XiaoMi-AI文件搜索系统
World File Search SystemWLI
高级光学组件的原子力显微镜
尽管干涉方法（例如WLI和PSI）在粗糙的表面上产生良好的结果（请参见图5下一页），但它们并不适合每个应用程序。例如，诸如干扰过滤器中使用的涂层可以引入相变形或额外的干扰条纹，从而导致结果不准确。包含具有非常不同光学特性的区域的样品也会产生测量误差。在宽波长范围内具有高传输的涂层，例如反射性涂料，可能无法充分反映出良好的测量。动态范围限制也是高度弯曲表面或具有急剧变化的表面的考虑。具有PSI，高度变化大于相邻像素之间的几百纳米可能会导致测量问题。
使用 EndoBRAIN 进行 AI 辅助内吞细胞镜检查的真实体验 — 来自三级护理中心的一项观察性研究
摘要背景与目的对结肠息肉进行精确的光学诊断可提高结肠镜检查的成本效益并减少息肉切除术相关的并发症。我们进行了这项研究以评估单独目视检查 (WLI + NBI) 和 EndoBRAIN (内吞细胞镜检查-计算机辅助诊断 [EC- CAD]) 在现实场景中使用 EC 识别病变是肿瘤性还是非肿瘤性的诊断性能。方法在这项观察性、前瞻性、先导性研究中，共研究了年龄大于或等于 18 岁患者的 55 个息肉。EndoBRAIN 是一个基于人工智能 (AI) 的系统，可实时分析细胞核、隐窝结构和血管模式以区分肿瘤性和非肿瘤性病变。内镜医师首先使用白光成像 (WLI)、窄带成像 (NBI) 评估息肉，然后使用 EC 和 NBI 以及 EC 和亚甲蓝染色进行评估。以组织病理学为金标准，比较内镜医师和 EndoBRAIN 在鉴别肿瘤性和非肿瘤性息肉方面的敏感性、特异性、阳性预测值、阴性预测值和准确性。结果共研究了 55 个息肉，其中大多数为小型息肉（36/55），位于直肠（21/55）。图像获取率为 78%（43/55），大多数组织病理学被鉴定为增生性（20/43）和低级别腺瘤（16/43）。 EndoBRAIN 识别结肠息肉的敏感性为 100%，特异性为 81.82%（95% 置信区间 [CI]，59.7 – 94.8%），准确率为 90.7%（95% CI，77.86 – 97.41%），阳性预测值为 84%（95% CI，68.4 – 92.72%），阴性预测值为 100%。敏感性和阴性预测值明显高于内镜医师的目视检查。诊断准确度似乎更高；然而，并未达到统计学意义。两组的特异性和阳性预测值相似。结论 使用 EC 和 EC-CAD 的光学诊断在预测组织病理学诊断方面具有潜在作用。CAD 的诊断性能似乎比内镜医师使用 EC 预测肿瘤病变更好。
纳米显微镜领域的领先创新者......
Park Systems Corporation 是纳米级显微镜和计量解决方案制造领域的行业领导者。其全面的产品系列包括原子力显微镜 (AFM)、白光干涉仪 (WLI)、纳米红外光谱 (NanoIR) 和成像光谱椭圆偏振仪 (ISE) 系统。公司对卓越的承诺促成了多项突破性创新的开发，包括真正的非接触式成像、3D 计量和全自动 AFM 系统，这些创新能够满足研究和工业需求。Park Systems 产品在科学研究、纳米工程、半导体制造和质量保证领域具有广泛的应用潜力。公司持续的奉献精神使 Park Systems 成为领先半导体公司、知名科研大学和国家实验室最青睐的纳米计量产品供应商。
用NIR-I荧光免疫偶联物靶向颅内患者衍生的胶质母细胞瘤（GBM），以促进其图像引导切除
术中治疗的标准形式（即，白光照明下的肿瘤组织切除，WLI）。3,5在健康的脑组织中迅速迅速与非常低的细胞浓度的患病组织延伸以外的多个百分点，超出了非态性局部硬化性肿瘤质量，这显着地使任何形式的治疗部门都伴随着治疗的效果，尤其是在整个手术方面的影响（如果有帮助的情况下），因为该组织的差异（如果有帮助），因为该组织有帮助，因为这种疾病的范围是在质地上的差异）图像删除的术中和术中成像方式（即 ，图像未实时获取）。 此外， GBM表现出相当大的肿瘤内和间异质性，在生物学上也适应逐渐变化的化学疗法或静态抗性或静止。 6靶向脑部疾病，例如GBM，具有小分子或生物学疗法，因为存在Nicky Nicky半渗透的血脑屏障（BBB），因此正在挑战。 BBB表现出极低的溶质渗透性，这有助于维持脑稳态。 因此，术前和术后治疗3,5在健康的脑组织中迅速迅速与非常低的细胞浓度的患病组织延伸以外的多个百分点，超出了非态性局部硬化性肿瘤质量，这显着地使任何形式的治疗部门都伴随着治疗的效果，尤其是在整个手术方面的影响（如果有帮助的情况下），因为该组织的差异（如果有帮助），因为该组织有帮助，因为这种疾病的范围是在质地上的差异）图像删除的术中和术中成像方式（即，图像未实时获取）。GBM表现出相当大的肿瘤内和间异质性，在生物学上也适应逐渐变化的化学疗法或静态抗性或静止。6靶向脑部疾病，例如GBM，具有小分子或生物学疗法，因为存在Nicky Nicky半渗透的血脑屏障（BBB），因此正在挑战。BBB表现出极低的溶质渗透性，这有助于维持脑稳态。因此，术前和术后治疗
系统分析和荟萃分析
胃癌是全球第三大癌症死亡原因（1）。大多数胃癌是在晚期才被诊断出来，因为其症状和体征往往不明显且无特异性，导致整体预后不良，而在早期发现的情况下，5 年生存率可超过 90%（2-4）。内镜检查仍被认为是检测 EGC 最有效的方法（5）。然而，早期胃癌（EGC）特别难以识别，因为它通常表现为细微隆起或凹陷以及淡淡的红色，很可能被识别为正常粘膜或胃炎。此外，胃壁内的侵入深度也很难预测。10 项涉及 3,787 名接受上消化道内镜检查的患者的研究显示在诊断前 3 年内上消化道癌症的漏诊率为 11.3%（6）。一项涉及 2,153 例病变图像的荟萃分析显示，白光成像 (WLI) 内镜诊断 EGC 的受试者工作特征曲线下面积 (AUC) 仅为 0.48 (7)。近十年来，人工智能 (AI) 在医学中的应用引起了广泛关注，人工智能辅助内镜诊断是研究的热点。人工智能是指计算机执行与智能生物相关的任务的能力，例如模仿人类的认知能力的“学习”功能 (8)。人工智能的子领域包含机器学习和深度学习（图 1）。机器学习这个术语最初由 Arthur Samuel 于 1959 年创造，是计算机科学的一个领域，即系统能够在没有特定程序的情况下从输入数据中“学习”的能力 (9)。分类模型训练中常见的机器学习方法包括集成树、决策树、支持向量机、k近邻等（10）。深度学习最初于1998年应用于图像处理领域，是指在用于特征提取和转换的机器学习算法的基础上，在非线性处理中应用各层（11）。神经网络与人脑相似，特别模仿紧密相连的神经元来识别模式、提取特征或“学习”输入数据以预测结果（12）。不同的模型训练范式被称为“神经网络”（13）。对于标准内窥镜图像，已经推荐了几种用于自动检测早期胃癌的计算机辅助检测（CAD）算法。原有图像分类模型的性能提升主要依赖于视觉特征和大规模数据集，这在 EGC 中很难实现