XiaoMi-AI文件搜索系统
World File Search SystemStaging
通过多级域对齐实现通用的睡眠分期
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有方法依赖于一个特定的数据集，并且仅限于推广到其他看不见的数据集，这些数据集的训练数据和测试数据来自同一数据集。在本文中，我们将领域泛化引入自动睡眠分期并提出可泛化的睡眠分期任务，旨在提高模型对看不见的数据集的泛化能力。受现有领域泛化方法的启发，我们采用特征对齐的思想并提出一个名为 SleepDG 的框架来解决它。考虑到局部显着特征和序列特征对于睡眠分期都很重要，我们提出了一种结合时代级和序列级特征对齐的多级特征对齐来学习领域不变的特征表示。具体来说，我们设计了一个 Epoch 级特征对齐来对齐不同域之间每个单个睡眠时期的特征分布，并设计了一个 Sequence 级特征对齐来最小化不同域之间序列特征的差异。SleepDG 在五个公共数据集上进行了验证，实现了最先进的性能。
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。
回顾外阴黑色素瘤：临床特征、诊断、分期、治疗和预后
目的：本文对外阴黑色素瘤的诊断和治疗进行详细的综述，为今后该病的诊断和治疗提供有益的参考。机制：在这篇综述中，作者首先明确文章的主题和涵盖的内容。在PubMed上搜索一系列与主题相关的关键词组合，广泛阅读1970年至2022年与外阴黑色素瘤指南相关的搜索引擎和数据库衍生文献，包括随机临床研究、观察性研究和基础研究。根据发表的内容，按照出版年份、引用次数和出版单位对文章进行筛选。收集每篇文章所需的数据和内容。最后，对收集到的资料进行总结，对外阴黑色素瘤这种罕见疾病进行深入的介绍，涵盖临床特征、诊断、分期、治疗和预后等方面。结论摘要：通过本文综述，全面了解外阴黑色素瘤的诊治现状及未来研究的突破方向。结论：目前外阴黑色素瘤的诊断方法主要包括大体检查、皮肤镜检查、显微镜检查、组织病理学及影像学检查。外阴黑色素瘤的治疗方式主要有手术、放疗、化疗、免疫检查点抑制剂、靶向治疗及免疫调节剂等。
加速大脑衰老作为双相情感障碍分期的生物标志物：一项探索性研究
1 精神病学，阿姆斯特丹 UMC 地点阿姆斯特丹自由大学，荷兰阿姆斯特丹；2 GGZ inGeest 专业精神卫生保健，荷兰阿姆斯特丹；3 精神卫生，阿姆斯特丹公共卫生研究所，荷兰阿姆斯特丹；4 阿姆斯特丹神经科学、情绪、焦虑、精神病、睡眠和压力，荷兰阿姆斯特丹；5 阿姆斯特丹神经科学、神经退行性疾病，荷兰阿姆斯特丹；6 精神病学系，UMC 乌得勒支大学脑中心，荷兰乌得勒支；7 精神病学和生物行为科学系，塞梅尔神经科学和人类行为研究所，大卫格芬医学院，美国加利福尼亚州洛杉矶；8 神经行为遗传学中心，塞梅尔神经科学和人类行为研究所，大卫格芬医学院，美国加利福尼亚州洛杉矶；9 精神病学系，伊拉斯姆斯大学医学中心，荷兰鹿特丹； 10 荷兰鹿特丹伊拉斯姆斯医学中心 - 索菲亚、儿童和青少年精神病学和心理学以及 11 荷兰乌得勒支大学人文学院语言、文学和交流系
基于人工智能的基于 CT 的 COVID-19 肺炎量化、分期和短期结果预测
Guillaume Chassagnon，医学博士，哲学博士*，1，2，3，Maria Vakalopoulou，哲学博士∗4，5，6，7，Enzo Battistella，硕士4，6，7，Stergios Christodoulidis，哲学博士8，9，Trieu-Nghi Hoang-Thi，医学博士 1 ，Severine Dangeard，医学博士 1 ，Eric Deutsch，医学博士 6,7 ，Fabrice Andre，医学博士 8,9 ，Enora Guillo，医学博士 1 ，Nara Halm，医学博士 1 ，Stefany El Hajj，医学博士 1 ， Florian Bompard，医学博士 1 、Sophie Neveu，医学博士 1 、Chahinez Hani，医学博士 1 、Ines Saab，医学博士 1 、Ali´enor Campredon，医学博士 1 、Hasmik Koulakian，医学博士 1 、Souhail Bennani，医学博士 1 、 Gael Freche，医学博士 1 ，Aurelien Lombard，理学硕士 15 ，Laure Fournier，医学博士，哲学博士 2,10 ，Hippolyte Monnier，医学博士 10 ，T´eodor Grand，医学博士 10 ，Jules Gregory，医学博士 2,11 ，Antoine Khalil，医学博士，哲学博士 2， 12 , Elyas Mahdjoub 医学博士 2,12 , Pierre-Yves Brillet 医学博士 13 , St´ephane Tran Ba 医学博士 13 , Val´erie Bousson 医学博士 2,14 , Marie-Pierre Revel 医学博士 1,2, 3 ，以及 Nikos Paragios 博士 † 4,7,15
LightSleepNet：基于单通道脑电图的个性化便携式睡眠分期系统设计
摘要 —本文提出了 LightSleepNet——一种基于轻量级 1-d 卷积神经网络 (CNN) 的个性化实时睡眠分期架构，可在硬件资源有限的各种移动平台上实现。所提出的架构仅需要输入 30 秒单通道 EEG 信号即可进行分类。使用由组 1-d 卷积组成的两个残差块代替传统的卷积层来消除 CNN 中的冗余。在每个卷积层中插入通道混洗以提高准确性。为了避免过度拟合训练集，使用全局平均池化 (GAP) 层替换全连接层，这进一步显著减少了模型参数的总数。提出了一种结合自适应批量归一化 (AdaBN) 和梯度重新加权的个性化算法，用于无监督域自适应。易于转移到新受试者的示例具有更高的优先级，并且该算法可以针对新受试者进行个性化而无需重新训练。实验结果表明，仅需 4576 百万次每秒浮点运算 (MFLOP) 计算和 43.08 K 个参数，就能达到 83.8% 的最佳总体准确率。
单渠道EEG
摘要 - 本文提出了一种基于多通道多域（MCMD）的知识蒸馏算法，用于使用单渠道EEG进行睡眠停滞。同时在提出的算法中学习了来自不同领域和不同渠道的知识。在拟议的工作中使用了多通道预训练和单通道微调方案。从源域中的不同通道中的知识转移到目标域中的单渠道模型。预先训练的教师学生模型方案用于将知识从多渠道教师模型提炼到单个通道学生模型，并结合了目标域中的输出传输和中间特征传递。所提出的算法达到了86.5％的最新单渠道睡眠登台精度，仅来自状态的多通道模型的0.6％恶化。与基线模型相比，有2％的改善。实验结果表明，来自多个域（不同数据集）和多个通道的知识（例如EMG，EOG）可以转移到单渠道睡眠阶段。索引术语 - 睡眠分期，转移学习，知识蒸馏，单渠道脑电图，脑部计算机界面
通过深度学习显着特征的雏鸡胚胎组织的精确分期
最近的工作表明，HH10雏鸡大脑中祖细胞的发育潜力迅速变化，伴随着形态的细微变化。这需要在此阶段增加对大脑研究的时间分辨率，因此需要精确和公正的分期。在这里，我们调查了是否可以使用151个专业标记图像的小数据集训练深卷卷神经网络为次级HH10小鸡大脑。通过使用生物学知情的转换和数据驱动的预处理步骤来增强我们的图像，我们成功地将分类器训练为次级HH10大脑至87.1％的测试准确性。为了确定是否可以使用分类器，我们使用随机对照和实验性小鸡机翼的图像（269）对其进行了重新训练，并获得了类似的高测试准确性（86.1％）。显着性分析表明，生物学相关的特征用于分类。我们的策略可以培训图像分类器，用于具有有限的显微镜数据的发育生物学中的各种应用。
使用MRI脑图的进行性核上麻痹综合征的分阶段
人类寿命的大脑图表，以在正常衰老和各种神经系统疾病中构建脑解剖结构的动态模型。他们提供了新的可能性来量化从临床前阶段到死亡的神经解剖学变化，那里没有longi tudinal MRI数据。在这项研究中，我们使用大脑图来对脑萎缩的进展进行进行性超核麻痹 - 瑞奇综合征。 我们组合了多个数据集（n = 8170个涵盖整个寿命的健康受试者的质量控制的MRI，以及从四个重复的tauopathy神经疗法的核定型起始（4Rttni）to to to to to to to to contrapice to to to contrapice to to to to to to to to n = 62 MRI的核酸内核（4rtni）的核能效率和健康的效率象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性的效率为麻痹 - 瑞典综合症大脑结构。 然后，我们在时间和空间中映射了健康和进行性核上麻痹 - 瑞典邦综合征图表之间的顺序差异。 我们发现了萎缩进展的六个主要阶段：（i）ven tral diencephalon（包括丘脑下核，底胺和红色核），（ii）Pallidum，（iii）脑干，纹状体，纹状体，纹状体和杏仁核，（IV）丘脑，（IV）thalamus，（v）thalamus，（v）lobe和（VI）。 随着时间的流逝，具有最严重萎缩的三个结构是丘脑，其次是钯和脑干。 这些结果与进步性上核瘫痪 - 里希尔森综合症的陶氏病进展的神经病理学分期相匹配，该病理应该在pallido-nigro-luysian系统中开始，并通过纹状体和杏仁核向Cerebral cortral cortex和Caudess和Caudsemton和Caudsemth the Pallido-Nigro-luysian系统开始传播。在这项研究中，我们使用大脑图来对脑萎缩的进展进行进行性超核麻痹 - 瑞奇综合征。我们组合了多个数据集（n = 8170个涵盖整个寿命的健康受试者的质量控制的MRI，以及从四个重复的tauopathy神经疗法的核定型起始（4Rttni）to to to to to to to to contrapice to to to contrapice to to to to to to to to n = 62 MRI的核酸内核（4rtni）的核能效率和健康的效率象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性的效率为麻痹 - 瑞典综合症大脑结构。然后，我们在时间和空间中映射了健康和进行性核上麻痹 - 瑞典邦综合征图表之间的顺序差异。我们发现了萎缩进展的六个主要阶段：（i）ven tral diencephalon（包括丘脑下核，底胺和红色核），（ii）Pallidum，（iii）脑干，纹状体，纹状体，纹状体和杏仁核，（IV）丘脑，（IV）thalamus，（v）thalamus，（v）lobe和（VI）。随着时间的流逝，具有最严重萎缩的三个结构是丘脑，其次是钯和脑干。这些结果与进步性上核瘫痪 - 里希尔森综合症的陶氏病进展的神经病理学分期相匹配，该病理应该在pallido-nigro-luysian系统中开始，并通过纹状体和杏仁核向Cerebral cortral cortex和Caudess和Caudsemton和Caudsemth the Pallido-Nigro-luysian系统开始传播。这项研究支持在人类寿命中使用大脑图表来研究神经退行性疾病的进展，尤其是在没有特定的生物标志物的情况下，如PSP中。
使用机器学习技术从视野图像中进行的青光眼检测和分阶段
从119个正常和146头胶状眼睛收集了265个PD图和265个数值数据集24-2个VF图像，以训练DL模型，以将图像分为四组：正常，青光眼，早期的青光眼，中度青光眼，中度青光眼和高级Glau-coma。使用五倍的交叉验证（CV）训练PD图像的两种流行的预训练的DL模型：RESNET18和VGG16，并使用平衡的，预先提高的数据（n = 476张图像），不平衡的原始数据（n = 265）和功能提取观察到性能。使用Grad-CAM视觉ization技术进一步研究了受过训练的图像。此外，从全局指数（MD），模式标准偏差（PSD）和视野索引（VFI）训练了四个ML模型：模式标准偏差（PSD）和视野索引（VFI）。