XiaoMi-AI文件搜索系统
World File Search Systemdiac
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda
可重复的模型开发 -
心脏细胞电生理学的建模是系统生物学中最成熟的领域之一。这种扩展的研究工作集中的集中度带来了新的挑战，其中最重要的是选择哪种模型最适合解决特定的科学问题。在上一篇论文中，我们介绍了开发在线资源以在广泛的实验场景中对电生理细胞模型进行表征和比较的最初工作。在这项工作中，我们描述了我们如何开发了一种新颖的协议语言，使我们能够将数学模型的细节（大多数心脏细胞模型采用了普通微分方程的形式）与所模拟的实验协议分开。我们开发了一个完全开放的在线存储库（我们称为心脏电生理网络实验室），该存储库可以允许用户存储和比较将相同的实验协议应用于竞争模型的结果。在当前的论文中，我们描述了这项工作的最新和计划的扩展，重点是支持从实验数据中构建模型的过程。我们概述了开发一种可读性语言的必要工作，以描述从湿实验室数据集中推断参数的过程，并通过使用实验数据拟合HERG通道模型的详细示例来说明我们的方法。我们通过讨论在该领域取得进一步进步的未来挑战，以促进心脏细胞模型开发的完全可重现方法，以进一步的进步。©2018作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
心内膜 HAND2 基因调控网络的单细胞评估揭示了影响心脏形态发生的关键 HAND2 依赖性通路
1 印第安纳医学院儿科、解剖学、医学和分子遗传学系 Herman B Wells 儿科研究中心，美国印第安纳州印第安纳波利斯 46202 2 印第安纳大学基因组学和生物信息学中心，美国布卢明顿 3 劳伦斯伯克利国家实验室环境基因组学和系统生物学部，美国加利福尼亚州伯克利 94720 4 加利福尼亚大学比较生物化学项目，美国加利福尼亚州伯克利 94720。 5 美国能源部联合基因组研究所，劳伦斯伯克利国家实验室，美国加利福尼亚州伯克利 94720 6 伯尔尼大学生物医学研究系 (DBMR)，瑞士伯尔尼 7 伯尔尼大学医院心脏病学系，瑞士伯尔尼
基于干细胞的心脏再生的3D器官模型的进步
摘要：成年人的心脏无法在组织损伤后恢复完全心脏功能，这使心脏再生成为当前的临床未满足需求。有许多临床程序旨在减少受伤后缺血损伤；但是，尚无刺激成年心肌细胞恢复和增殖的可能性。多能干细胞技术和3D培养系统的出现彻底改变了领域。特别是3D培养系统通过获得更准确的人类微环境条件来在体外建模疾病和/或药物相互作用，从而增强了精度医学。在这项研究中，我们涵盖了基于干细胞的心脏再生医学的当前进展和局限性。特别是，我们讨论了基于干细胞的技术和正在进行的临床试验的临床实施和局限性。然后，我们解决了3D培养系统的出现，以产生心脏类细胞器，以更好地代表人类心脏的微环境，用于疾病建模和遗传筛查。最后，我们深入研究了从心脏器官中与心脏再生有关的见解，并进一步讨论了对临床翻译的影响。
在心脏病理中使用干细胞
尽管使用了药理疗法，但心脏病的发病率和死亡率仍然很高。本文旨在审查多种有希望的疗法，并强调干细胞可以发挥的创新作用。干细胞已被确定为心脏病理中当前主要医学和手术干预措施的潜在治疗替代方法，因为这些细胞具有多能功能，可以帮助心脏再生和重塑而不会损害疤痕组织。许多研究探讨了干细胞治疗心脏病中的初步安全性和功效，特别是缺血性心脏病（IHD），先天性心脏病（CHD）和扩张的心肌病（DCM）。IHD研究利用了各种干细胞类型的冠状动脉内和心脏内递送，并发现了心膜内递送自体性间充质干细胞注射到梗塞心脏组织中的功效。同样，CHD研究利用了心圈衍生细胞的冠状化递送以及良好的诺伍德程序，发现心脏功能和体细胞生长的益处。DCM在鼠模型中的研究以及随后的临床试验表明，通过肌肉卫星细胞标记的细胞类型，用肌肉功能改善的细胞类型移植，通过肾上部或跨心脏心脏心脏移植方法传递时的运动能力。虽然这些累积结果显示出希望，但需要更长的随访和较大的样本量来验证这种治疗方法在长期内对心脏疾病的疗效。干细胞与现有疗法结合使用，有可能减轻与心脏病理相关的严重发病率和死亡率。
听觉刺激和深度学习可预测心脏骤停后昏迷苏醒
评估心脏骤停后昏迷患者的神经功能完整性仍是一个悬而未决的挑战。昏迷结果的预测主要依赖于专家对生理信号的视觉评分，这种方法容易产生主观性，并使相当多的患者处于预后不确定的“灰色地带”。对听觉刺激后脑电图反应的定量分析可以让我们了解昏迷时的神经功能以及患者苏醒的机会。然而，由于协议繁琐多样，标准化听觉刺激后的反应还远未在临床常规中使用。在这里，我们假设卷积神经网络可以帮助提取昏迷第一天对听觉刺激的脑电图反应的可解释模式，这些模式可以预测患者苏醒的机会和 3 个月后的存活率。我们使用卷积神经网络 (CNN) 对多中心和多方案患者队列中在标准化镇静和目标体温管理下昏迷第一天对听觉刺激的单次脑电图反应进行建模，并预测 3 个月时的结果。对于接受治疗性低温和常温的患者，使用 CNN 预测觉醒的阳性预测率分别为 0.83 ± 0.04 和 0.81 ± 0.06，预测结果的曲线下面积分别为 0.69 ± 0.05 和 0.70 ± 0.05。这些结果也持续存在于处于临床“灰色地带”的一部分患者中。网络预测结果的可信度基于可解释的特征：它与脑电图反应的神经同步性和复杂性密切相关，并受到独立临床评估的调节，例如脑电图反应性、背景爆发抑制或运动反应。我们的研究结果强调了可解释的深度学习算法与听觉刺激相结合在改善昏迷结果预测方面的巨大潜力。
使用人工智能预测心脏死亡
心脏死亡（SCD）仍然是一个紧迫的健康问题，每年全球数十万。遭受SCD的人之间的杂项，从严重的心脏失败到看似健康的人，对有效的风险评估构成了重大挑战。主要依赖左心室的常规风险层次，仅导致植入可植入的心脏逆变剂的适度效率用于预防SCD。回应，艺术智能（AI）对个性化的SCD风险预测和调整预防策略有望为个别患者的独特性专案。机器和深度学习算法具有学习复杂数据和定义的终点之间的复杂非线性模式的能力，并利用这些模式来识别SCD的微妙指标和预测指标，而SCD的预测因素可能不会通过传统的统计分析而明显。但是，尽管AI有可能改善SCD风险层次，但仍需要解决重要的局限性。我们旨在概述SCD的AI预测模型的当前最新图案，重点介绍这些模型在临床实践中的机会，并确定阻碍广泛采用的关键挑战。
4心脏周期
每个心脏周期都由一个放松时期（舒张期），然后是心室收缩（收缩）。在舒张期间，心室放松以填充。在左室和左心室收缩中，分别将血液驱逐到肺和全身循环中。心室通过主动脉将血液泵入系统性循环中。全身血管抗性（SVR）比肺血管耐药（PVR）大5-7倍。这使其成为高压系统（与肺血管系统相比），这需要从左心室（LV）中获得更大的机械功率输出。LV的游离壁和介入的隔膜形成心脏中大部分肌肉质量。正常的LV可以产生高达300 mmHg的脑室内压力。冠状动脉灌注左室主要发生在心肌放松时。右心室从静脉腔和冠状动脉循环中接收血液，并通过肺脉管系统将其泵入LV。由于PVR是SVR的一部分，因此肺动脉压相对较低，右心室（RV）的壁厚远小于LV的壁厚。RV因此类似于被动导管，而不是泵。冠状动脉灌注在收缩期和舒张期间连续发生，这是由于脑室室内和壁内压力低。尽管存在解剖学差异，但RV和LV的机械行为非常相似。