行外部验证。基线数据，并在随访期间记录VTE事件。使用多元逻辑回归以及最少的绝对收缩和选择算子，开发了SLE患者6个月内VTE风险的开发。SLE-VTE评分和nom图。结果总共有4502名发育群体中的患者，有135例发生了VTE事件。最终预测模型（SLE-VTE得分）包括11个变量：性别，年龄，体重指数，高脂血症，低脂蛋白血症，c反应蛋白，反应性蛋白，抗β2GPI抗体，狼疮抗凝剂，抗癌药，肾脏参与，肾脏参与，神经系统参与，以及均为0.的范围。 （n = 4502）和外部验证队列（n = 3780）。根据净益处和预测的概率阈值，我们建议对具有SLE的VTE的VTE年度筛查（≥1.03％）患者。结论各种因素与SLE患者的VTE发生有关。拟议的SLE-VTE风险评分可以准确预测VTE的风险，并帮助识别患有可能受益于血栓预防的VTE风险高的SLE患者。
原始研究根据可溶性介体确定了预后签名，定义了免疫景观，并预测了HNSCC的预后
背景：头颈鳞状细胞癌（HNSCC）的研究是一种流行而侵略性的头颈癌，重点是可溶性介质的作用。目的是利用可溶性介体相关基因（SMRG）的基于转录组的风险分析来提供对HNSCC患者预后和免疫疗法功效的新见解。方法：我们使用502 HNSCC和44个来自TCGA-HNSC队列的正常样品（TCGA）分析了10,859个SMRG的表达和预后意义。样品以7：3的比例分为训练和测试集，并使用来自国际癌症基因组联盟（ICGC）的40个肿瘤样本进行了额外的外部验证。通过单变量和拉索-Cox回归分析鉴定出具有预后意义的差异表达基因（DEG）。使用套索和多元COX回归开发了基于20个SMRG的预后模型。我们评估了使用最佳数据库和单样本基因集富集分析（SSGSEA）的高风险（HR）和低风险（LR）HNSCC患者的临床结果和免疫状态。结果：20个SMRG对于预测HNSCC的预后至关重要，SMRG签名作为独立的预后指标出现。与LR组相比，在人力资源组中分类的患者表现出较差的结果。 nom图，整合临床特征和风险评分，表现出了实质性的预后价值。表现出较差的结果。nom图，整合临床特征和风险评分，表现出了实质性的预后价值。免疫疗法在LR组中似乎更有效，可能归因于免疫检查点的免疫浸润和表达。结论：基于可溶性介体相关基因的模型提供了一种新的观点，可以评估免疫前功效并展示强大的预测能力。这种创新的方法在推进精确免疫肿瘤研究领域具有巨大的希望，为HNSCC的个性化治疗策略提供了宝贵的见解。
o r i g i n a l r e s a r c h鉴定和分析与生物信息学和实验中败血症诱导的肺部损伤中综合相关基因
目的：败血症引起的肺损伤（SLI）是败血症的严重并发症。全适中，一种新型的炎性程序性细胞死亡形式，尚未在SLI中进行全面研究。我们的研究旨在通过生物信息学和体内实验筛选和验证SLI中全腹病的特征基因。方法：与SLI相关的数据集从NCBI基因表达式综合（GEO）数据库下载。鉴定差异表达的SLI基因（DEG）被鉴定出来，并与设置的全全变基因相交，以获得与全全变（Span_Degs）相关的DEG。然后，基于Span_degs进行了蛋白质 - 蛋白质相互作用（PPI）网络和功能富集分析。SVM-REF，LASSO和RandomForest三种算法被合并，以识别签名基因。进行了拨号图和ROC曲线以预测诊断值。免疫浸润分析，相关分析和差异表达分析用于探索特征基因的免疫特性，相关和表达水平。最后，进行了H＆E染色和QRT-PCR以在体内实验中进行进一步验证。结果：通过与277个全全变基因相交的675摄氏度来鉴定二十四个Span_degs。通过三种机器学习算法鉴定出四个签名基因（CD14，GSDMD，IL1β和FAS），这些机器学习算法在SLI组中高度表达，并且在诊断模型中具有很高的诊断值。结论：CD14，FAS和IL1β可能是全全变的特征基因，以驱动SLI的进展并参与调节免疫过程。此外，免疫浸润分析表明，SLI组的大多数免疫细胞和免疫相关功能都比对照组中的功能高，并且与签名基因密切相关。最后，已经证实，盲肠结扎和穿刺（CLP）小鼠在肺组织中显示出显着的病理损害，并且CD14，IL1β和FAS的mRNA表达水平显着高于假手术组。关键字：败血症，肺损伤，全全变，机器学习，免疫渗透分析
单细胞和大量RNA的综合分析，以预测结直肠癌的预后和治疗反应
结直肠癌（CRC）是一种流行的恶性肿瘤，其特征是全球发病率和死亡率高。此外，必须理解其发育发展的分子机制并确定有效的预后标记。这些努力对于确定潜在的治疗靶标和提高患者存活率至关重要。因此，我们开发了一种新型的预后模型，旨在为临床预后评估和治疗提供新的理论支持。我们从基因表达综合（GEO）和癌症基因组图集（TCGA）数据库中下载了数据。随后，我们进行了单细胞分析，并开发了与结直肠癌相关的预后模型。我们将SCRNA-SEQ数据集（GSE221575）分为19个细胞簇，并使用标记基因将这些簇分为11种不同的细胞类型。使用单变量COX回归和拉索（绝对收缩和选择算子）分析，我们开发了一个由9个基因组成的预后模型。基于我们的9基因模型，我们使用中位风险评分将患者分为高风险和低风险组。高危组表现出与M0巨噬细胞，CD8+ T细胞和M2巨噬细胞的显着正相关。富集分析表明，高风险基团的免疫相关途径的显着富集，包括刺猬_signaling，Wnt信号通路和细胞粘附分子。药物敏感性分析表明，低风险组对5种化学治疗药物敏感，而高风险组仅对1个。此外，我们为临床应用开发了高度可靠的列图。这表明我们的建模分析得出的风险评分对于分层结直肠癌样本非常有效。这项研究全面应用生物信息学方法来构建风险评分模型。该模型显示出良好的预测性能，为结直肠癌患者的个性化治疗提供了潜在的指导。此外，它可以为疾病的发病机理提供有价值的见解，并确定潜在的治疗靶点以进行进一步研究。
简介 VMSR Murthy 博士
• 拉索设备系统的运行效率与环境和经济效率 • 拉索台阶爆破和碎裂/背裂控制中的地震效应 • 镐与岩石相互作用时的热行为以及露天采矿机操作参数的优化 • 通过机器振动和粗糙度指数映射分析旋转爆破孔钻机的性能 • 使用马尔可夫链对隧道掘进机进行可靠性建模 • 一种用于脆弱煤矿支护设计的新型岩体评级方法（RMRdyn）。 • 机械化长壁矿井中为防止采煤机过载而对硬砂岩进行可切割性评估（Jhanjhra，ECL）。 • 使用机器学习算法（ANN）对台阶爆破抛掷距离的预测模型， • 估算露天采矿机切割中的产量、镐和柴油消耗以及露天采矿机的本土化。 • 确定顶板岩石的阈值峰值粒子速度，以合理装药炸药，提高煤矿、金属矿和隧道的安全性和生产率 • 增强印度本土金刚石线技术在石材切割中的功能能力。 • 通过全面的列线图进行资产管理，快速评估露天矿工的表现并计划库存。 • 预测坑洞形成的风险、深度和大小，尤其是在浅层煤矿中，以确保安全开采。 • 爆炸压力和基于时间的概念来估计飞石距离，这对于确定矿井中的禁区以确保安全操作至关重要。 • 结合岩石、炸药和爆炸设计参数的模型，用于金属矿的超挖控制。旨在减少因爆炸引起的超挖而导致的矿石稀释。随后还整合了拉力优化。 • 水下钻孔和爆破概念和技术，用于在海洋结构附近进行控制爆破，以完成港口（维沙卡帕特南）的加深和拓宽，以及用于加强贸易的引水渠道。 • 开发了独一无二的圆盘/镐切割测试设施，该设施在 IIT(ISM) 进行设计、制造和测试。 • 虚拟现实矿山模拟器，在 IIT(ISM) 构思、设计和开发了印度唯一的一个。在此基础上创建了全沉浸式采矿方法（地下和露天煤矿开采模式）。
人工智能在基于 MRI 的直肠癌分期中的作用：系统评价
多项研究探讨了人工智能 (AI) 在基于磁共振成像 (MRI) 的直肠癌 (RC) 分期中的应用，但仍然缺乏全面的评估。本系统评价旨在回顾 AI 模型在基于 MRI 的 RC 分期中的表现。对 PubMed 和 Embase 进行了搜索，从数据库建立之初到 2024 年 10 月，没有任何语言和年份限制。本评价纳入了前瞻性或回顾性研究，这些研究评估了 AI 模型（包括机器学习 (ML) 和深度学习 (DL)）在基于 MRI 的 RC 分期中的诊断性能与任何比较器进行比较。绩效指标被视为结果。两名独立审阅者参与了研究的选择和数据提取，以限制偏见；任何分歧都通过相互协商或与第三位审阅者讨论解决。从数据库中共找到 716 条记录。其中，14 项研究（1.95%）最终被纳入本综述。这些研究发表于 2019 年至 2024 年之间。这些研究采用了各种 MRI 技术，并开发了多种 AI 模型。深度学习是最常见的。用于开发 AI 模型的 MRI 图像包括来自不同景观和系统的 T1 加权图像（14.28%）、T2 加权图像（85.71%）、扩散加权图像（42.85%）或这些图像的组合。这些模型是使用各种技术构建的，主要是深度学习，例如传统神经网络（28.57%）、深度学习重建（14.28%）、弱监督模型开发框架（7.12%）、深度神经网络（7.12%）、基于更快区域的 CNN（7.12%）、ResNet、基于深度学习的临床放射组学列线图（7.12%）、LASSO（7.12%）和随机森林分类器（7.12%）。所有使用单一类型图像或组合成像模式的模型在准确度、灵敏度、特异性、阳性似然比、阴性似然比和曲线下面积方面均表现出优于人工评估的性能，得分 >0.75。这被认为是良好的表现。目前的研究表明，基于 MRI 的 RC 分期 AI 模型表现出很高的性能，前景广阔。
研究基因表达、生物标志物和多分析物测试
代码 编号 描述 CPT 0006M 肿瘤学（肝脏），利用新鲜肝细胞癌肿瘤组织，测定 161 个基因的 mRNA 表达水平，包括甲胎蛋白水平，以算法报告风险分类器 0007M 肿瘤学（胃肠道神经内分泌肿瘤），利用全外周血对 51 个基因进行实时 PCR 表达分析，以算法报告肿瘤疾病指数的列线图 0019M 心血管疾病，血浆，通过基于适体的微阵列分析蛋白质生物标志物，以算法报告高危人群中 4 年发生冠状动脉事件的可能性 0041U 伯氏疏螺旋体，通过免疫印迹检测 5 个重组蛋白组抗体，IgM 0042U 伯氏疏螺旋体，通过免疫印迹检测 12 个重组蛋白组抗体，IgG 0063U 神经病学（自闭症），通过 LCMS/MS 检测 32 个胺，使用血浆，算法报告为与自闭症谱系障碍相关的代谢特征 0108U 胃肠病学（巴雷特食管），全幻灯片数字成像，包括形态分析、9 种蛋白质生物标志物（p16、AMACR、p53、CD68、COX-2、CD45RO、HIF1a、HER- 2、K20）的计算机辅助定量免疫标记和形态学、福尔马林固定石蜡包埋组织，算法报告为进展为高度发育不良或癌症的风险 0170U 神经病学（自闭症谱系障碍 [ASD]），RNA，下一代测序，唾液，算法分析，结果报告为 ASD 诊断的预测概率 0258U 自身免疫（牛皮癣），mRNA，下一代测序，50-100 个基因的基因表达谱，使用粘性贴片进行皮肤表面收集，算法报告为对牛皮癣生物制剂的反应可能性0263U 神经病学（自闭症谱系障碍 [ASD]），16 种中心碳代谢物（即 α 酮戊二酸、丙氨酸、乳酸、苯丙氨酸、丙酮酸、琥珀酸、肉碱、柠檬酸、富马酸、次黄嘌呤、肌苷、苹果酸、S-磺基半胱氨酸、牛磺酸、尿酸和黄嘌呤）的定量测量，液相色谱串联质谱法 (LC-MS/MS)，血浆，算法分析，结果报告为阴性或阳性（针对 ASD 的代谢亚型）0288U 肿瘤学（肺），mRNA，11 个基因（BAG1、BRCA1、CDC6、CDK2AP1、ERBB3、FUT3、IL11、LCK、RND3、SH3BGR、WNT3A）和 3 个参考基因（ESD、TBP、YAP1）的定量 PCR 分析，福尔马林固定石蜡包埋 (FFPE) 肿瘤组织，算法解释报告为复发风险评分 0289U 神经病学（阿尔茨海默病），mRNA，通过 24 个基因的 RNA 测序进行基因表达分析，全血，算法报告为预测风险评分 0290U 疼痛管理，mRNA，通过 36 个基因的 RNA 测序进行基因表达分析，全血，算法报告为预测风险评分