XiaoMi-AI文件搜索系统
World File Search Systemcad
评估用于检测的人工智能 (AI) 系统……
摘要。背景：尽管已经开发了采用人工智能（AI）系统的计算机辅助检测（CAD）软件，旨在协助结核病（TB）分类、筛查和诊断，但其在结核病筛查中的临床表现仍然未知。目的：评估 CAD 软件在试点主动结核病筛查项目中对胸部 X 光片图像检测结核病的性能。方法：使用采用人工智能的 CAD 软件方案筛查参与者的胸部 X 光片图像并产生结核病阳性病例的概率分数。通过几个绩效评估指标（包括 ROC 曲线下面积 (AUC)、特异性、敏感性和阳性预测值）将 CAD 生成的结核病检测分数与现场和高级放射科医生进行比较。使用 Pycharm CE 和 SPSS 统计软件包进行数据分析。结果：在 2,543 名参与者中，从该筛查试点计划中确定了 8 名结核病患者。当将最终诊断作为基本事实时，基于 AI 的 CAD 系统的表现优于现场 (AUC = 0.740) 和高级放射科医生 (AUC = 0.805)，无论是使用 30% (AUC = 0.978) 还是 50% (AUC = 0.859) 的阈值。结论：基于 AI 的 CAD 软件在 30% 的阈值下成功检测出本研究中确定的所有结核病患者。这表明使用配备胸部 X 光成像机的医疗车上的 CAD 软件进行大规模结核病筛查是可行的，并且易于访问。
中年人认知障碍与冠状动脉疾病的关系
心血管疾病 (CVD) 是一组影响心脏或血管的疾病 [1] 。大多数心脏病以冠状动脉疾病 (CAD) 的形式出现，这是心脏病患者死亡的主要原因 [2] 。虽然因 CVD 导致的死亡正在下降，但 CVD 仍然是全世界非传染性疾病 (NCD) 死亡和发病的主要原因 [3] 。在沙特阿拉伯王国 (KSA)，CVD 是大多数死亡原因，超过了癌症等无法治疗的致命疾病 [4] 。根据世界卫生组织 (WHO) 的报告，在 KSA，每 100,000 名 30-70 岁的人中，有 644 人死于 NCD，其中 62%（每 644 人中有 401 人）是由于 CVD 和糖尿病造成的 [4] 。这引起了医疗机构的极大关注，他们需要制定健康协议，以便在心脏病发展到晚期之前就发现它们。 CAD 或缺血性心脏病 (IHD) 是一种常见的 CVD，由冠状动脉血流阻塞或中断引起，通常是由于晚期动脉粥样硬化病变引起，最终将导致心肌梗死或缺血 [5]。KSA 的 CAD 患病率为 5.5% [6]。最近有研究表明 CAD 可能与认知功能受损有关，这会影响 CAD 患者的智力和健康状况 [7]。最近有研究报告称，CAD 患者的区域脑容量明显减少，并伴有严重的脑萎缩、低灌注和脑白质疾病，老年人患血管疾病的风险增加 [7-8]。虽然这些观察结果表明 CAD 可能与认知能力下降或神经功能障碍有关，但年龄、血管疾病和脑血管功能障碍之间的相互作用很复杂，尚不十分清楚。
引用：Eurlings CGMJ、Bektas S、Sanders-van Wijk S 等。利用人工智能评估冠状动脉疾病风险，无需
摘要 目的 预测冠状动脉疾病 (CAD) 的存在与否具有临床重要性。指南中使用的预测概率 (PTP) 和 CAD 联盟临床 (CAD2) 模型和风险评分作为应用侵入性检测或让患者出院的唯一指导不够准确。不需要额外非侵入性测试的人工智能尚未在这种情况下使用，因为该模型的先前结果很有希望，但仅适用于高风险人群。然而，仍然缺乏对临床最相关的低风险患者的验证。设计回顾性队列研究。设置荷兰一家学术医院的二级门诊护理。参与者我们纳入了 696 名从初级保健转诊的患者，以进一步检测是否存在 CAD。使用接收者操作特性 (ROC) 曲线（曲线下面积 (AUC)）将结果与 PTP 和 CAD2 进行比较。 CAD 的定义为侵入性冠状动脉或 CT 血管造影中至少一根冠状动脉狭窄 >50%，或 6 个月内发生冠状动脉事件。结果测量第一个队列验证了在低风险到中等风险队列中的两个高风险人群中开发的基于模因模式的算法 (MPA) 模型，以改善风险分层，从而非侵入性地诊断是否存在 CAD。结果人群中 49% 为男性，平均年龄为 65.6±12.6 岁。16.2% 患有 CAD。MPA 模型、PTP 和 CAD2 的 AUC 分别为 0.87、0.80 和 0.82。应用 MPA 模型导致 67.7% 的患者可能出院，可接受的 CAD 率为 4.2%。结论 在低风险至中等风险人群中，MPA 模型可以很好地对 CAD 的存在与否进行风险分层，并且与传统风险评分相比，ROC 更好。结果令人鼓舞，但需要前瞻性验证。
基于深度学习的3D动画的自动生成和设计
摘要。随着信息技术和现代化的快速发展，3D动画自动生成设计在高科技的帮助下有了新的机会和挑战。基于CAD和深度学习技术，本文研究了3D动画自动生成和设计的过程。首先，描述了CAD和深度学习技术的发展状态。CAD模型用于处理3D动画中的细节级别，并且初始参数模型与CAD几何建模集成在一起。通过功能匹配错误控制，构建了自动生成系统。一种深度学习算法用于识别并产生3D动画角色的姿势和面部表达。最后，基于深度学习算法，数据培训和学习系统旨在改善3D动画生成效果和速度。结果表明，基于CAD和深度学习技术的自动3D动画生成系统可以完成许多功能，例如自动参数调整以及角色的产生和识别。在现场构建和动画中，效果渲染具有良好的效果。
基于定义进行设计、制造和维护
基于模型的定义 (MBD) 旨在使用 3D 计算机辅助设计 (CAD) 模型捕获数字产品定义中的几何和非几何数据，作为产品定义基线的一种形式，以便在生命周期的不同阶段传播产品信息。MBD 可以消除与传统纸质图纸相关的容易出错的信息交换，并提高使用 3D CAD 模型捕获的组件细节的保真度。组件在其生命周期阶段的行为会影响其下游性能，如果将其包含在零件的 MBD 中，则可用于在设计期间提前预测性能并探索更新的设计以提高性能。但是，当前的 CAD 功能限制将行为信息与组件的形状定义相关联。本文介绍了一种基于 CAD 的工具，该工具使用 CAD 模型中的点对象来存储和检索元数据，从而创建与组件内空间位置的链接。该工具用于存储和检索从过程建模和特性分析中获得的涡轮盘制造过程中产生的体积残余应力。此外，由于过程模型不确定性而导致的残余应力分布变化已被捕获为盘 CAD 模型的单独实例，以表示零件之间的差异，类似于跟踪数字孪生的各个序列化组件。不同残余应力的传播
深度学习和计算机的应用和效果评估
摘要。深度学习（DL）和计算机辅助设计（CAD）的组合为产品设计提供了新的可能性。如何有效地将DL技术集成到CAD系统中，以及如何确保生成的设计方案符合功能和美学要求都是研究人员需要解决的所有问题。在本文中，DL和CAD应用于产品设计和优化，构建了基于轻量级卷积神经网络（CNN）的产品图像特征检测模型，并通过实验评估和测试其实际应用效果。结果表明，本文提出的方法可以提高产品图像的质量，并应对角度变化带来的挑战。dl可以从大量数据中学习隐藏的设计规则和用户需求，从而帮助设计师创建更符合市场需求的产品。在产品设计中使用DL和CAD具有巨大的潜力和价值。
主题：Etanercept（ENBREL®）注入
的摘要和证据分析：对“冠状动脉层析术的临床使用”的审查（Villines）指出，“冠状动脉计算机层析造影血管造影（CCTA）是对无数型冠状动脉疾病（CAD）的评估或越来越多地利用的非侵袭性测试， 除了检测CAD外，CCTA还是排除血管造影具有意义冠状动脉stenose的绝佳方法。 CCTA的主要指示包括：作为应力测试的替代方法，作为慢性（稳定）症状患者的初步测试，表明缺血性心脏病以前没有建立CAD。 在非诊断或模棱两可的应激测试结果和持续性症状的患者中，作为侵入性冠状动脉血管造影的替代方法，其中尚不确定CAD的诊断。 作为没有已知CAD的患者的初步测试，当高度敏感的肌钙蛋白测定测试和临床评估无法确定地排除AC时，可能会出现急性冠状动脉综合征（AC）。 CCTA不应在持续的胸痛患者中进行ACS，因为运输它们是不安全的，并且CT套房通常不具备与潜在的不稳定患者打交道。 作为未经诊断为具有临床风险表现较低的非ST-Elevation AC的选定患者的应力测试或侵入性冠状动脉造影的替代方法除了检测CAD外，CCTA还是排除血管造影具有意义冠状动脉stenose的绝佳方法。CCTA的主要指示包括：作为应力测试的替代方法，作为慢性（稳定）症状患者的初步测试，表明缺血性心脏病以前没有建立CAD。在非诊断或模棱两可的应激测试结果和持续性症状的患者中，作为侵入性冠状动脉血管造影的替代方法，其中尚不确定CAD的诊断。作为没有已知CAD的患者的初步测试，当高度敏感的肌钙蛋白测定测试和临床评估无法确定地排除AC时，可能会出现急性冠状动脉综合征（AC）。CCTA不应在持续的胸痛患者中进行ACS，因为运输它们是不安全的，并且CT套房通常不具备与潜在的不稳定患者打交道。作为未经诊断为具有临床风险表现较低的非ST-Elevation AC的选定患者的应力测试或侵入性冠状动脉造影的替代方法
基于人工智能的计算机辅助检测和诊断在儿科放射学中的诊断性能：系统评价
摘要：基于人工智能 (AI) 的计算机辅助检测和诊断 (CAD) 是放射学的一个重要研究领域。然而，目前只有两篇关于人工智能在儿科放射学中的一般用途和基于人工智能的 CAD 在儿科胸部成像中的叙述性评论发表。本系统综述的目的是研究基于人工智能的 CAD 在儿科放射学中的应用、其诊断性能及其性能评估方法。2023 年 1 月 11 日使用电子数据库进行了文献检索。纳入了 23 篇符合选择标准的文章。本综述表明，基于人工智能的 CAD 可应用于儿科脑、呼吸、肌肉骨骼、泌尿和心脏成像，尤其是用于肺炎检测。大多数研究（93.3%，14/15；77.8%，14/18；73.3%，11/15；80.0%，8/10；66.6%，2/3；84.2%，16/19；80.0%，8/10）报告的模型性能至少为 0.83（受试者工作特征曲线下面积）、0.84（敏感性）、0.80（特异性）、0.89（阳性预测值）、0.63（阴性预测值）、0.87（准确度）和 0.82（F1 分数）。然而，纳入的研究发现了一系列方法论缺陷（尤其是缺乏模型外部验证）。未来应开展更多基于 AI 的儿科放射学 CAD 研究，并采用完善的方法，以说服临床中心采用 CAD，并在更广泛的背景下实现其好处。
人工智能在心肌梗死精准诊断和治疗中的进展：临床试验和随机对照试验的综合回顾
冠状动脉疾病 (CAD) 仍然是一个严重的全球健康问题，对死亡率和发病率有重大影响。一级预防策略的目标是降低患 CAD 的风险。然而，当前的方法通常依赖于简单的风险评估工具，可能会忽略重要的个人风险因素。这种限制凸显了对能够准确评估心血管风险并提供个性化预防护理的创新方法的需求。机器学习和人工智能 (AI) 的最新进展为优化 CAD 的一级预防措施和改进风险预测模型开辟了有趣的新途径。通过利用大型数据库和先进的计算技术，AI 有可能从根本上改变评估和管理心血管风险的方式。本综述着眼于当前的随机对照研究和临床试验，探索应用 AI 和机器学习来改善 CAD 的一级预防措施。重点在于他们识别和纳入复杂风险评估模型中一系列风险因素的能力。
体力活动对维多利亚成年人口心血管风险的影响
摘要：定期体力活动（PA）被认为是一种健康的生活习惯，因为它可以降低患心血管疾病的风险。但针对人群样本进行的这方面研究较少。评估休闲时间（LTPA）、职业时间（OPA）和混合时间（LOPA）PA 对 Vitória-ES 成年人口（25-64 岁）中心血管风险的影响，以 Framingham 评分（FS）衡量。概率样本的横断面研究（N=1,663；男女皆宜）。通过问卷调查、临床和实验室评估（采血）收集数据。通过访谈估计了 AFL、AFO 和 AFLO 的每周卡路里消耗量，从而形成了 4 个组：久坐 (S)、AFL、AFO 和 AFLO。采用方差分析和协方差分析以及卡方检验和 Mantel-Haenszel 检验进行统计分析。与 S 组相比，AFO 组的脂肪百分比 (% G)、总胆固醇 (TC) 和 LDL 值较低。AFL (11.5%) 和 AFLO (10.2%) 组的吸烟率较低，S (26.4%) 和 AFO (30.2%) 组的吸烟率较高。未经调整的 EF 和 10 年内患冠状动脉疾病的风险 (%) (CAD 风险) 在 AFO 组中较低 (EF= 3; 2.65±6.20; CAD 风险= 4; 6.79±6.68%; 中位数; 平均值±SD)，而 S 组 (EF= 5; 3.85±7.07; CAD 风险= 6; 8.41±7.74%)。然而，调整年龄和 TC 后，AFL 组的 EF 和 CAD 风险 (EF：2.54±4.18；CAD 风险：6.55±5.29%；平均值±SD) 低于 S 组 (EF：3.50±4.17；CAD 风险：8.05±5.33%) 和 AFO 组 (EF：4.09±4.19；CAD 风险：8.08±5.35%)，从而证明 TC 和年龄变量是导致 AFO 组初始差异的主要决定因素。研究表明，休闲时间或工作相关的PA对降低人口心血管风险有积极影响。