XiaoMi-AI文件搜索系统
World File Search SystemTing
对急诊入院的人工智能驱动的 COVID-19 分类进行真实世界评估：无实验室和高通量筛查解决方案的外部验证和操作评估 Andrew AS Soltan 博士 MB BChir 1,2 Jenny Yang MSc 3 Ravi Pattanshetty 博士 FRCEM 1 Alex Novak 博士 FRCEM 1 Yang Yang 博士 DPhil 3 Omid Rohanian 博士 PhD 3 Sally Beer 1 Marina A. Soltan 博士 MRCP 5,6 David R. Thickett 教授 FRCP 5,6 Rory Fairhead 博士 BA 4 CURIAL 转化合作组织 Tingting Zhu 博士 DPhil 3 David W. Eyre 教授 DPhil 1,7,8 David A. Clifton 教授 DPhil 3 附属机构：
摘要背景患者 COVID-19 状态的不确定性导致治疗延迟、院内传播和医院的运营压力。但是，批量处理的实验室 PCR 测试的典型周转时间仍然为 12-24 小时。尽管快速抗原横向流动检测 (LFD) 已在英国急救环境中得到广泛采用，但灵敏度有限。我们最近证明，AI 驱动的分类 (CURIAL-1.0) 可以使用抵达医院后 1 小时内常规获得的临床数据进行高通量 COVID-19 筛查。在这里，我们旨在确定与标准护理相比的运营和安全性改进，使用针对通用性和速度优化的更新算法在四个 NHS 信托机构中进行外部/前瞻性评估，并在英国急诊室部署一种新的无实验室筛查途径。方法我们对 CURIAL-1.0 中的预测因子进行了合理化，以分别优化通用性和速度，开发了具有生命体征和常规实验室血液预测因子（FBC、U&E、LFT、CRP）的 CURIAL-Lab 以及仅具有生命体征和 FBC 的 CURIAL-Rapide。在训练期间，模型被校准到 90% 的灵敏度，并针对朴茨茅斯大学医院、伯明翰大学医院和贝德福德郡医院 NHS 信托的非计划入院情况进行了外部验证，并在英国 COVID-19 疫情第二波期间在牛津大学医院 (OUH) 进行了前瞻性验证。使用首次进行的血液测试和生命体征生成预测值，并与确认性病毒核酸检测进行比较。接下来，我们回顾性评估了一种新的临床途径，将患者分类到模型预测或 LFD 结果为阳性的 COVID-19 疑似临床区域，并将灵敏度和 NPV 与单独的 LFD 结果进行比较。最后，我们部署了 CURIAL-Rapide 和经批准的即时诊断 FBC 分析仪（OLO；SightDiagnostics，以色列），在约翰拉德克利夫医院急诊科（英国牛津）提供无需实验室的 COVID-19 筛查，这是信托机构认可的服务改进。我们的主要改进结果是获得结果的时间可用性；次要结果是根据 PCR 参考标准评估的敏感性、特异性、PPV 和 NPV。我们将 CURIAL-Rapide 的性能与标准护理中的临床医生分诊和 LFD 结果进行了比较。结果 72,223 名患者符合外部和前瞻性验证站点的资格标准。各信托机构的模型性能一致（CURIAL-Lab：AUROC 范围 0.858-0.881；CURIAL-Rapide 0.836-0.854），朴茨茅斯大学医院的灵敏度最高（CURIAL-Lab：84.1% [95% Wilson 评分 CIs 82.5-85.7]；CURIAL-Rapide：83.5% [81.8 - 85.1]），特异性为 71.3%（95% Wilson 评分 CIs：70.9 - 71.8）和 63.6%（63.1 - 64.1）。对于 2021 年 12 月 23 日至 2021 年 3 月 6 日期间在 OUH 入院常规护理中接受 LFD 分诊的 3,207 名患者，联合临床路径将灵敏度从 56 提高。仅 LFD 为 9%（95% CI 51.7-62.0），而 CURIAL-Rapide 为 88.2%（84.4-91.1；AUROC 0.919），CURIAL-Lab 为 85.6%（81.6-88.9；AUROC 0.925）。2021 年 2 月 18 日至 2021 年 5 月 10 日期间，520 名患者前瞻性地接受了即时临床 FBC 分析，其中 436 名患者在常规护理中接受了确认性 PCR 检测，10 名（2.3%）检测呈阳性。从患者到达到获得 CURIAL-Rapide 结果的中位时间为 45:00 分钟（32-64），比 LFD 快 16 分钟（26.3%）
医学研究中人工智能的报告指南 J. Peter Campbell, MD, MPH、Aaron Y Lee, MD, MSCI、Michael Abràmoff, MD、Pearse A. Keane, MD, FRCOphth、Daniel SW Ting, MD PhD 和 Michael F. Chiang, MD 资金支持：JPC 和 MFC 得到美国国立卫生研究院 (马里兰州贝塞斯达) 的 R01EY19474、R01EY031331、K12EY027720 和 P30EY10572 的支持；以及防盲研究 (JPC) 的无限制部门资金和职业发展奖的支持。AYL 得到 NIH/NEI K23EY029246、NIH P30EY10572 和防盲研究的无限制拨款的支持。赞助商/资助组织未参与本研究的设计或实施。财务披露：Michael D Abramoff，IDx（I、F、E、P、S）、Alimera（F）。J. Peter Campbell，Genentech（F）。Aaron Y Lee，美国 FDA（E）、Genentech（C）、Topcon（C）、Verana Health（C）、Santen（F）、Novartis（F）、Carl Zeiss Meditec（F）。Pearse A. Keane，DeepMind Technologies（C）、Roche（C）、Novartis（C）、Apellis（C）、Bayer（F）、Allergan（F）、Topcon（F）、Heidelberg Engineering（F）。Daniel Ting，EyRIS（IP）、Novartis（C）、Ocutrx（I、C）、Optomed（C）。通讯作者：Michael F Chiang 地址？联系方式？
医学研究中人工智能的报告指南 J. Peter Campbell, MD, MPH、Aaron Y Lee, MD, MSCI、Michael Abràmoff, MD、Pearse A. Keane, MD, FRCOphth、Daniel SW Ting, MD PhD 和 Michael F. Chiang, MD 资金支持：JPC 和 MFC 得到美国国立卫生研究院 (马里兰州贝塞斯达) 的 R01EY19474、R01EY031331、K12EY027720 和 P30EY10572 的支持；以及防盲研究 (JPC) 的无限制部门资金和职业发展奖的支持。AYL 得到 NIH/NEI K23EY029246、NIH P30EY10572 和防盲研究的无限制拨款的支持。赞助商/资助组织未参与本研究的设计或实施。财务披露：Michael D Abramoff，IDx（I、F、E、P、S）、Alimera（F）。J. Peter Campbell，Genentech（F）。Aaron Y Lee，美国 FDA（E）、Genentech（C）、Topcon（C）、Verana Health（C）、Santen（F）、Novartis（F）、Carl Zeiss Meditec（F）。Pearse A. Keane，DeepMind Technologies（C）、Roche（C）、Novartis（C）、Apellis（C）、Bayer（F）、Allergan（F）、Topcon（F）、Heidelberg Engineering（F）。Daniel Ting，EyRIS（IP）、Novartis（C）、Ocutrx（I、C）、Optomed（C）。通讯作者：Michael F Chiang 地址？联系方式？
人工智能驱动的有效镜片位置预测提高了现有镜片公式的准确性 Tingyang Li，BS 1；Joshua D. Stein，MD，MS 2,3,4； Nambi Nallasamy，医学博士 1,2 1 密歇根大学计算医学和生物信息学系 2 密歇根大学凯洛格眼科中心眼科和视觉科学系 3 密歇根大学眼科政策与创新中心，密歇根州安娜堡 4 密歇根大学公共卫生学院卫生管理与政策系，密歇根州安娜堡 通讯作者：Nambi Nallasamy，医学博士 密歇根大学凯洛格眼科中心 1000 Wall St Ann Arbor, MI 48105 电话：(734) 763-5506 传真：(734) 936-2340 字数：2589
摘要 目的：评估结合机器学习 (ML) 方法准确预测术后前房深度 (ACD) 是否能提高现有人工晶状体 (IOL) 计算公式的屈光预测性能。方法：密歇根大学凯洛格眼科中心收集了 4806 名白内障患者的数据集，并将其分为训练集（80% 的患者，5761 只眼睛）和测试集（20% 的患者，961 只眼睛）。使用先前开发的基于 ML 的方法根据术前生物测量预测术后 ACD。使用回归模型将这种基于 ML 的术后 ACD 集成到新的有效晶状体位置 (ELP) 预测中，以重新调整四个现有公式（Haigis、Hoffer Q、Holladay 和 SRK/T）中的每一个的 ML 输出。使用测试数据集比较了具有 ML 修改的 ELP 的公式的性能。通过屈光预测中的平均绝对误差 (MAE) 来衡量性能。结果：当用原始 ELP 和 ML 预测的 ELP 的线性组合替换 ELP 时，测试集中的 MAE ± SD（以屈光度为单位）为：Haigis 为 0.356 ± 0.329，Hoffer Q 为 0.352 ± 0.319，Holladay 为 0.371 ± 0.336，SRK/T 为 0.361 ± 0.331，明显低于原始公式的 MAE ± 0.328：Haigis 为 0.408 ± 0.337，Holladay 为 0.384 ± 0.341，SRK/T 为 0.394 ± 0.351。结论：使用更准确的预测术后 ACD 可显著提高现有四种 IOL 度数公式的预测准确性。
Ting Hu a, *, Qize Zhong a , Nanxi Li, Yuan Dong, Zhengji Xu, Yuan Hsing Fu, Dongdong Li, Vladimir Bliznetsov, Yanyan Zhou, Keng Heng Lai, Qunying Lin
摘要：由人工亚波长纳米结构制成的超透镜已展示出光聚焦和微型成像的能力。本文，我们报告了通过互补金属氧化物半导体兼容工艺在12英寸玻璃晶片上批量生产非晶硅超透镜的演示。所制备的超透镜的测量数值孔径为0.496，聚焦光斑尺寸在940nm波长处为1.26μm。将超透镜应用于成像系统以测试成像分辨率。可以清楚地观察到宽度为2.19μm的分辨率图的最小条。此外，同一系统演示了指纹成像，并证明了使用超透镜阵列来减小系统尺寸的概念，以实现未来的紧凑型消费电子产品。
