XiaoMi-AI文件搜索系统
World File Search Systempred
使用自我注意力增强心脏病预测...
心血管疾病（CVD）仍然是全球超过1700万枚死亡的主要原因。以高精度对心力衰竭的早期检测对于临床试验和治疗至关重要。患者将根据血压，胆固醇水平，心率和其他特征等特征将患者分为各种类型的心脏病。使用自动系统，我们可以通过分析其特征来为那些容易发生心力衰竭的人提供早期诊断。在这项工作中，我们部署了一种新型的基于自我发挥的变压器模型，该模型结合了自我发项机制和变压器网络以预测CVD风险。自我发项层捕获上下文信息并生成有效建模数据中复杂模式的表示。自我注意力的机制通过给输入序列的每个组成部分来提供一定程度的注意力重量来提供可解释性。这包括调整输入和输出层，结合更多层，并修改注意力过程以收集相关信息。这也使医生可以理解数据的哪些功能有助于该模型的预测。提出的模型在Cleveland数据集上进行了测试，克利夫兰数据集是加利福尼亚大学尔湾分校（UCI）机器学习（ML）存储库的基准数据集。将提出的模型与几种基线方法进行比较，我们达到了96.51％的最高准确性。此外，我们的实验结果表明，我们的模型的预测率高于其他用于心脏病预测的尖端方法的预测率。
巨型基因很少见，但与细胞壁降解有关掠食性细菌
在整个生命之树中，基因长度各不相同，但大多数的长度不超过几千个碱基对。最大的蛋白质经常报告是约40,000个AA真核生物滴定。甚至更大的蛋白质可能发生在快速扩展的元基因组衍生序列中，但是它们的存在可能会因组装碎片而掩盖。在这里，我们利用基因组策展来完成元基因组衍生的序列，该序列编码了高达85,804 AA的预测蛋白质。总体而言，这些发现阐明了与巨型蛋白质有关的巨大知识差距。尽管预测的蛋白质> 30,000 aa的蛋白质发生在细菌的门中，例如坚硬和静脉细菌，但它们在CA中最常见。全硝基，超小细菌，采用掠夺性生活方式。所有全长巨型基因编码众多跨膜区域，大多数编码不同的SECA死解旋酶结构域。需要在蛋白质子区域的计算机结构预测中识别未经注释的蛋白质段中的结构域，并揭示了与附着和碳水化合物降解有关的推定域。在新的完整和接近完全完整的全硝基化基因组中，许多巨型基因都与与II型分泌系统同源的基因以及碳水化合物进口系统非常接近。这与域含量结合使用，建议
日本建立机器学习模型，以预测大脑中的淀粉样蛋白β
OITA大学和日本的Eisai Co.宣布开发机器学习模型，以预测淀粉样蛋白β（A？）在大脑中积累，结合了背景数据，例如年龄，性别，吸烟史和病史，以及一般血液测试和小型精神状态检查（MMSE）项目。该模型有望使初级保健医师预测大脑A的积累？，在常规体检期间，哪个是阿尔茨海默氏病（AD）的重要病理因素，并促进AD的简单早期筛查。
18 F-氟脱氧葡萄糖正电子发射断层扫描 - 计算层析成像参数，用于预测儿童的预后和毒性
伯基特淋巴瘤（BL），弥漫性大B细胞淋巴瘤（DLBCL）和原发性纵隔B细胞淋巴瘤（PMBCL）是儿童和年轻人的常见肿瘤（1）。尽管化学疗法可以显着提高生存率，而无事件的生存率为5年，但对于那些对前线化学疗法复发或反应不佳的患者的预后较差[总生存率（OS）率≤25％]（2）。高剂量化疗可能会诱导延迟作用，包括继发性恶性肿瘤，慢性健康状况和不育（3,4）。作为一种新型的免疫治疗，嵌合抗原受体（CAR）T细胞治疗在许多类型的恶性肿瘤中取得了显着的效果，尤其是在复发或难治性的大B细胞淋巴瘤（LBCL）中，并且治疗效应可以持续使用（5-7）。但是，大多数患者确实会经历复发（8,9）。细胞因子释放综合征（CRS）和免疫效应物细胞相关的神经毒性综合征（ICAN）是常见的与免疫相关的不良事件，必须密切监测，因为它们可能是致命的（10）。因此，重要的是要鉴定预后较差的患者，并且在服用T细胞治疗之前有严重不良反应的风险。作为形态和功能成像的组合，
基于机器学习的锂的预测维护...
尽管经过证实的合成能力1，但我不能在一页上感谢这些，因为似乎重要的是要提及为这次冒险做出贡献的每个人。在所有帮助我进入本文结尾的人中，我要感谢我的导演RomualdBoné。我永远不会希望能够从如此多的关注，同理心和这种相关的科学建议中受益。感谢您的可用性，尽管董事在INSA中涉及工作量。我感谢我的主管Tedjani Mesbahi和Ahmed Samet在四年前为我提供了这一论文主题来信任我。有起伏，但他们的支持不可避免地在那里。感谢Hubert Cardot和Jean-Michel Vinassa同意带回我的论文。自从我第一个随访委员会以来，休伯特·卡多特（Hubert Cardot）和瓦阿法（Ouafae El Ganaoui-Mourlan）通过聆听，他们的问题和建设性的言论参与了我的作品的持续改进。感谢Ouafae现在与Pascal Venet和Djamila Aouada一起成为考官。我还要感谢Charlotte Alloudi和Asmae El Mejdoubi接受了这一邀请。于2019年9月开始他的论文，与同事远离同事的押韵，但这并没有阻止我建立非凡的联系。感谢所有与我共享的人（如此令人垂涎的..！）局C219：豪尔赫，Yasser，Paul，然后显然是Théo和传奇办公室的佛朗哥。没有能够详尽的命名，还要感谢INSA的文档，以提供仁慈和日常分享。我必须感谢所有的学生，我从中学到了很多东西。向所有同事致以宝贵的建议和鼓励，非常感谢。我也想到了我每天在INSA遇到的所有人，礼貌地欢迎他们，并在内部感谢他们的工作，接待，秘书处，会计，计算机维修，但也清洁，工作，调整恒温器，然后笑和幽默。如果我坚持到最后，这也要归功于我在七年前在INSA室内和INSA内部在Stras-Bourg举行的会议。我无法描述我所归功于斯特拉斯堡大学乐团的一切，因为我在音乐和人文上所采取的一切，因为我在那里遇到的所有人，现在是第二个家庭。感谢Viel Mols对Lionel和他的家人，
全身性炎症标志物是肌萎缩性横向硬化症中疾病进展和生存时间的潜在预测因子
症状发作后（Van Es等，2017）。尽管ALS相对罕见，但全球1-1.8/100,000个人的影响，但预计ALS病例的数量将从2015年的222,801增加到2040年的376,674，这是由于全球人口的老龄化，导致家庭和社会的巨大负担（Arthur等人，2016年）。然而，由于ALS的发病机理仍然难以捉摸，因此没有延迟或停止ALS的发作或进展的有效治疗。识别ALS的廉价且易于实现的生物标志物可以预测疾病进展率和生存时间对于改善疾病管理至关重要。神经因浮肿和外周免疫已被假定在ALS的神经退行性过程中起重要作用（Liu等，2020）。神经蛋白的流量始终由小胶质细胞和星形胶质细胞激活诱导，这可以通过ALS患者的验尸后的免疫染色来检测（Kawamata等，1992; Schi qu Quert et al。，1996）。正电子发射断层扫描（PET）成像的进展使通过活化的小胶质细胞表达的耦合蛋白在体内可视化人类神经胶质变化成为可能（Corcia等，2012）。然而，以上评估神经素浮肿的方法是侵入性的，昂贵和技术困难的，这不能以大规模的方式实施。这些外围炎症生物标志物已被用作心血管疾病，自身免疫性疾病和神经退行性疾病的预测因素，例如帕金森氏病，阿尔茨海默氏病，阿尔茨海默氏病（Sharma et al。 2012）。可以通过不同的白细胞的血细胞计数以及包括嗜中性粒细胞与淋巴细胞比率（NLR），血小板至淋巴细胞（PLR），Lymphocyte and Monyphocyte conmphocyte conmyte rmicte rmicty rmicty callio atio ymricte rmicty rmicty callio atio at（NLR）的血细胞计数来评估外围炎性生物标志物。免疫输入指数（SII），具有成本效率，方便且高度适用于临床应用（Grassano等，2023; Cao等，2023）。至于ALS，意大利的一项基于人群的研究发现，中性粒细胞，NLR和SII的增加与更快的疾病进展，较差的肺功能和较短的生存有关（Grassano等，2023）。低淋巴细胞和LMR降低与女性ALS患者的预后不良相关（Grassano等，2023）。中国的一项回顾性，横截面的观察性研究也表明，NLR值是预测零星ALS患者的疾病进展率和存活率的独立参数（Wei等，2022）。在这些系统性的弹性标记中，NLR是ALS中研究最多的参数，显示了预测ALS预后的潜力，而有关PLR，LMR和SII的作用的证据相对较少见（Cao等，2023; Wei等，2022; Choi等，2022; Choi等，2020; 2020; leone et al。此外，与西方的研究相比，中国ALS患者的研究数据仍然很少。总的来说，这项研究的目的是通过分析Chinses ALS患者的NLR，PLR，LMR和SII来评估系统性炎症状态的作用，以研究这些参数与ALS严重程度，进展率和存活率之间是否存在关联。因此，确定
FDG PET生物标志物预测抗PD1免疫疗法之前转移性黑色素瘤生存率
我们的目的是分析在抗PD1治疗之前从基线18 F-FDG PET中提取的生物标志物是否有助于预后生存信息，以便转移性黑色素瘤的早期风险分层。Fifty-six patients, without prior systemic treatment, BRAF wild type, explored using 18 F-FDG PET were included retrospectively.Our primary endpoint was overall survival (OS).Total metabolic tumoral volume (MTV) and forty-one IBSI compliant parameters were extracted from PET.Parameters associated with outcome were evaluated by a cox regression model and when significant helped build a prognostic score.Median follow-up was 22.1 months and 21 patients died.Total MTV and long zone emphasis (LZE) correlated with shorter OS and served to define three risk categories for the prognostic score.For low, intermediate and high risk groups, survival rates were respectively 91.1% (IC 95 80–1), 56.1% (IC 95 37.1–85) and 19% (IC 95 0.06–60.2) and hazard ratios were respectively 0.11 (IC 95 0.025–0.46), P = 0.0028, 1.2 (IC 95 0.48–2.8), P = 0.74 and 5.9 (IC 95 2.5–14), P < 0.0001.得出结论，基于总MTV和LZE的预后评分分离了3类，其结局截然不同的转移性黑色素瘤患者。Innovative therapies should be tested in the group with the lowest prognosis score for future clinical trials.
比较医学概念表示和患者轨迹预测的神经语言模型
医学概念的有效表示对于电子健康记录的次要分析至关重要。神经语言模型在自动从临床数据中得出医学概念表示方面已显示出希望。但是，尚未对不同语言模型的比较性能，用于创建这些经验表示形式及其编码医学语义的程度，尚未得到广泛的研究。本研究旨在通过评估三种流行语言模型的有效性 - word2vec，fastText和手套 - 在创建捕获其语义含义的医学概念嵌入中的有效性。通过使用大量的数字健康记录数据集，我们创建了患者轨迹，并用它们来训练语言模型。然后，我们通过与生物医学术语进行明确比较来评估学到的嵌入式编码语义的能力，并通过预测具有不同级别可用信息的患者结果和轨迹来隐含。我们的定性分析表明，FastText学到的嵌入的经验簇与从生物医学术语获得的理论聚类模式表现出最高的相似性，分别在0.88、0.80和0.92的经验簇和0.92之间的诊断，过程和医疗代码分别为0.88、0.80和0.92之间。相反，为了预测，Word2Vec和Glove倾向于优于快速文本，而前者的AUROC分别高达0.78、0.62和0.85，分别用于现场长度，再入院和死亡率预测。在预测患者轨迹中的医疗法规时，手套在诊断和药物代码（分别为0.45和0.81）的最高级别上达到了语义层次结构的最高性能（AUPRC分别为0.45和0.81），而FastText优于其他模型的过程代码（AUPRC为0.66）。我们的研究表明，子词信息对于学习医学概念表示至关重要，但是全球嵌入向量更适合于更高级别的下游任务，例如轨迹预测。因此，可以利用这些模型来学习传达临床意义的表示形式，而我们的见解突出了使用机器学习技术来编码医学数据的潜力。
机器学习模型可以预测遗传遗传疾病的儿童的风险评估
。cc-by 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权所有，该版本于2024年8月22日发布。 https://doi.org/10.1101/2024.08.22.609095 doi：Biorxiv Preprint