XiaoMi-AI文件搜索系统
World File Search Systemnodules
肺结节的机器学习评估
AI 被定义为计算机科学的一门学科，其重点是创造能够感知世界并表现得像人类的机器 (13)。最初的 AI 算法用于简单的数据分析，由程序员硬编码，无法识别未专门编程的模式 (14)。ML 是 AI 的一个子领域，其中算法可以识别和学习复杂数据集中的模式以产生智力预测，而不是通过显式编程 (14,15)。然而，大多数传统的 ML 算法仍然需要人工输入，并且此类算法能够评估的模式仍然相当简单。DL 可以被概念化为 ML 的一类，其中算法基于人工神经网络组织成许多处理层，类似于人脑。医学成像最常用的 DL 模型是卷积神经网络 (CNN) (16)（图 1），最初由 Fukushima 于 1980 年描述 (17)。LeCun 等人于 1989 年首次描述了使用反向传播训练 CNN 进行图像识别 (18)。2012 年，Krizhevsky 等人首次使用图形处理单元 (GPU) 训练 CNN 对物体进行分类，并因此赢得了 ImageNet 大规模视觉识别挑战赛 (19)。CNN 不需要人工干预即可进行复杂的数据分析 (20)。CNN 模仿人类大脑，神经元组织成多层 (21)
聚合金结节和关键矿物质供应...
持续依赖国外矿物质的外国来源对北美的总体价值链构成了重大风险，在北美，这些矿物质在清洁能源过渡中起着至关重要的作用。镍和钴是生产电动汽车（EV）电池所必需的，特别是NMC 1类型，它是全球广泛采用的电池化学。两种金属在国家和区域安全方面也有直接的应用。镍用于军事电镀，钴用于战斗机和装甲弹药中。REE对于在战斗机和导弹指导系统以及电动汽车和风力涡轮机中使用的磁铁的生产至关重要。REE的供应风险在关键矿产中也具有最高的供应风险，鉴于中国持有的主要市场份额。REE的供应风险在关键矿产中也具有最高的供应风险，鉴于中国持有的主要市场份额。
分子诊断在甲状腺结节评估中的应用
甲状腺癌是最常见的内分泌恶性肿瘤，预计 2022 年将诊断出 43,800 例新病例，是女性中第七大常见癌症。虽然甲状腺结节非常常见，在超过 60% 的随机选择的成年人中被发现，但只有 5-15% 的甲状腺结节伴有甲状腺恶性肿瘤。因此，医生有责任根据临床情况检测和治疗甲状腺恶性肿瘤，并避免对良性无症状病变患者进行不必要的侵入性手术。在过去的 15-20 年里，细胞分子检测在辅助甲状腺结节管理方面取得了快速进展。最初，对不确定的甲状腺结节（具有 Bethesda III 或 IV 细胞学并且恶性风险约为 10-40%）进行研究以评估良性或恶性。最近，下一代测序和微 RNA 技术平台提高了甲状腺结节分子检测的诊断能力，并提供了从细胞学不确定和恶性甲状腺结节中收集预后信息的机会。因此，临床医生可以超越恶性程度的确定，利用当代分子信息来帮助做出手术范围和治疗后监测计划等决定。未来的机会包括有关肿瘤行为、新辅助治疗机会和甲状腺癌治疗反应的分子衍生信息。
AIBx，人工智能模型对甲状腺结节进行风险分层 1
此预印本的版权所有者此版本于 2021 年 2 月 16 日发布。；https://doi.org/10.1101/2021.02.13.21251688 doi: medRxiv preprint
认识 Veye Lung Nodules，您的肺部 AI 助手......
无论是在常规临床实践中还是肺癌筛查中，分析和报告 CT 胸部扫描的肺结节都是繁琐且容易出错的。监测结节进展尤其耗时，因为它需要手动分析和扫描比较。这就是为什么我们创建了一个实用的 AI 医疗解决方案来管理肺结节，随时准备减轻您的负担。了解 Veye 肺结节。
通过超声成像分析对甲状腺结节的定量评估
摘要。最近的研究提出了定量超声（QUS），以从通过多次传输量产生的脉搏回声数据中提取组织的声学特性。在本文中，我们引入了一种基于学习的方法，通过表达声音衰减和超声检查中的声音速度来识别甲状腺结节恶性肿瘤。提出的方法采用了一种神经模型，该神经模型整合了卷积神经网络（CNN），以详细的局部脉冲回声绘制分析与变压器结构，从而增强了该模型在多光束接收中捕获复杂相关性的能力。b模式图像既用作输入又是标签，以确保稳健性能，而不管人脖子上存在的复杂结构，例如甲状腺，血管和气管。为了训练所提出的深神经模型，已经设计了模拟人类肌肉，脂肪层的结构和甲状腺形状的模拟幻影。通过数值模拟和临床测试评估所提出方法的有效性。
作者更正：人工智能定义基于蛋白质的甲状腺结节分类
OpenAccess 本文根据 Creative CommonsAttribution4.0国际许可协议授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否进行了更改。本文中的图像或其他第三方材料包含在文章的知识共享许可中，除非在材料的致谢中另有说明。如果材料未包含在文章的知识共享许可中，并且您的预期用途不被法定法规允许或超出允许用途，则您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/ 。
表征胸部CT扫描条件潜在扩散
摘要。这项研究深入研究了用于用于胸部CT扫描的潜在扩散模型的合成肺结节的表征。我们的实验涉及通过二进制掩码进行定位和各种结节属性引导扩散过程。特别是，掩码指示结节在边界框的形状中的近似位置，而其他标量属性则在嵌入向量中编码。扩散模型在2D中运行，在推理过程中产生单个合成CT切片。该体系结构包括一个VQ-VAE编码器，以在图像和潜在空间之间进行转换，以及负责DeNoising过程的U-NET。我们的主要目标是评估合成图像的质量，这是条件属性的函数。我们讨论可能的偏见以及模型是否充分定位并表征合成结节。我们对拟议方法的能力和局限性的发现可能是涉及有限数据集的下游任务，因为医学成像通常是这种情况。
胸部MRI图像的定量分析，用于良性恶性诊断肺固体结节
方法：招募了总共333例肺结核（训练队列中的233例，在验证队列中为100例）。从MRI图像（CE T1W和T2W）中提取了总共2,824个放射线特征。逻辑回归（LR），幼稚的贝叶斯（NB），支持向量机（SVM），随机森林（RF）和极端梯度提升（XGBOOST）分类器用于构建预测模型，并在应用最佳预测模型后为每个患者获得了放射线学分数（RAD分数）。临床因素和RAD分数共同基于多元逻辑回归分析构建了一个nom图模型，并使用接收器操作特征曲线（AUC）下的区域评估了五个预测模型的诊断性能。