XiaoMi-AI文件搜索系统
World File Search SystemRecurrent
通过循环解码单元分割医学 MRI
编码器-解码器网络在分层特征融合方面表现优异，常用于医学图像分割。然而，特征解码和空间恢复的扩展路径在融合不同层的特征图时没有考虑长期依赖性，并且通用编码器-解码器网络没有充分利用多模态信息来提高网络鲁棒性，尤其是对于医学MRI的分割。在本文中，我们提出了一种称为循环解码单元（RDC）的新型特征融合单元，它利用卷积RNN在解码阶段记忆来自前几层的长期上下文信息。我们还基于RDC提出了一种用于分割多模态医学MRI的编码器-解码器网络，称为卷积循环解码网络（CRDN）。CRDN采用CNN主干对图像特征进行编码，并通过一系列RDC对其进行分层解码以获得最终的高分辨率分数图。在 BrainWeb、MRBrainS 和 HVSMR 数据集上的评估实验表明，RDC 的引入有效地提高了分割精度并减小了模型尺寸，并且提出的 CRDN 对医学 MRI 中的图像噪声和强度非均匀性具有很强的鲁棒性。
Tipifarnib 治疗复发性、转移性 HRAS 突变型涎腺癌
通讯作者：Alan L. Ho，医学博士，哲学博士，纽约纪念斯隆凯特琳癌症中心血液学/肿瘤学系，1275 York Ave，纽约，NY 10065（hoa@mskcc.org）。作者贡献 Glenn J. Hanna：研究概念和设计、数据采集、数据分析和解释、撰写初稿以及撰写审阅和编辑。Jeffrey P. Guenette：数据管理、图像分析以及撰写审阅和编辑。Nicole G. Chau、Cyrus M. Sayehli、Christian Wilhelm、Robert Metcalf、Deborah J. Wong、Marcia Brose、Mohammad Razaq、Elisabeth Pérez-Ruiz、Ezra EW Cohen 和 Rahul Aggarwal：数据采集、数据解释以及撰写审阅和编辑。 Catherine Scholz 和 Antonio Gualberto：方法论、药物赞助、项目管理以及写作-审查和编辑。Alan L. Ho：概念化、设计、数据采集、数据分析和解释以及写作-审查和编辑。
复发性胶质母细胞瘤 - 分子基础和不断发展的治疗范例
1沃伦·阿尔珀特医学院，布朗大学，普罗维登斯，RI 02912，美国； CHRISTOPHER_CHANG@BROWN.EDU 2美国马萨诸塞州波士顿的Brigham和妇女医院神经外科部vchavarro@mgh.harvard.edu（V.S.C.）; jgerstl@bwh.harvard.edu（J.V.E.G。）; sarahblitz@hms.harvard.edu（S.E.B。）; lspanehl@bwh.harvard.edu（L.S.）; sgupta@bwh.harvard.edu（S.G.）; dmazzetti@bwh.harvard.edu（D.M.）; oarnaout@bwh.harvard.edu（O.A。）; trsmith@bwh.harvard.edu（T.R.S.）; jbernstock@bwh.harvard.edu（J.D.B.）3哈佛大学，哈佛大学，马萨诸塞州，马萨诸塞州02115，美国4神经外科系，罗斯托克大学，18055年，德国罗斯托克； daniel.dubinski@med.uni-rostock.de（D.D. ）; florian.gessler@med.uni-rostock.de（F.A.G。） 5美国德克萨斯大学医学分公司神经外科系，美国德克萨斯州77555，美国； paavalde@utmb.edu 6美国普罗维登斯（Providence）的布朗大学生物学与医学系，美国RI 02912，美国； lily_n_tran@brown.edu 7，Unicamillus University医学与外科系，意大利罗马00131； luisaesposito99@icloud.com 8儿科分校，神经肿瘤科，医学博士安德森癌症中心，美国德克萨斯州休斯敦，美国德克萨斯州77030； gkfriedman@mdanderson.org 9 David H. Koch综合癌症研究所，马萨诸塞州剑桥，马萨诸塞州剑桥市，美国02139，美国 *通信：pperuzzi@bwh.harvard.edu†这些作者对这项工作做出了同样的贡献。3哈佛大学，哈佛大学，马萨诸塞州，马萨诸塞州02115，美国4神经外科系，罗斯托克大学，18055年，德国罗斯托克； daniel.dubinski@med.uni-rostock.de（D.D.）; florian.gessler@med.uni-rostock.de（F.A.G。）5美国德克萨斯大学医学分公司神经外科系，美国德克萨斯州77555，美国； paavalde@utmb.edu 6美国普罗维登斯（Providence）的布朗大学生物学与医学系，美国RI 02912，美国； lily_n_tran@brown.edu 7，Unicamillus University医学与外科系，意大利罗马00131； luisaesposito99@icloud.com 8儿科分校，神经肿瘤科，医学博士安德森癌症中心，美国德克萨斯州休斯敦，美国德克萨斯州77030； gkfriedman@mdanderson.org 9 David H. Koch综合癌症研究所，马萨诸塞州剑桥，马萨诸塞州剑桥市，美国02139，美国 *通信：pperuzzi@bwh.harvard.edu†这些作者对这项工作做出了同样的贡献。5美国德克萨斯大学医学分公司神经外科系，美国德克萨斯州77555，美国； paavalde@utmb.edu 6美国普罗维登斯（Providence）的布朗大学生物学与医学系，美国RI 02912，美国； lily_n_tran@brown.edu 7，Unicamillus University医学与外科系，意大利罗马00131； luisaesposito99@icloud.com 8儿科分校，神经肿瘤科，医学博士安德森癌症中心，美国德克萨斯州休斯敦，美国德克萨斯州77030； gkfriedman@mdanderson.org 9 David H. Koch综合癌症研究所，马萨诸塞州剑桥，马萨诸塞州剑桥市，美国02139，美国 *通信：pperuzzi@bwh.harvard.edu†这些作者对这项工作做出了同样的贡献。
WTTE-RNN：威布尔事件时间递归神经网络
在本论文中，我们提出了一种预测事件发生时间的新模型：威布尔事件时间 RNN。这是一个用于预测下一个事件发生时间的时间序列的简单框架，适用于我们遇到连续或离散时间、右删失、重复事件、时间模式、随时间变化的协变量或不同长度的时间序列中的任何一个或所有问题时。所有这些问题在客户流失、剩余使用寿命、故障、尖峰训练和事件预测中经常遇到。所提出的模型估计下一个事件发生时间的分布具有离散或连续威布尔分布，其参数是递归神经网络的输出。该模型使用生存分析中常用的特殊目标函数（删失数据的对数似然损失）进行训练。威布尔分布足够简单，可以避免稀疏性，并且可以轻松地进行正则化以避免过度拟合，但仍然具有足够的表现力来编码诸如增加、平稳或减少风险等概念，并且可以在允许的情况下收敛到点估计。预测的威布尔参数可用于预测下一个事件时间的预期值和分位数。它还导致未来风险的自然 2d 嵌入，可用于监控和探索性分析。我们使用通用的审查数据框架来描述 WTTE-RNN，该框架可以轻松地与其他分布一起扩展并适用于多变量预测。我们表明，常见的比例风险模型和威布尔加速故障时间模型是 WTTE-RNN 的特殊情况。所提出的模型在具有不同程度的审查和时间分辨率的模拟数据上进行了评估。我们将其与二元固定窗口预测模型和处理审查数据的简单方法进行了比较。该模型优于简单方法，并且被发现具有许多优势和与二元固定窗口 RNN 相当的性能，而无需指定窗口大小和在更多数据上进行训练的能力。应用于 CMAPSS 数据集以进行模拟喷气发动机的 PHM 运行至故障得到了有希望的结果。
在复发性植入失败患者中的子宫内膜微生物组的表征
摘要：异常子宫内膜微生物群与植入衰竭有关；因此，评估它可能很重要，以改善不育患者的生殖结果。我们研究的主要目的是比较患有抗植入术衰竭（RIF）患者的子宫内膜微生物组和接受辅助繁殖治疗（ART）的对照患者。一项前瞻性队列研究，包括45名具有自己或捐赠配子的患者。通过细菌16S rRNA基因的大规模测序分析子宫内膜微生物组。在RIF和对照患者中检测到不同的细菌群落。乳酸杆菌是最常见的属，RIF患者为92.27％，对照患者的97.96％脱颖而出，两组之间有显着差异（P = 0.002）。在α多样性指数方面没有发现显着差异。在β多样性分析中，在既定组之间的细菌群落分离中观察到了一个显着的趋势（p <0.07）。相对丰度分析鉴定出普雷特氏菌（p <0.001），链球菌（p <0.001），双杆菌（p = 0.002），乳杆菌（p = 0.002）和拨号（p = 0.003）。我们的结果表明，RIF患者的特征是存在近代菌群的特征，并表明子宫内膜微生物组和胚胎植入失败之间可能存在关系，这使我们有可能改善该患者的临床结果。
复发性心包炎的影像学和靶向治疗进展：综述
病例：一名 47 岁女性患者出现剧烈的胸膜性胸痛，并放射至左肩，身体前倾时症状有所改善。大约 5 个月前，她第一次出现急性心包炎，开始服用布洛芬 800 毫克，每日 3 次，以及秋水仙碱 0.6 毫克，每日 2 次。两个月后，在接受治疗期间，她再次出现胸痛，并发现 C 反应蛋白 (CRP) 水平为 24.4mg/dL（要转换为毫克/升，乘以 10）。她被诊断为复发性心包炎，并在她的治疗方案中添加了 20 毫克泼尼松，每日一次。三个月后，在逐渐减少泼尼松剂量并继续使用布洛芬和秋水仙碱的同时，她出现剧烈胸痛，她将此描述为心包炎再次发作。对于这位患有复发性心包炎的成年人，应该采取什么诊断和治疗方法？在美国，每年每 100 000 人中 5.4 至 26 人因心包炎住院。1-3 心包炎的范围从急性心包炎到各种其他形式，例如复发性、持续性、慢性和缩窄性心包炎。多达 30% 的急性心包炎患者在短暂的 4 至 6 周无症状期后会经历使人衰弱的复发性心包炎；这些患者被归类为复发性心包炎。4 回顾性研究估计，美国有 37,000 名患者患有复发性心包炎，每年发病率为 100,000 人中的 6 人。5 一旦
通过度量的视觉脑解码的EEG分类...比较p300检测的卷积和复发性神经网络
摘要：p300组件的单审判分类是一项困难的任务，因为信号比率低。但是，其应用于脑部计算机界面开发可以显着提高这些系统的可用性。本文介绍了P300分类的基线线性判别分析（LDA）与复发性（CNN）和经常性神经网络（RNN）的比较。实验是基于大型多学科的学龄儿童数据集。实验研究和讨论了几种超参数选择。提出的CNN略优于RNN和基线LDA分类器（63.2％的准确性比61.3％和62.8％）。差异在精度和回忆中最为明显。讨论了结果和建议对未来工作的含义，例如堆叠的CNN – LSTM。
WTTE-RNN：威布尔事件时间循环神经网络
在本文中，我们提出了一种预测事件发生时间的新模型：威布尔事件时间 RNN。这是一个用于预测下一个事件发生时间的时间序列的简单框架，适用于我们遇到连续或离散时间、右删失、重复事件、时间模式、随时间变化的协变量或不同长度的时间序列中的任何一个或所有问题。所有这些问题在客户流失、剩余使用寿命、故障、尖峰序列和事件预测中经常遇到。所提出的模型估计下一个事件发生时间的分布具有离散或连续威布尔分布，其参数是递归神经网络的输出。该模型使用生存分析中常用的特殊目标函数（删失数据的对数似然损失）进行训练。威布尔分布足够简单，可以避免稀疏性，并且可以轻松进行正则化以避免过度拟合，但仍然具有足够的表现力来编码诸如增加、平稳或减少风险之类的概念，并且如果允许的话可以收敛到点估计。预测的威布尔参数可用于预测下一个事件发生时间的预期值和分位数。它还会导致未来风险的自然 2d 嵌入，可用于监测和探索性分析。我们使用一个通用的删失数据框架来描述 WTTE-RNN，该框架可以轻松地与其他分布一起扩展并适用于多变量预测。我们表明，常见的比例风险模型和威布尔加速故障时间模型是 WTTE-RNN 的特殊情况。对具有不同程度删失和时间分辨率的模拟数据评估了所提出的模型。我们将它与二元固定窗口预测模型和处理删失数据的简单方法进行了比较。该模型优于简单方法，并且被发现具有许多优点和与二元固定窗口 RNN 相当的性能，而无需指定窗口大小和在更多数据上训练的能力。将 CMAPSS 数据集应用于模拟喷气发动机的 PHM 运行至故障得到了有希望的结果。
晚期或复发性胆道癌的系统治疗
胆道癌（BTC）是一种疾病实体，包括具有胆管细胞分化特征的多种上皮肿瘤，其中包括胆管癌（CCA）和胆囊癌（GBC）。取决于其解剖位置，胆管癌被归类为肝内（ICCA），椎骨（PCCA）或远端（DCCA）。近三分之二的胆道癌患者在诊断时患有晚期疾病，在68-86％的切除术中，癌症最终会在远处或远处出现。化学疗法是晚期或复发性BTC的一线治疗。随着下一代测序（NGS）指导的分子靶向治疗的发展，还有更多选择可用于治疗晚期BTC。化学疗法，尤其是基于吉西他滨/顺铂/nab-paclitaxel的三重疗法，具有最显着的作用，而氟尿嘧啶，白细胞素，Irinotecan和oxaliptin（folfirinox）与bevacizumab相结合。分子靶向疗法应基于基因组测序，并且对于精确医学至关重要。成纤维细胞生长因子受体（FGFR）抑制剂和异位酸脱氢酶（IDH）抑制剂的有望有望实现的靶向疗法主要用于ICCA。其他靶向疗法，例如抗人表皮生长因子受体-2（HER2）疗法，MEK抑制剂，BRAF抑制剂和Poly ADP核糖聚合酶（PARP）抑制剂的效果表现出了疗效。特别需要进一步评估组合策略。但是，在进行的几项研究中仍在评估ICIS。单独使用免疫检查点抑制剂（ICI）的有效性较小，但是根据许多病例系列的化学疗法或放射疗法，ICI除了化疗或放疗。组合疗法由于BTC中致癌的信号传导途径之间的相互作用而引起了人们的注意。
反复或转移性头颈癌中的靶疗法
任何人都可以自由访问可作为“开放访问”的作品的全文。可根据创意共享许可提供的作品可根据所述许可条款和条件使用。使用所有其他作品的使用要求正确持有人（作者或出版商）同意，如果不符合适用法律的版权保护。