XiaoMi-AI文件搜索系统
World File Search Systemerentiating
使用机器学习和多参数 MR/PET 区分人类胶质瘤中的 IDH 状态
方法：回顾性纳入了 62 名接受 FDOPA PET 和 MRI 检查的未接受治疗的胶质瘤患者。对比增强 T1 加权图像、T2 加权图像、液体衰减反转恢复图像、表观扩散系数图和相对脑血容量图以及 FDOPA PET 图像用于体素特征提取。使用无监督两级聚类方法，包括自组织映射和 K 均值算法，并将每个类标签应用于原始图像。将肿瘤区域内每个类的标签对数比应用于支持向量机以区分 IDH 突变状态。计算受试者工作特征曲线的曲线下面积 (AUC)、准确度和 F1-socore，并将其用作性能指标。
是一种新算法，用于通过移动键盘输入模式在密码更新期间通过移动键盘输入模式区分授权用户
摘要 - 本研究通过开发TKIP -RUB（转换键盘输入模式以识别用户行为）算法在密码更新期间将合法用户与冒险者区分开的挑战。文献综述表明，包括EPSB方法在内的现有算法在基于移动键盘输入的情况下识别用户行为的准确性有限。旨在通过回答问题来增强身份验证系统的研究：转换历史输入模式是否可以提高用户识别的准确性和可靠性？假设提出的算法将在准确性和精确度上显着优于现有方法。为了评估这一点，使用143位用户更新密码的用户的登录尝试进行了实验研究，从而产生了629个记录的数据集（486个培训，143个测试）。将TKIP-RUB算法集成到移动身份验证系统中，以分析用户行为并生成预测模式。结果表明，尽管EPSB算法的准确度达到9.091％，但TKIP-RUB算法达到53.147％，代表了五倍的提高。这证明了TKIP-RUB算法在提高识别率，安全性和积极的预测精度方面具有较高的有效性。
o r i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i g i n a o r i g i n a l r e s a r c h葡萄牙第三中心的真菌性角膜炎的10年回顾性临床分析 青光眼的炎症和神经退行性变化 o r i g i n a l r e s a r c h prmt1在肝细胞癌的进展中整合了免疫微环境和脂肪酸代谢反应 慢性哌醋甲酯对脑基因表达的影响 o r i g i g i n a l r e s a r c h得出稀有疾病AADC缺乏症的小插曲，使用父母，照料者和临床医生访谈来评估 辐射肿瘤学的自然语言处理 o r i g i n a l r e s a r c h疫苗冷链管理和公共卫生设施中的相关因素和沃莱地区卫生办公室的相关因素 肝细胞癌术前免疫疗法 r e v i e w蛋白质组学推断的糖尿病肾脏疾病的分子途径
1神经病学系，山东第一医科大学和山东省Qianfoshan医院，山东神经免疫学研究所，中国人民共和国Jinan； 2中华人民共和国山东大学医学院基础医学科学学院医学遗传学系； 3山东第一医科大学和山东医学科学院，吉南，中华民国； 4中华人民共和国的山东大学，山东大学切鲁医学院Qilu医院老年医学系； 5中华人民共和国的山东大学切鲁医学院医学院5； 6中国人民共和国北京北京友谊医院神经病学系
基于多模式的基于机器学习模型，用于区分非结核分枝杆菌与结核分枝杆菌
结果：基于临床数据的模型包含年龄，性别和IL-6，而RandomForest算法则达到了最佳学习模型。确定了CT图像的两个关键放射线特征，然后用于建立放射线模型，发现Logistic算法的模型是最佳的。多模型模型包含年龄，IL-6和2个放射线特征，最佳模型来自LightGBM算法。与最佳的临床或放射线学模型相比，最佳的多模型模型具有最高的AUC值，准确性，灵敏度和负预测值，并且在外部测试数据集中还验证了其“优惠性能”（准确性= 0.745，敏感性= 0.900）。此外，多模型模型的性能优于放射科医生，NGS检测和现有机器学习模型的性能，其精度分别为26％，4和6％。
识别
目的超声是一种高效的成像工具，用于乳房内部异常。然而，特别是通过乳房超声鉴定乳腺模仿纤维膜瘤（MTMF）的恶性肿瘤可能具有挑战性。这项研究旨在确定MTMF的可靠进化特征。材料和方法这项回顾性研究得到了当地伦理审查委员会的批准。包括在2011年至2021年间筛查623例患者后，有421例组织学验证的纤维膜瘤和MTMF病例。将超声检查特征与组织病理学结果进行了比较，并进行了基于算法的定量排名对预测因子的定量排名最大程度最大，这是对恶性肿瘤正确分类的最大贡献。结果分析了总共363个良性，18个中间体和40个恶性病变。Algorithm-based quantitative rank- ing showed that the most predictive features indicating malig- nancy were a hyperechoic rim (gain ratio merit 0.135±0.004), an irregular border (0.057 ± 0.002), perilesional stiffening (0.054±0.002), pectoral contact (0.051±0.003), an irregular shape (0.029 ± 0.001）和不规则的脉管系统（0.027±0.002）。结论纤维瘤的超声检查结果变化，对MTMF的识别构成挑战。诸如无缘缘和周期回声的特征是恶性肿瘤的预分量，应在超声评估纤维肾上腺瘤和MTMF期间考虑。
2025; 15(6): 2579-2596. doi: 10.7150/thno.102584 研究论文 纳米纤维/网状人工仿生硬脑膜促进神经干细胞分化
1.山东大学齐鲁医院骨科、山东大学骨科中心、山东大学齐鲁医学院，济南 250012。2.山东大学高等医学研究院，济南 250012。3.山东大学齐鲁医学院山东大学第二医院，济南 250033。4.天津医科大学总医院骨科、脊髓损伤国际科技合作基地、天津市脊柱脊髓重点实验室，天津 300052。5.齐鲁工业大学（山东省科学院）先进材料研究院，济南 250014。6.山东大学生殖医学中心，山东济南 250012。
四邻苯酚对分化小鼠胚胎干细胞的影响揭示了对免疫系统的意外影响
四抗苯酚A（TBBPA）是用于多种设备中使用的有效的木质阻滞剂，是家庭和生态系统中的主要污染物。在脊椎动物中，它被证明会影响神经发育，下丘脑 - 垂体 - 基达轴和甲状腺信号传导，但其毒性和作用方式仍然是争论的问题。暴露于TBBPA引起的分子表型仅描述了很差，尤其是在转录组重编程水平上，这进一步限制了我们对其分子毒性的理解。在这项工作中，我们将功能基因组学和系统生物学结合在一起，提供了对作用于MESC的TBBPA引起的转录组改变的系统描述，并提供了潜在的新毒性标记。我们发现TBBPA诱导的转录组重编程会影响生物途径网络中的大量基因集合，表明对生物过程的广泛干扰。我们还发现了两个作用热点：在神经元分化标记的水平上，令人惊讶的是，在免疫系统功能的水平上，到目前为止，它们在很大程度上被忽略了。这种效果特别强，因为髓样和淋巴样谱系的末端分化标记均大大降低：膜T细胞受体（CD79A，CD79B），白介素七受体（IL7R），巨噬细胞粒细胞因子受体（CSF1R），单细胞激素受体（CCR2）。此外，强烈诱导了高属性IgE受体（FCER1G），是过敏反应的关键介体。因此，TBBPA诱导的分子不平衡可能比最初实现的强。
Joseph S等。医疗保健提供者中无菌非接触技术临床实践框架的知识，态度和实践：系统审查协议。 ADV护理患者护理INT J 2023，6（1）：180067。 Katikar M和Abhishek BP。将获得的童年失语症与发育语言障碍区分开来。 Acta Neurophysiol 2025，6（1）：180097。Joseph S等。医疗保健提供者中无菌非接触技术临床实践框架的知识，态度和实践：系统审查协议。 ADV护理患者护理INT J 2023，6（1）：180067。Katikar M和Abhishek BP。将获得的童年失语症与发育语言障碍区分开来。 Acta Neurophysiol 2025，6（1）：180097。
获得的儿童失语（ACA）是与突然发作语言障碍有关的疾病。此语言干扰的票价是脑的后果，从而导致先前获得的技能回归。这使该病情与发育语言障碍（DLD）明显不同。后者与获取语音里程碑的延迟有关，ACA出现了早期语言技能后。ACA通常与特定原因（例如脑肿瘤，创伤性脑损伤，感染）有关，与发育语言疾病不同，这些疾病有时可能与确定的原因有关，有时与特发性起源有关。症状可能相似。这可能导致更多的诊断困惑和并发症。作为ACA的评估方法与DLD的评估方法有所不同，因为ACA的重点是评估丢失的语言功能，而重点是量化DLD延迟的详细信息。合并症的条件也给予重量
使用前瞻性代表性数据
目的：本研究使用来自印度南部的前瞻性代表性数据集来开发和评估多模式机器学习模型，以区分细菌和真菌性角膜炎。设计：机器学习分类器培训和验证研究。参与者：印度马杜赖（Madurai）的Aravind Eye Hospital诊断出患有急性感染性角膜炎的五百九十九名受试者。方法：我们使用了前瞻性的，连续收集的，代表性的数据集（Madurai数据集）收集的前瞻性，连续收集的代表性数据集，并比较了3种预测模型，以区分细菌和真菌角膜炎。这些模型包括一个临床数据模型，使用效率网状结构的计算机视觉模型以及将成像和临床数据都结合在一起的多模式模型。我们将Madurai数据集分为70％的火车/验证和30％的测试集。进行了模型训练，并进行了五重交叉验证。我们还比较了由Madurai训练的计算机视觉模型的性能与具有相同架构的模型，但对从多个先前的细菌和真菌性角膜炎随机临床试验（RCT）（RCT训练的计算机视觉模型）进行了培训。主要结果指标：主要评估度量是Precision-Recall曲线（AUPRC）下的面积。二级指标包括接收器操作特征曲线（AUROC），准确性和F1分数下的区域。与计算机视觉模型相比，多模式模型并不能显着提高性能。眼科科学2025; 5：100665ª2024，美国眼科学会。结果：由Madurai训练的计算机视觉模型优于临床数据模型和持有测试集的RCT训练的计算机视觉模型，其AUPRC 0.94（95％的置信间隔：0.92 E 0.96），AUROC 0.81（0.76 E 0.85）（0.76 E 0.85）（0.76 E 0.85），精度为77％和F1 0.85。结论：传染性角膜炎的表现最佳的机器学习分类是使用Madurai数据集训练的计算机视觉模型。这些发现表明，基于图像的深度学习可以显着增强感染性角膜炎的诊断能力，并强调使用前瞻性，连续收集的，代表性的机器学习模型培训和评估的重要性。财务披露：本文末尾的脚注和透视性可以在脚注和验证中找到。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
论文：疼痛之谜及其心理含义：复杂区域疼痛综合征与躯体症状障碍的区别
最令人担忧的疼痛病症之一是复杂性局部疼痛综合征 (CRPS)，这是一种神经系统疾病，可能发生于创伤、手术、医疗程序或长期固定之后。其主要症状是在诱发损伤部位出现极度且持续的烧灼痛或冻痛，通常与损伤本身不成比例且持续时间比损伤本身更长。需要与 CRPS 区分开来的精神疾病是躯体症状障碍 (SSD)，它于 2013 年被添加到《精神疾病诊断和统计手册》第五版 (DSM-5) 中。它只需要一个身体（躯体）症状（可能有更多），但同样重要的是，患者还必须有明显超过其身体症状的想法、感受或行为。区分 CRPS 和 SSD 可能是一个困难的诊断挑战，但对于改善患者的福祉是必要的。两者都发生在住院和门诊环境中。对于 CRPS，诊断依赖于根据特定临床标准进行评估，因为没有明确的诊断测试。SSD 的特点是过度关注躯体症状，包括疼痛，并且也没有明确的诊断测试。由于这两种疾病都具有令人痛苦的躯体症状的特征，并且都具有重要的心理成分，因此鉴别诊断通常需要广泛的研究。为了说明它们的诊断复杂性，除了现有文献之外，我们还使用了 CRPS、SSD 以及两者结合的案例。这些案例强调了在评估和管理这两种疾病方面需要多学科合作，以解决生理和心理成分。特别是会诊联络精神科医生，他们在这两个领域都接受过必要的培训，并且可以发挥关键的协作作用，既要承认身体疼痛的程度，又要解决心理层面的问题，包括焦虑、抑郁和潜在身体不适的放大。