XiaoMi-AI文件搜索系统
World File Search SystemStaging
SEER 计划编码和分期手册 2023
将与本手册相关的技术问题、建议和修订提交给 SEER 网站上的“询问 SEER 注册员”。每个 SEER 核心注册中心的指定工作人员也可以使用基于网络的 SINQ 系统向 NCI SEER 查询系统提交技术问题。出版后发现的本手册更新将在 SINQ 的“当前手册更新”类别下找到，直到本手册发布后续修订版。来自“询问 SEER 注册员”和 SINQ 系统的相关问题和答案将被纳入下一版 SEER 手册。注意：有关 AJCC TNM 分期、站点特定数据项和 SEER 不需要的数据项的问题，请参阅美国外科医师学会癌症委员会答案论坛。SEER 所需数据项列在 NAACCR 所需状态表中。
弗里德赖希共济失调的大脑结构和退化分期：ENIGMA‐共济失调工作组的磁共振成像体积测量
来自 1 澳大利亚维多利亚州墨尔本莫纳什大学中央临床学院神经科学系；2 澳大利亚维多利亚州克莱顿莫纳什大学莫纳什生物医学成像系；3 澳大利亚维多利亚州克莱顿莫纳什大学心理科学学院特纳大脑与心理健康研究所；4 意大利 Bosisio Parini IRCCS Eugenio Medea 科学研究所神经影像科；5 奥地利因斯布鲁克医科大学神经病学系；6 意大利那不勒斯费德里科二世大学高级生物医学科学系；7 澳大利亚维多利亚州帕克维尔默多克儿童研究所 Bruce Lefroy 中心；8 澳大利亚维多利亚州帕克维尔墨尔本大学；9 德国哈勒 (萨勒) 大学医院放射医学系大学诊所和放射科门诊； 10 德国埃森杜伊斯堡-埃森大学埃森大学医院神经内科；11 意大利博洛尼亚大学电气、电子和信息工程系“Guglielmo Marconi”；12 德国亚琛工业大学神经内科；13 JARA-BRAIN 分子
基于脑电图的睡眠分期的自监督对比学习
摘要 — 脑电信号通常易于获取但标记成本高昂。虽然监督学习已广泛应用于脑电信号分析领域，但其泛化性能受到注释数据量的限制。自监督学习（SSL）作为计算机视觉（CV）和自然语言处理（NLP）中的一种流行学习范式，可以使用未标记数据来弥补监督学习的数据短缺。在本文中，我们提出了一种用于睡眠阶段分类的脑电信号自监督对比学习方法。在训练过程中，我们为网络设置了一个借口任务，以便匹配从脑电信号生成的正确变换对。通过这种方式，网络通过学习脑电信号的一般特征来提高表示能力。网络在处理多样化数据方面的鲁棒性也得到了提高，即从变化的数据中提取恒定的特征。具体而言，网络的性能取决于自监督学习训练过程中使用的变换的选择和未标记数据的数量。在 Sleep-edf 数据集上进行的经验评估证明了我们的方法在睡眠分期方面的竞争性能（88.16% 的准确率和 81.96% 的 F1 分数），并验证了 SSL 策略在有限标记数据方案中对 EEG 信号分析的有效性。所有代码均在线公开提供。1
SEER 计划编码和分期手册 2021
SEER 程序编码和分期手册 2021 致谢 Suzanne Adams，理学学士，CTR 信息管理服务公司 Mary Brant 理学学士，CTR SEER 加州中央登记处 Heather Cheney，CTR SEER 犹他州癌症登记处 Jacqueline Clarken，理学学士，CTR SEER 犹他州癌症登记处 Elaine M Collins，文学硕士，RHIA，CTR NAACCR 承包商 Kathleen Davidson-Allen，CTR SEER 大湾区癌症登记处 Daisy Michelle Gray SEER 肯塔基州癌症登记处 Loretta Huston，理学学士，CTR SEER 犹他州癌症登记处 Tiffany Janes，文学学士，CTR SEER 西雅图癌症登记处 Amy R. Kahn，理学硕士，CTR SEER 纽约癌症登记处 Marilynn Lang，CTR SEER 大湾区癌症登记处 Bobbi Jo Matt，理学学士，RHIT，CTR SEER 爱荷华州癌症登记处 Cheryl Moody，文学学士， CTR SEER 加州中央登记处 Lisa G. Orr，CTR SEER 犹他州癌症登记处 Nektarios Pappas，医学博士，CTR SEER 路易斯安那州肿瘤登记处 Lisa A. Pareti，理学学士，RHIT，CTR SEER 路易斯安那州肿瘤登记处 Cathryn E. Phillips，文学学士，CTR SEER 康涅狄格州肿瘤登记处 Elizabeth A. Ramirez Valdez，CTR SEER 新墨西哥州肿瘤登记处 Nai Robinson，CTR SEER 大加州癌症登记处 Debbi Romney，AA，CTR SEER 犹他州癌症登记处 Winny Roshala，文学学士，CTR SEER 大加州癌症登记处 Francis E. Ross，文学学士，CTR SEER 肯塔基州癌症登记处 Nicola Schussler，理学学士信息管理服务公司 Taina Valone，RHIA，CTR SEER 大加州癌症登记处
大规模睡眠登台的专注对手网络
当前开发广义自动睡眠阶段方法的方法依赖于通过利用不同个体的脑电图（EEG）来构建大型标记的培训和测试语料库。但是，训练集中的数据可能显示出脑电图模式的变化，这与测试集中的数据非常不同，这是由于固有的受试者间可变性，获取硬件的异质性，不同的蒙太奇选择和不同的录制录制环境。培训对此类数据的算法，而无需说明这种多样性会导致表现不佳。为了解决此问题，研究了不同的方法，用于学习数据集中所有个体的不变表示。但是，语料库的所有部分都不相同。因此，有力地对齐不可转移的数据可能会对整体绩效产生负面影响。受到临床医生如何手动标记睡眠阶段的启发，本文提出了一种基于对抗性训练的方法，以及注意机制，以从不同数据集中提取跨个体的传播信息，并注意更重要或相关的渠道和可转移的数据的数据集。Using two large public EEG databases - 994 patient EEGs (6,561 hours of data) from the Phys- ionet 2018 Challenge (P18C) database and 5,793 patients (42,560 hours) EEGs from Sleep Heart Health Study (SHHS) - we demonstrate that adversarially learning a network with attention mechanism, significantly boosts performance compared to state-of-the-art deep learning approaches in the跨数据库方案。通过将SHH视为训练集，提出的方法平均将精度从0.72提高到0.84，灵敏度从0.74提高到0.74，而Cohen的Kappa kappa系数从0.64到0.80，则在P18C数据库中的敏感性从0.64提高到0.80。
人工智能驱动的 COVID-19 肺炎整体量化、分期和预后
Guillaume Chassagnon，医学博士 *，1,2,3，Maria Vakalopoulou，PhD ∗，4,5,6，Enzo Battistella，MSC *，4,6,7，Stergios Christodoulidis，Phd DD 8,9博士8,9，MD 1，MD 1，MD 1，Stefany El Hajj，MD 1，Florian Bompard，MD 1，MD 1，MD 1，MD 1，Chahinez Hani，MD 1，Ines Saab，Ines Saab，MD 1，MD 1，Ali'enor Campredon，Md 1. Freche，MD 1，Maxime Barat，MD 1,2，Aurelien Lombard，MSC 10，Laure Fournier，MD PhD 2,11，Hippolyte Monnier，MD 11，T´eodor Grand，MD 11，Jules Gregory，MD 2,12 2,14，Pierre-Yves Brillet，医学博士15,16，St´ephane Tran BA，MD 15,16，Val´erie Bousson，MD PhD 2,17，Ahmed Mekki，MD 18,19,20，Robert-Yves Carlier，MD Phd 18,19,20 4,6,10
租赁及分阶段制作库存服务计划
租赁和舞台行业的直视 LED 视频墙显示器必须在一些最恶劣的环境中运行，因此维护成本是业主面临的最大挑战之一。Planar 租赁和舞台生产库存服务计划提供可知的可控成本来维护您的租赁库存并最大化您的投资回报。该计划为 RMA 维修提供了固定的时间表和成本。