XiaoMi-AI文件搜索系统
World File Search Systemgme
血管正常化：重塑卵巢癌的肿瘤微环境并增强抗肿瘤免疫力
卵巢癌仍然是一种具有挑战性的疾病，治疗方法有限，预后不良。肿瘤微环境 (TME) 在肿瘤生长、进展和治疗反应中起着至关重要的作用。TME 的一个特征是异常的肿瘤血管，这与血液灌注不足、缺氧和免疫逃逸有关。血管正常化是一种旨在纠正异常肿瘤血管的治疗策略，它已成为重塑 TME、增强抗肿瘤免疫力和与卵巢癌免疫治疗协同作用的一种有前途的方法。这篇综述文章全面概述了血管正常化及其在卵巢癌中的潜在影响。在这篇综述中，我们总结了抗血管生成和免疫调节之间复杂的相互作用，以及 ICI 联合抗血管生成治疗在卵巢癌中的应用。本综述中讨论的令人信服的证据有助于不断增长的知识体系支持使用联合疗法作为卵巢癌有希望的治疗模式，为进一步的临床开发和优化这种治疗方法铺平了道路。
如何引用本文：Vasudeva A、Sheikh NA、Sahu S。通过远程医疗和人工智能增强的国际功能、残疾和健康分类用于评估功能性残疾。J Family Med Prim Care 2021；10：3535-9。
建议的工作流程 建议的工作流程是，该人应该在网站上申请证书，该网站将首先确定是否存在基准残疾。智能助手和视频分析将有助于做出这一决定。将设置一个网络摄像头，其中包含预先指定的问题和预先指定的带有说明的协议。提供用于评估残疾的视频指南和说明手册将有助于以足够的信心得出结论，即患者是否有基准残疾。上诉机构将处理任何上诉。如果它确实符合基准残疾的条件，AI 将填写 WHO 的 ICF 核心集以创建功能档案；使用远程医疗来衡量能力和绩效，这可能取决于环境和社会规范
JRDB-Panotrack：一个开放世界的全景进行分割和跟踪拥挤的人类环境中的机器人数据集
自主机器人系统近年来引起了越来越多的关注，在这种环境中，环境是机器人导航，人类机器人互动和决策的关键步骤。现实世界机器人系统通常会从多个传感器中收集视觉数据，并经过重新识别以识别许多对象及其在复杂的人拥挤的设置中。传统的基准标记，依赖单个传感器和有限的对象类和场景，无法提供机器人对策划导航，互动和决策的需求的综合环境理解。作为JRDB数据集的扩展，我们揭开了一种新颖的开放世界式分割和跟踪基准，介绍了一种新型的开放世界式分割和跟踪基准。JRDB-Panotrack包括（1）各种数据室内和室外拥挤的场景，以及
系统生理学增强功能近红外光谱：研究人类大脑的有力方法
摘要。在这篇 Outlook 论文中，我们解释了为什么当通过使用系统生理增强功能性近红外光谱 (SPA-fNIRS) 同时测量系统生理活动（例如心肺和自主神经活动）时，可以促进对功能性近红外光谱 (fNIRS) 神经成像信号的准确生理解释。SPA-fNIRS 的基本原理有两个方面：(i) SPA-fNIRS 能够更完整地解释和理解在头部测量的 fNIRS 信号，因为它们包含源自神经血管耦合和系统生理源的成分。用 SPA-fNIRS 测量的全身生理信号可用于回归 fNIRS 信号中的生理混杂成分。因此可以最大限度地减少误解。(ii) SPA-fNIRS 能够通过将大脑与整个身体的生理状态联系起来来研究具身大脑，从而对它们复杂的相互作用产生新的见解。我们预计 SPA-fNIRS 方法在未来将变得越来越重要。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 International 许可证出版。全部或部分分发或复制本作品需要完全注明原始出版物，包括其 DOI。[DOI：10.1117/1.NPh.9.3.030801]
使用 augmenta 进行交流的经验和观点的定性证据综合
摘要 目的：本文回顾了现有的定性研究文献，这些文献涉及人们使用辅助和替代沟通 (AAC) 进行交流的经验。进行这次回顾的目的是更多地了解人们使用 AAC 进行交流时所重视的价值观和结果。进行这次回顾是为了更深入地了解这些经验，为制定患者报告结果测量 (PROM) 提供参考。材料和方法：对现有的定性研究文献进行定性证据综合，以探索和评估有关使用 AAC 的人的经验的当前知识。结果：从 115 份定性研究报告中，确定了 19 篇论文直接回答了研究问题和回顾的目的。确定了可以在由价值观、结果和背景结构组成的先验框架内组织的数据。结论：这次回顾使人们对需要 AAC 的人的经历有了更深入的分析理解。结果表明，一组概念可用于指导 PROM 的开发。 PROM 可用于帮助临床医生和研究人员更好地了解需要 AAC 的人的观点并评估干预措施。结果还鼓励专业人员重新考虑与需要 AAC 的人一起工作时使用的术语和方法，并反思影响人们沟通体验的多维因素。
想象力 - 提出深入的代理 - ...
想象力，基于模型的推理和决策的神经基础对神经科学产生了很大的兴趣[5-7]；在认知水平上，在动物和人类学习中已经假设并证明了模型学习和心理模拟[8-11]。其在基于人工模型的代理中的成功部署迄今已仅限于可用的确切过渡模型[12]或模型易于学习的域中的设置，例如符号环境或低维系统[13 - 16]。在代理无法使用模拟器的复杂域中，最近的成功由无模型方法主导[2，17]。在此类域中，采用标准计划方法的基于模型的代理的性能通常会遭受功能近似作用的模型错误[18，19]。这些错误在计划过程中复合了，导致过度优势和剂性能差。当前没有计划
互相抓挠：通过类别意识群体自我支持学习
尽管磁共振成像（MRI）对脑肿瘤分割和发现非常有帮助，但它在临床实践中缺乏某些方式。作为一种态度，预测绩效的退化是不可避免的。根据当前的实现，在模态特征的训练过程中，不同的模式被认为是独立的，彼此之间是独立的，但是它们是互补的。在本文中，考虑到不同方式对各种肿瘤区域的敏感性，我们提出了一种意识到类别的G组大量学习框架（称为GSS），以弥补本性模态模态提取阶段的信息。确切地说，在每个预测类别中，所有模态的预测构成了一个组，其中选择了最出色的灵敏度的预测作为组领导者。小组领导者与成员之间的合作努力以高的一致性和确定性为基础。作为我们的次要贡献，我们引入了一个随机面具，以减少可能的偏见。GSS采用标准培训策略而无需具体的建筑选择，因此可以轻松地插入现有的全模式内脑肿瘤分段中。在BRATS2020，BRATS2018和BRATS2015数据集上进行了明显的，广泛的实验表明，GSS可以平均证明现有的SOTA算法的性能平均为1.27-3.20％。该代码在https://github.com/qysgithubopen/gss上发布。
机器学习Clifford不变的Ade Coxeter元素
摘要。胸肌分割是乳腺磁共振成像（MRI）的各种计算机辅助应用中的关键步骤。由于胸部和乳房区域之间的伪影和同质性，胸肌边界估计并不是一项琐碎的任务。在本文中，提出了一种基于深度学习的全自动分割方法，以准确描述轴向乳房MR图像中的胸肌边界。提出的方法涉及两个主要步骤：胸肌分割和边界估计。对于胸肌分割，基于U-NET结构的模型用于从输入图像中分离胸肌。接下来，通过候选点检测和轮廓分割来估计胸肌边界。使用两个Real-World数据集，我们自己的私人数据集和一个公开可用的数据集对所提出的方法进行了定量评估。第一个数据集包括12名患者乳房MR图像，第二个数据集由80名患者乳房MR图像组成。所提出的方法在第一个数据集中达到了95％的骰子得分，第二个数据集的骰子得分为89％。在大规模定量乳房MR图像上评估该方法的高分割性能表达了其在将来的乳腺癌临床应用中的潜在适用性。
基于PSO的MR图像分割用于脑肿瘤...
抽象的脑肿瘤分割是对医疗保健中诊断和治疗计划很重要的重要步骤。大脑MRI图像是根据建议的方法在收集数据并准备进一步分析之前先进行预处理的。建议的研究介绍了一种新策略，该策略使用以生物启发的粒子群优化（PSO）算法来分割脑肿瘤图像。为了提高准确性和可靠性，可以调整分割模型的参数。标准措施等标准度量，例如精度，精度，灵敏度，jaccard索引，骰子系数，特异性，用于绩效评估，以衡量建议的基于PSO的分割方法的有效性。建议方法的总体准确性为98.5％。随后的绩效分析分别为骰子得分系数，Jaccard指数，精度，灵敏度和特异性的91.95％，87.01％，92.36％，90％和99.7％的结果提供了更好的结果。因此，此方法对于放射科医生来说可能是有用的工具，可以支持它们诊断大脑中的肿瘤。关键字 - 脑肿瘤，群智能，粒子群优化，磁共振图像。
多元化和个性化的多评价医学图像细分
注释歧义由于固有的数据不确定性，例如医学扫描中的界限模糊以及不同的观察者专业知识和偏好已成为训练基于深度学习的医学图像模型的主要观点。为了解决这个问题，普遍的做法是从不同专家那里收集多个注释，导致多评价医学图像分割的设置。现有的作品旨在将不同的注释合并到“地面真实”中，而在众多医疗环境中通常无法实现，或者产生不同的结果，或产生与个人专家评估者相对应的个性化结果。在这里，我们提出了一个更雄心勃勃的多评价医学图像细分的目标，即遵守多元化和个性化结果。指定，我们提出了一个名为d-persona的两个阶段框架（第一个d iversification，然后是角色lization）。在第I阶段，我们利用多个给定注释来训练一个可能性的U-NET模型，并具有约束损失，以证明预测多样性。以这种方式，在第I阶段建造了一个共同的空间，其中不同的潜在代码表示多样化的专家意见。然后，在第二阶段，我们设计了多个基于注意力的投影头，以适应来自共享潜在空间的相应专家提示，然后执行个性化的医疗图像细分。我们评估了内部鼻咽癌数据集和公共肺结核数据集（即LIDC-IDRI）的拟议模型。我们的代码将在https：//github.com/ycwu1997/d-persona上发布。的实验实验表明，我们的D-Persona可以同时获得多元化和个性化的结果，从而实现了多评位者医疗图像细分的新SOTA性能。