XiaoMi-AI文件搜索系统
World File Search Systemcolonoscopy
兽医肿瘤学诊断测试：进展和临床应用
简介在人类医学中，早期癌症检测已得到完善，有多种筛查方法（例如乳房 X 线照相检查、结肠镜检查）和较新的方法，如基于血液的多癌症早期检测 (MCED) 测试。相反，在兽医学中，癌症诊断通常仅限于每年或每半年一次的健康访问，并进行常规诊断测试，包括病史、体格检查和可能的基本测试（CBC、生物化学、尿液分析）。这可能导致晚期诊断，从而给我们的患者带来更糟糕的结果。犬癌症的早期检测兽医文献中的几项研究已经确定了患者癌症中的特定突变，这可以增强早期癌症检测并改善结果。它们还可以整合到常规兽医护理中，可能导致更早、更准确的癌症诊断和个性化护理。BRAF 用于泌尿生殖系统肿瘤癌症诊断/筛查的一个完善的例子包括对排尿中 BRAF 基因的遗传变异进行分子检测。这是犬泌尿生殖系统癌症的非侵入性筛查测试。Cadet BRAFTM 是一种基于 PCR 的基因测试，可以检测尿液中脱落的尿路上皮细胞的突变。BRAF 测试可以在出现明显癌症症状之前对约 80% 患有膀胱癌或前列腺癌的狗进行临床前检测。这款市售
利用人工智能辅助内窥镜技术检测难以发现的胃癌
我们饶有兴趣地阅读了 van der Sommen 等人的文章 1，并提出了在临床实践中采用人工智能 (AI) 辅助内窥镜检查的一些重要和相关观点。计算机辅助诊断系统已成功应用于胃肠道的所有部分，甚至是巴雷特食管发育不良的诊断，这是专家内窥镜医师的祸根。2 最近，与专家内窥镜医师的表现相比，实时计算机辅助检测 (CADe) 系统的结肠镜检查实现了更高的息肉检测率。3 然而，在将 CADe 应用于传统食管胃十二指肠镜检查 (OGD) 时，不可避免地会讨论如何提高难以发现的胃癌 (GC) 的检测率。与食道和结肠等其他胃肠道解剖特征相比，胃具有更宽、弯曲的管腔，这意味着在没有盲点的情况下，胃部观察更加费力。在常规 OGD 中，内镜医师必须在更远的视野中将胃肿瘤与周围的胃炎粘膜区分开来，而不是通过近距离图像检测结直肠肿瘤和 Barrett 相关发育不良。此外，早期胃癌通常表现出细微的隆起或凹陷，其不规则的外观很容易隐藏在幽门螺杆菌感染引起的粗糙背景胃炎中。因此，即使是专家有时也很难发现早期胃癌，尤其是较小的胃癌。早期胃癌检测的这种困难可能导致
用于肝肿瘤超声诊断的人工智能 (AI) 模型以及人工智能与人类专家诊断准确性的比较
通常用于肝肿瘤诊断。然而，由于需要对病变进行实时识别，因此需要丰富的超声经验才能做出准确诊断 [ 3 ]。从这个角度来看，超声缺乏专家是医疗领域需要解决的一个紧迫问题，因为非专家的漏诊和误诊将产生严重后果。人工智能 (AI) 正在成为医学和医疗保健领域的主要工具，特别是在图像诊断方面 [ 4 , 5 ]。它很容易应用于成像数据，因为 AI 擅长识别独特和复杂的图像特征并有助于定量评估 [ 6 ]。AI 的这一独特特性非常适合受限的临床环境，在这种环境中，医疗专业人员需要使用视觉感知来评估大量图像，并且存在一些不确定性和不可避免的人为错误。因此，AI 已应用于医学成像的许多方面，例如计算机断层扫描 (CT)、磁共振成像 (MRI)、结肠镜检查、乳房 X 线摄影和病理评估 [5-10]。已经发表了几篇关于机器学习评估肝脏肿瘤诊断的报告。最近，深度神经网络已在影像诊断领域投入使用。在此背景下，AI 支持的超声将成为筛查肝脏病变的理想设备，特别是用于肝癌的早期诊断 [11]。然而，在
纽约癌症和血液专家
“我们使用精准诊断，包括各种尖端诊断成像技术和系统，如 3-D 虚拟成像、CT 扫描、MRI、虚拟结肠镜检查、CT-PET 扫描和 MRI 靶向活检，以毫米为单位确定癌症的位置和形状，并检测出哪怕是微量的癌细胞。然后，我们的患者与我们的医生合作，确定治疗方案，以产生最佳结果，同时最大限度地减少对日常生活的干扰。我们的外科肿瘤学家专门研究微创、图像引导的腹腔镜和机器人手术技术，可最大限度地切除癌症并加快患者康复。从针对脑肿瘤的伽玛刀靶向放射治疗，到 Novalis Tx 立体定向定形束放射外科手术，再到近距离放射治疗、调强放射治疗和图像引导放射治疗，我们的放射肿瘤学家利用一系列先进的放射治疗技术来治疗身体任何部位的癌症，为患者带来更好的结果并减少副作用。在我们的输液中心，肿瘤内科医生会开出免疫疗法，刺激人体免疫系统对抗癌细胞，而靶向疗法则只针对癌细胞与正常健康细胞不同的部分。这些疗法比同类化疗药物效果更好，副作用更少。我们只关注科学，但我们也永远不会忘记癌症对人类造成的伤害。”！
人工智能技术在结直肠癌治疗干预中的当前意义与挑战
不分男女，结直肠癌 (CRC) 是人口中第三大常见癌症，每年新发病例超过 185 万例。不到 20% 的患者在确诊后只能存活五年以上。如果在恶性肿瘤早期诊断出来，CRC 是一种高度可预防的疾病。有几种筛查方法可用，例如内窥镜检查（如结肠镜检查；金标准）、影像学检查 [计算机断层结肠造影 (CTC)]、愈创木脂粪便潜血 (gFOBT)、粪便免疫化学检测和粪便 DNA 检测，这些方法具有不同程度的敏感性和特异性。现有的筛查方法具有某些缺点，例如侵入性、成本或敏感性。近年来，基于计算机辅助系统的筛查、诊断和治疗在 CRC 病例的早期检测和诊断中非常有前景。人工智能 (AI) 是一项需求量巨大且经济高效的技术，它使用各种工具机器学习 (ML) 和深度学习 (DL) 来筛查、诊断和分期，在治疗 CRC 方面具有巨大潜力。此外，不同的 ML 算法和神经网络 [人工神经网络 (ANN)、k-最近邻 (KNN) 和支持向量机 (SVM)] 已被部署来预测精确和个性化的治疗方案。本综述研究并总结了用于 CRC 癌症治疗干预的不同 ML 和 DL 模型以及 AI 的差距和挑战。
高斯煎饼：对现实的内窥镜重建
摘要。在结直肠癌诊断中，常规结肠镜检查技术面临着临界局限性，包括有限的视野和缺乏深度信息，这可能会阻碍检测预癌病变。当前的方法很难为结肠表面提供全面和策划的3D重建，这可以帮助最大程度地减少缺失的区域并重新进行癌前息肉。解决这个问题，我们介绍了“高斯煎饼”，这种方法利用了3D高斯分裂（3D GS）与经常基于神经网络的同时定位和映射（RNNSLAM）系统相结合。通过将几何和深度正则化引入3D GS框架 - 我们的方法可确保高斯与结肠表面更准确地对齐，从而使3D重建更加顺畅，并对详细的纹理和结构进行了新颖的观看。在三个Di-verse数据集中进行的评估表明，高斯煎饼增强了新型视图的合成质量，超过了当前的领先方法，PSNR增长了18％，SSIM提高了16％。它还提供了超过100×的更快渲染和超过10倍的培训时间，使其成为实时应用程序的实践工具。因此，这有望实现临床翻译，以更好地检测和诊断结直肠癌。代码：https：//github.com/smbonilla/gaussianpancakes。
设计人工神经网络的混合方法和...
摘要背景：由于结直肠癌是世界上最重要的癌症类型之一，常常导致死亡，因此计算机辅助诊断 (CAD) 系统是一种有前途的早期诊断该疾病的解决方案，并且比传统结肠镜检查副作用更少。因此，本研究的目的是设计一个 CAD 系统，用于使用人工神经网络和粒子群优化器的组合来处理结直肠计算机断层扫描 (CT) 图像。方法：首先，研究的数据集是根据德黑兰 Loghman‑e Hakim 医院和伊斯法罕 Al‑Zahra 医院的患者的结直肠 CT 图像创建的，这些患者接受了结直肠 CT 成像，并在之后最多一个月内接受了常规结肠镜检查。然后执行模型实施步骤，包括图像的电子清洗、分割、样本标记、特征提取以及使用粒子群优化器训练和优化人工神经网络 (ANN)。使用二项统计检验和混淆矩阵计算来评估模型。结果：McNemar 检验结果显示，模型的准确度、灵敏度和特异性分别为 0.9354、0.9298 和 0.9889，P 值为 0.000。此外，模型与 Loqman Hakim 医院和 Al-Zahra 医院放射科医生诊断比率的二项式检验 P 值分别为 0.044 和 0.021。结论：统计检验和研究变量的结果表明，与放射科医生的意见相比，基于 ANN 和粒子群优化混合创建的 CTC-CAD 系统在根据 CTC 图像诊断结肠息肉方面是有效的。
COLVO：考虑几何和光度一致性
定位病变是结肠镜检查的主要目标。3D感知技术可以通过恢复结肠的3D空间信息来提高病变局部局部的准确性。但是，现有方法集中于单个帧的局部深度估计，并忽略了结肠镜的精确全局定位，因此未能提供病变的准确3D位置。此短缺的根本原因是双重的：首先，现有方法将结肠深度和结肠镜构成估计为独立任务，或将其设计为并行子任务分支。其次，结肠环境中的光源与结肠镜一起移动，从而导致连续框架图像之间的亮度波动。为了解决这两个问题，我们提出了一个新型的基于深度学习的视觉探针框架Colvo，它可以使用两个关键组成部分不断地估算结肠深度和结肠镜姿势：深度和姿势估计的深度策略（DCDP）和轻型一致的校准机制（LCC）。dcdp对夫妇融合和损失函数的利用对夫妇深度和构图估计模式的限制确保了连续帧之间几何投影的无缝比对。同时，LCC通过重新校准相邻帧的光度值来解释亮度变化，从而增强了Colvo的鲁棒性。对COLVO在结肠探测基准上进行的全面评估揭示了其在深度和姿势估计的最新方法上的承受能力。我们还展示了两个有价值的应用：肠道立即定位和完整的3D重建。Colvo的代码可从https://github.com/xxx/xxx获得。
合并的PDF工程细菌检测肿瘤DNA
Engineered bacteria detect tumor DNA Robert M. Cooper 1* , Josephine A. Wright 2* , Jia Q. Ng 3 , Jarrad M. Goyne 2 , Nobumi Suzuki 2,3 , Young K. Lee 3 , Mari Ichinose 2,3 , Georgette Radford 3 , Feargal J. Ryan 2,4 , Shalni Kumar 5 , Elaine M. Thomas 3 , Laura VRBANAC 3，Rob Knight 6,7,8,9，Susan L. Woods 2,3†，Daniel L. Worthley 2,10†和Jeff Hasty 1,5,6,9†。1。合成生物学研究所，加利福尼亚大学，圣地亚哥，拉霍亚，加利福尼亚州，美国，92093。 2。 精密癌症医学主题，南澳大利亚州健康与医学研究所，阿德莱德，澳大利亚，澳大利亚，5000。 3。 阿德莱德医学院，阿德莱德大学，阿德莱德大学，澳大利亚，澳大利亚，澳大利亚，5000。 4。 Flinders Health and Medical Research Institute，Flinders University，澳大利亚SA Bedford Park，5042。 5。 加利福尼亚大学圣地亚哥分校生物工程系，加利福尼亚州拉霍亚，92093 6。 分子生物学科，加利福尼亚大学圣地亚哥分校，美国加利福尼亚州圣地亚哥分校，美国加利福尼亚州，92093 7。 加利福尼亚大学圣地亚哥分校儿科，加利福尼亚州拉霍亚，92093 8。 加利福尼亚大学圣地亚哥分校的计算机科学与工程系，加利福尼亚州拉霍亚，92093。 9。 加利福尼亚大学圣地亚哥分校的微生物创新中心，加利福尼亚州拉霍亚，92093 10。 结肠镜检查诊所，澳大利亚昆士兰州布里斯班，4000 *贡献。 †相应的作者。 单词计数：摘要= 112个单词主文本（摘要加正文文本）= 2066单词合成生物学研究所，加利福尼亚大学，圣地亚哥，拉霍亚，加利福尼亚州，美国，92093。2。精密癌症医学主题，南澳大利亚州健康与医学研究所，阿德莱德，澳大利亚，澳大利亚，5000。3。阿德莱德医学院，阿德莱德大学，阿德莱德大学，澳大利亚，澳大利亚，澳大利亚，5000。4。Flinders Health and Medical Research Institute，Flinders University，澳大利亚SA Bedford Park，5042。5。加利福尼亚大学圣地亚哥分校生物工程系，加利福尼亚州拉霍亚，92093 6。 分子生物学科，加利福尼亚大学圣地亚哥分校，美国加利福尼亚州圣地亚哥分校，美国加利福尼亚州，92093 7。 加利福尼亚大学圣地亚哥分校儿科，加利福尼亚州拉霍亚，92093 8。 加利福尼亚大学圣地亚哥分校的计算机科学与工程系，加利福尼亚州拉霍亚，92093。 9。 加利福尼亚大学圣地亚哥分校的微生物创新中心，加利福尼亚州拉霍亚，92093 10。 结肠镜检查诊所，澳大利亚昆士兰州布里斯班，4000 *贡献。 †相应的作者。 单词计数：摘要= 112个单词主文本（摘要加正文文本）= 2066单词加利福尼亚大学圣地亚哥分校生物工程系，加利福尼亚州拉霍亚，92093 6。分子生物学科，加利福尼亚大学圣地亚哥分校，美国加利福尼亚州圣地亚哥分校，美国加利福尼亚州，92093 7。加利福尼亚大学圣地亚哥分校儿科，加利福尼亚州拉霍亚，92093 8。 加利福尼亚大学圣地亚哥分校的计算机科学与工程系，加利福尼亚州拉霍亚，92093。 9。 加利福尼亚大学圣地亚哥分校的微生物创新中心，加利福尼亚州拉霍亚，92093 10。 结肠镜检查诊所，澳大利亚昆士兰州布里斯班，4000 *贡献。 †相应的作者。 单词计数：摘要= 112个单词主文本（摘要加正文文本）= 2066单词加利福尼亚大学圣地亚哥分校儿科，加利福尼亚州拉霍亚，92093 8。加利福尼亚大学圣地亚哥分校的计算机科学与工程系，加利福尼亚州拉霍亚，92093。9。加利福尼亚大学圣地亚哥分校的微生物创新中心，加利福尼亚州拉霍亚，92093 10。结肠镜检查诊所，澳大利亚昆士兰州布里斯班，4000 *贡献。†相应的作者。单词计数：摘要= 112个单词主文本（摘要加正文文本）= 2066单词
医生对结肠镜检查中人工智能 (AI) 的看法：一项针对美国胃肠病学家的调查
背景和研究目的 早期研究表明，人工智能 (AI) 有可能提高胃肠病学家在内窥镜检查期间的表现。我们的目标是确定胃肠病学家如何看待 AI 在胃肠内窥镜检查中的潜在作用。 方法 在这项横断面研究中，向美国胃肠病学家发送了一份在线调查。调查问题包括医生的培训水平、经验和实践特征以及医生对 AI 的看法。描述性统计数据用于总结对 AI 的看法。单变量和多变量分析用于评估医生的背景信息是否与他们的情绪相关。 结果 调查问卷通过电子邮件发送给全国 330 名胃肠病学家。2018 年 12 月至 2019 年 1 月期间，124 名医生（38%）完成了调查。86% 的医生表示对 AI 辅助结肠镜检查感兴趣；84.7% 的人同意计算机辅助息肉检测 (CADe) 将改善他们的内窥镜检查表现。在受访者中，57.2 % 的人愿意使用计算机辅助诊断 (CADx) 来支持增生性息肉的“确诊即走”策略。多变量分析表明，研究员职位后经验不足 15 年是决定医生是否相信 CADe 会切除更多息肉的最重要因素（风险比 = 5.09；P = .01）。关于实施 AI 最常见的担忧是成本（75.2 %）、操作员依赖性（62.8 %）和手术时间增加（60.3 %）。结论胃肠病学家对将 AI 应用于结肠镜检查有着浓厚的兴趣，尤其是对于使用 CADe 检测息肉。主要担忧是其成本、可能增加手术时间以及可能产生操作员依赖性。AI 的未来发展应优先考虑缓解这些担忧。