XiaoMi-AI文件搜索系统
World File Search SystemWSI
对病原体驱动的合奏模型的开发和解释，用于预测胃癌免疫疗法的反应
抽象背景只有一部分患有胃癌的患者从免疫检查点抑制剂（ICIS）中经历了长期益处。当前，ICI功效的精确预测生物标志物缺乏。这项研究的目的是使用H＆E染色的整个幻灯片图像（WSI）开发和验证病原体驱动的集合模型，以预测胃癌ICI的反应。方法回顾性地收集并分析了584例胃癌患者的H＆E染色WSI和临床数据。使用病原体特征开发和验证了一个集成四个分类器的合奏模型：最低绝对收缩和选择操作员，k-nearest邻居，决策树和随机森林。模型性能。此外，Shap（Shapley添加说明）分析还用于解释该模型的预测值作为每个输入特征的归因值的总和。病原体分析被用来解释模型预测的基础分子机制。结果我们的病原体驱动的集合模型有效地分层了训练队列中对ICI的响应（AUC 0.985（95％CI 0.971至0.999）），这在内部验证队列中得到了进一步验证（AUC 0.921（AUC 0.921（95％CI 0.839至0.9999999999999999），以及外部验证CORET cohort in Outsheral Valsice cohort in uc cohort in uc cohort in uc cohort in uc cohort in uc cohort cohort cohort cohort cohort cohort cosemess。至0.990）和外部验证队列2（0.927（95％CI 0.802至0.999））。单变量的COX回归分析表明，病原体驱动的集合模型的预测特征是对胃癌患者进行无进展生存的预后因素，这些因素接受了免疫疗法的胃癌患者的预测因素（P <0.001，HR 0.35，HR 0.35（95％CI 0.24至0.50至0.50至0.50至0.50），并且在多种多样的范围内进行了多变的调节，并且是可行的cox concoia coxArtiver coxARTARTARTARTARTARTARTARTARS，并且是可行的。性别，年龄，癌症抗原，碳水化合物抗原19-9，治疗方法，分化，位置和程序性死亡配体1（PD-L1）在所有患者中的表达（p <0.001，HR 0.34（95％CI 0.24至0.50））病原体分析表明，整体模型是由分子水平的免疫，癌症，代谢相关的途径驱动的，并且相关
引言 方法与材料 结果 结论
脑肿瘤是一种复杂的癌症，难以分类和治疗。超过 120 种肿瘤亚型源自中枢神经系统的各个部分，因此确定肿瘤微环境 (TME) 的组成对于早期评估进展、治疗和预防至关重要。小鼠肿瘤已成为脑恶性肿瘤转化研究中广泛使用的模型，有助于解决研究人脑的困难。小鼠大脑可以被视为人脑的微型模型，可以可视化整个组织以提供空间细胞背景。成像质谱流式细胞术™ (IMC™) 是一种高度相关的工具，能够定量评估脑 TME 中的多参数蛋白质组成，而不会出现自发荧光、组织降解和光谱重叠的并发症。Hyperion XTi™ 成像系统利用 IMC 技术同时评估组织中 40 多种单独的结构和功能标记，从而深入了解 TME 的组织和功能。本研究的目的是展示 IMC 的新型全幻灯片成像 (WSI) 功能的应用，以对任何小鼠组织进行定量评估。方法和材料
伊斯特本 Cross Levels Way 以南土地。ID 230800
1.1 该申请是根据理事会的授权方案提交给规划委员会的，因为它提出了一项重大开发项目。该申请还收到了大量的陈述。1.2 该申请寻求规划许可，在伊斯特本公园内约 31.9 公顷的土地上安装太阳能发电场、电池储存和相关基础设施。1.3 该场地分为两个相互连接的地块，“东部地块”（铁路线以东）和“西部地块”（铁路线以西）。西部地块由四块田地组成，东部地块由五块田地组成，每块田地都以沟渠为界，被归类为 3b 级农业用地（中等质量，不是最佳和最通用）。1.4 官员已与法定、内部和其他咨询机构进行了联络，一些技术问题仍未解决，需要进一步书面回复，包括理事会环境保护小组、ESCC 县考古小组和英国自然署。 1.5 该遗址具有无可争议的潜力，可能包含具有国际意义的史前木材遗迹，可能需要就地保存，或进行详细、长期和昂贵的考古发掘。ESCC 县考古学家已批准一份书面调查计划 (WSI)，用于对该遗址进行预先确定的考古评估。鉴于所涉及的大量成本，根据上述建议，寻求成员的授权，以完成必要的调查并将县考古学家的任何建议纳入任何规划许可的授予中。
优化 14 nm 双栅极 Bi-GFET 以降低漏电
近年来，电子技术的突破使金属氧化物半导体场效应晶体管 (MOSFET) 的物理特性不断提升，尺寸越来越小，质量和性能也越来越高。因此，生长场效应晶体管 (GFET) 因其优异的材料特性而被推崇为有价值的候选者之一。14 nm 水平双栅极双层石墨烯场效应晶体管 (FET) 采用高 k 和金属栅极，分别由二氧化铪 (HfO 2 ) 和硅化钨 (WSi x ) 组成。Silvaco ATHENA 和 ATLAS 技术计算机辅助设计 (TCAD) 工具用于模拟设计和电气性能，而 Taguchi L9 正交阵列 (OA) 用于优化电气性能。阈值电压 (V TH ) 调整注入剂量、V TH 调整注入能量、源极/漏极 (S/D) 注入剂量和 S/D 注入能量均已作为工艺参数进行了研究，而 V TH 调整倾斜角和 S/D 注入倾斜角已作为噪声因素进行了研究。与优化前的初始结果相比，I OFF 值为 29.579 nA/µm，表明有显著改善。优化技术的结果显示器件性能优异，I OFF 为 28.564 nA/µm，更接近国际半导体技术路线图 (ITRS) 2013 年目标。
Makhlouf, Y.、Salto-Tellez, M.、James, J.、O'Reilly, P. 和 Maxwell, P. (2022)。数字病理学中 AI 工具开发的总体路线图和核心步骤。诊断学，12(5)，文章 e1272。提前在线出版。https://doi.org/10.3390/diagnostics12051272
病理学和其他学科正在推动开发人工智能 (AI) 工具，以自动从大型数据缓存 [ 2 ] 中执行评估 [ 1 ]，以供临床使用。鉴于放射学 [ 3 ， 4 ] 和病理学 [ 5 ， 6 ] 超过 50 年的发展，政府对此予以认可（例如英国政府 2019 年的 Topol 审查）。模拟常规病理学工作流程，诸如 [ 7 ] 的技术挑战已证明某些深度学习网络具有同等或更高的性能。数字病理学中的组织学数据 [ 8 ] 是实现自动诊断或辅助诊断的最困难挑战之一。已经提出了多种交互式工具来帮助医疗用户自动进行全幻灯片图像 (WSI) 分析而无需编码，涵盖表型分析 [ 9 ]、分割 [ 10 ] 和 IHC 筛查 [ 11 ] 等领域。这有几种形式，其中最主要的是病理图像的自动解释。人工智能以计算机算法为基础，这些算法查询图像像素并将它们定量映射到代表组织结构或疾病状态的预定义类别中 [ 2 ]。最近的研究 [ 12 – 15 ] 表明，诊断工具或算法的设计通常需要考虑如何使用该工具、它如何适应病理学家既定的工作流程以及其他特定于领域的行为。无论人工智能算法依赖于完全监督还是弱监督/无监督学习，机器学习算法的主要目标都是通过搜索数据中的模式来找到特征值与所需结果（分类或回归模型、一组聚类等）之间的最佳映射 [ 16 ]。除此之外，总会有
二维MSI2N4（M = GE，SN和PB）单层
摘要MOSI 2 N 4和WSI 2 N 4的二维（2D）分层晶体的最新增长引起了人们对其出色的特性和潜在应用的重大兴趣。这一发展为新的和大型的2D材料铺平了道路，其一般公式为MA 2 Z 4。在这方面，由这个令人兴奋的家族驱动的，我们提出了M si 2 N 4（M = GE，SN和PB）单层的两个结构阶段（1T - 和1H-），并通过使用第一个Principles方法研究了它们的结构，振动，机械，电子和光学特性。这两个阶段具有相似的凝聚力，而1T结构在能量上比其1H对应物更有利。对声子光谱和从头算分子动力学模拟的分析表明，除1H -GESI 2 N 4外，所有建议的单层即使在高温下也是动态稳定的。通过计算其弹性常数（C IJ），平面刚度（Y 2D），泊松比（ν）和最终的拉伸应变（UTS）来检查所提出晶体的弹性稳定性和机械性能。值得注意的是，所考虑的系统表现出突出的机械特征，例如实质的内部刚度和高UTS。计算出的电子带结构表明，1T - 和1H-M SI 2 N 4纳米片是宽频段间隙的半导体，其能带间隙从可见光到光谱的紫外线范围跨度，适用于高强度的纳米电源设备的应用。最后，对光学性质的分析表明，设计的系统具有各向同性光谱，并且取决于系统的类型，紫外线的鲁棒吸收和可见光（尤其是在1H -PBSI 2 N 4 4 Monolayer中）。我们的研究不仅向2D MA 2 Z 4晶体的家族介绍了新成员，而且还揭示了他们有趣的物理特性，并建议他们作为多种纳米力学和光电应用的有前途的候选人。
利用集成分子数据的病理图像深度神经网络分析增强胶质瘤分类和分级
神经胶质瘤是源自神经胶质细胞的原发性脑肿瘤。对这些肿瘤的分类和分级对于预后和治疗计划至关重要。世界卫生组织 (WHO) 于 2016 年推出了现行的中枢神经系统 (CNS) 神经胶质瘤分类标准。该神经胶质瘤分类标准需要将组织学与基因组学相结合。2017 年，中枢神经系统肿瘤分类分子和实用方法信息联盟 (cIMPACT-NOW) 成立，旨在为中枢神经系统肿瘤分类提供最新的建议，预计 WHO 将在即将发布的分类中采纳这些建议。在这项工作中，我们提出了一种新颖的神经胶质瘤分析方法，这是文献中首次根据最新的 WHO 标准将从脑组织病理学图像数字分析中获得的细胞特征与分子特征相结合。我们首先提出了一种新颖的过度分割策略，用于在大型组织病理学全幻灯片图像 (WSI) 中选择感兴趣区域 (ROI)。然后，基于深度神经网络 (DNN) 的分类方法将分子特征与细胞特征融合，以提高肿瘤分类性能。我们使用来自癌症基因组图谱 (TCGA) 数据集的 549 个患者病例对所提出的方法进行了评估。使用常规 DNN 对低级别胶质瘤 (LGG) 和高级别胶质瘤 (HGG) 的交叉验证分类准确率为 93.81%，使用残差神经网络 (ResNet) DNN 对 LGG II 和 LGG III 的交叉验证分类准确率为 73.95%。我们的实验表明，深度学习的类型对 LGG II 与 LGG III 之间的肿瘤亚型区分有显著影响。这些结果优于对 LGG II 与 LGG III 进行分类的最先进方法。 LGG III，在文献中区分 LGG 与 HGG 方面具有竞争力。此外，我们还研究分子
验证机器学习模型以跨机构检测淀粉样蛋白病理
像建立阿尔茨海默病登记处的联盟 (CERAD) 这样的半定量评分方案是阿尔茨海默病 (AD) 神经病理学实践中最常用的方法。基于机器学习的计算方法最近为全幻灯片图像 (WSI) 生成了定量分数，这些分数与人类衍生的阿尔茨海默病病理半定量分数（例如 CERAD 的分数）高度相关。然而，此类模型的稳健性尚未在不同的队列中进行测试。为了验证以前发布的使用卷积神经网络 (CNN) 的机器学习算法并确定病理异质性是否会改变算法得出的测量值，对来自 Goizueta Emory 阿尔茨海默病中心脑库的 40 个病例进行了评估，这些病例显示了一系列病理诊断（包括有和没有路易体疾病 (LBD) 的 AD，和/或 TDP-43 阳性内含体）和 A β 病理水平。此外，为了提供更深入的表型分析，我们比较了灰质和整个组织中的淀粉样蛋白负担，两者的定量 CNN 评分与 CERAD 样评分显着相关。定量评分还显示出基于 AD 病理的清晰分层，包括有或没有其他诊断（包括 LBD 和 TDP-43 内含物）与没有显着神经变性的病例（对照病例）以及 NIA Reagan 评分标准。具体而言，AD + TDP-43 的伴随诊断组显示核心斑块的 CNN 评分明显高于 AD 组。最后，我们报告说，与关注病理最密集的视野中的计算评分相比，整个组织计算评分与 CERAD 样类别的相关性更好，这是根据 CERAD 指南进行神经病理学评估的实践标准。这些发现共同验证并扩展了 CNN 模型，使其对队列变化具有稳健性，并为未来将机器学习算法纳入神经病理学实践的研究提供了额外的概念验证。
为癌症研究中的机器学习和人工智能构建工具：最佳实践和案例研究用于计算病理学的 PathML 工具包
成像长期以来一直是癌症研究和临床护理的基石，为了解组织形态和空间细胞间动力学提供了依据。近年来的技术进步使显微镜的规模比以往任何时候都更大，导致常用数据集的大小呈指数级增长 - 这一趋势在未来几年可能会继续加速。生物医学成像中的“大数据”可以沿着两个正交轴来概念化：样本大小和数据维数（图 1）。第一个轴（n）可以通过简单地计算数据集中的病例数来测量。这一维度的扩展主要受到高通量成像技术的进步的推动。一个显著的例子是在病理学领域，数字化工作流程的日益普及导致幻灯片扫描被例行纳入病理学家的工作流程，从而创建了大型全幻灯片图像 (WSI) 数据库。早期采用数字化病理学工作流程的人每年扫描超过 100 万张幻灯片 [1] – 比 TCGA 等当前基准数据集大几个数量级，这表明随着工作流程日益数字化，大型学术三级医院可以预期会定期生成大量数据。与此同时，数据在每张图像中捕获的信息量也在增长，我们将其称为数据维数 (d)。这主要是由空间组学（即蛋白质或 RNA 等分子标记的空间量化）和高度多路复用成像（在 [2] 中进行了综述）的新兴技术推动的。与具有三个通道（红色、绿色和蓝色）的明场图像相比，这些高维图像中的每一个可能具有超过 10,000 个通道，每个通道代表一个特定目标。体积成像通过添加深度维度进一步增加了每个样本中的信息内容，从而能够捕获三维组织形态。因此，即使病例数保持不变，数据集大小也会增长。图像数据的快速增长对癌症研究具有重要意义，尤其是与基因组学和结果等伴随元数据结合使用时。大样本量为发现和量化与临床和生物学相关特征相关的组织学模式提供了足够的能力，最近的研究表明这些方法有潜力改善临床和诊断工作流程 [3-5] 并发现基于图像的生物标志物以重现分子特征 [6, 7]。同样，高维成像数据中捕获的丰富背景信息为以前所未有的分辨率探究肿瘤微环境奠定了基础 [8, 9]。明场显微镜的普遍性使其成为基于图像的生物标志物开发的特别有吸引力的候选者，因为数字工作流程越来越多地部署在更广泛的临床环境中。然而，虽然成像数据集的规模不断扩大带来了新的研究机会和途径，但也带来了重大挑战。也就是说，这些进步只有通过利用计算图像分析方法，特别是深度学习才能实现。深度学习模型灵活而强大，在识别方面表现出显著的成功
为癌症研究构建机器学习和人工智能工具：使用计算病理学 PathML 工具包的最佳实践和案例研究
成像长期以来一直是癌症研究和临床护理的基石，为了解组织形态和空间细胞间动力学提供了依据。近年来的技术进步使显微镜的规模比以往任何时候都更大，导致常用数据集的大小呈指数级增长 - 这一趋势在未来几年可能会继续加速。生物医学成像中的“大数据”可以沿着两个正交轴概念化：样本大小和数据维数（图 1）。第一个轴（n）可以通过简单地计算数据集中的病例数来测量。这一维度的扩展主要受到高通量成像技术的进步的推动。一个显著的例子可以在病理学领域看到，该领域越来越多地采用数字化工作流程，导致幻灯片扫描被例行纳入病理学家的工作流程，从而创建大型全幻灯片图像 (WSI) 数据库。早期采用数字化病理学工作流程的人每年扫描超过 100 万张幻灯片 [1] - 比 TCGA 等当前基准数据集大几个数量级，并且表明随着工作流程日益数字化，大型学术三级医院可以预期定期生成的潜在数据量。与此同时，数据在每张图像中捕获的信息量也在增长，我们将其称为数据维数 (d)。这主要是由空间组学（即蛋白质或 RNA 等分子标记的空间量化）和高度多路复用成像（在 [2] 中进行了评论）的新兴技术推动的。与具有三个通道（红色、绿色和蓝色）的明场图像相比，这些高维图像中的每一个可能具有多达 10,000 个通道，每个通道代表一个特定目标。体积成像通过添加深度维度进一步增加了每个样本的信息内容，从而能够捕获三维组织形态。因此，即使病例数保持不变，数据集大小也会增长。图像数据的快速增长对癌症研究具有重要意义，尤其是与基因组学和结果等伴随元数据结合使用时。大样本量为发现和量化与临床和生物学相关特征相关的组织学模式提供了足够的能力，最近的研究表明这些方法有潜力改善临床和诊断工作流程 [3-5] 并发现基于图像的生物标志物以重现分子特征 [6, 7]。同样，高维成像数据中捕获的丰富背景信息为以前所未有的分辨率探究肿瘤微环境奠定了基础 [8, 9]。随着数字工作流程越来越多地部署在各种临床环境中，明场显微镜的普遍性使其成为基于图像的生物标志物开发的特别有吸引力的候选者。然而，虽然成像数据集规模的增加带来了新的研究机会和途径，但也带来了重大挑战。也就是说，这些进步只有通过利用计算图像分析方法，特别是深度学习才有可能实现。深度学习模型灵活而强大，在识别方面已显示出显著的成功