XiaoMi-AI文件搜索系统
World File Search System听诊
phonocardiogram的自动杂音分级
摘要 - 目的：杂音是心脏异常的声音，由专家通过心脏听觉确定。杂音级是杂音强度的定量度量，与患者的临床状况密切相关。这项工作旨在估计来自多个听诊位置的每个患者的杂音级（即缺乏，柔软，响亮），这些位置来自低资源农村地区的大量儿科患者。方法：每个PCG记录的MEL频谱图表示具有15个卷积残留神经网络的集合，具有通道注意机制，以对每个PCG记录进行分类。根据提议的决策规则得出每个患者的最终杂音等级，并考虑所有可用记录的估计标签。使用分层十倍的交叉验证，该方法在由1007名患者的3456个PCG记录组成的数据集上进行了交叉验证。此外，该方法是在由442名患者的1538个PCG记录组成的隐藏测试集上进行了测试。结果：就未加权的敏感性和F1分数而言，患者级杂音等级的总体交叉验证性能分别为86.3％和81.6％。缺乏，柔软和大声杂音的敏感性（和F1分数）为90.7％（93.6％），75.8％（66.8％）和92.3％（84.2％），
伴有发热和呼吸困难的皮疹和脓疱
体格检查未见异常。实验室检查发现白细胞减少、血小板减少，血清天冬氨酸氨基转移酶、乳酸脱氢酶、肌酸激酶、γ-谷氨酰转移酶和总胆红素水平升高。患者的呼吸困难在接下来的 2 天内显著恶化，伴有高烧，体温为 39.6°C 至 40.5°C (103.3°F 至 104.9°F)。听诊的初始发现恶化，包括弥漫性双侧湿啰音。动脉血气分析显示低氧血症 (Pao 2 59 mm Hg，Pco 2 27 mm Hg)，而她通过鼻导管每分钟呼吸 3 L 氧气。肺部计算机断层扫描显示双侧肺上叶有浸润和毛玻璃影（图 3）。酶联免疫吸附试验血清学检测证实存在麻疹病毒免疫球蛋白 M 抗体阳性。患者接受面罩吸氧 40%、静脉注射左氧氟沙星和口服利巴韦林治疗。由于克氏斑（柯氏斑）导致患者无法摄入足够的液体和食物，因此患者接受了支持治疗，包括每日静脉输注 5% D/W。患者 1 周后出院，情况良好，出院后 1 个月的随访中未发现任何症状。
探索噪声和降解对心脏声音分类模型的影响
近年来，数据驱动的心脏声音分类模型的发展一直是研究的活跃领域。首先要开发此类数据驱动的模型，需要使用信号采集设备捕获心脏声音信号。但是，由于大多数情况下存在内部和外部噪音，几乎不可能捕获无噪声的心声信号。心脏声音信号中的这种噪声和降解可能会降低数据驱动分类模型的准确性。尽管文献中已经提出了不同的技术来解决噪声问题，但心声信号中的噪声和降解在何种程度上影响了数据驱动的分类模型的准确性，但仍未得到探索。为了回答这个问题，我们制作了一个合成心脏声音数据集，包括正常和异常的心脏声音，这些声音被各种噪音和降解污染。我们使用此数据集研究了心脏声音记录中噪声和降解对不同分类模型的性能的影响。结果显示出不同的噪声和降解在不同程度上影响心脏声音分类模型的性能。有些对于分类模型更有问题，而另一些则不那么破坏性。将这项研究的发现与我们先前与一组临床医生进行的调查的结果进行比较，表明对分类模型更有害的噪声和降解也更具破坏性对准确的听诊。这项研究的发现可以利用以发展有针对性的心脏声音质量增强方法 - 根据心脏声音信号中噪声和降解的特征，可以适应质量增强的类型和侵略性。
生成或复制：听觉音频潜伏...
摘要引入了具有文本描述的逼真的声音剪辑能力的音频潜在不同模型，该模型有可能彻底改变我们与音频的合作方式。在这项工作中，我们初步尝试通过调查其音频输出与培训数据的比较方式来了解音频潜在不同使用模型的内部工作，这与医生如何通过听取器官的声音来听诊患者。在AudioCaps数据集中训练的文本对审计潜在分歧模型，我们系统地分析了记忆行为，作为训练集大小的函数。 我们还评估了不同的检索指标，以证明训练数据记忆的证据，发现MEL频谱之间的相似性在检测匹配方面比嵌入向量更强大。 在分析音频潜在不同使用模型中的记忆过程中，我们还发现了AudioCaps数据库中的大量重复的音频剪辑。在AudioCaps数据集中训练的文本对审计潜在分歧模型，我们系统地分析了记忆行为，作为训练集大小的函数。我们还评估了不同的检索指标，以证明训练数据记忆的证据，发现MEL频谱之间的相似性在检测匹配方面比嵌入向量更强大。在分析音频潜在不同使用模型中的记忆过程中，我们还发现了AudioCaps数据库中的大量重复的音频剪辑。
一种机器学习算法，以使狗的心脏杂音和临床前椎间盘瓣疾病
1。Mullowney D，Fuentes VL，Barfield D.最后一年的兽医学生和近期兽医毕业生，转诊医院兽医和兽医心脏病学家或心脏病学居民的心脏听觉技能。兽医rec。2021; 189（6）：E305。2。Wilshaw J，Rosenthal SL，Wess G等。病史，体格检查，心脏生物标志物和生化变量的准确性在患有B2期退化二尖瓣疾病的识别犬中。J VET Intern Med。2021; 35（2）：755-770。3。Wesselowski S，Gordon SG，Fries R等。使用体格检查，心电图，放射线照相术和生物标志物预测超声心动图B2 B2粒细胞护丝瓣疾病在临床前骑士国王Charles Spaniels中。J VET Cardiol。 2023; 50：1-16。 4。 ljungvall I，Rishniw M，Porciello F，Ferasin L，Ohad DG。 含粘液丝瓣疾病的小型狗中的杂音性反映了疾病的严重程度。 J小动画实践。 2014; 55（11）：545-550。 5。 Caivano D，Dickson D，Martin M，Rishniw M.患有肺部和亚属于下狭窄的成年犬的杂音强度反映了疾病的严重程度。 J小动画实践。 2018; 59（3）：161-166。 6。 Keene BW，Atkins CE，Bonagura JD等。 ACVIM共识指南 - 用于诊断和处理狗的粘液丝瓣脱离的线。 J VET Intern Med。 2019; 33（3）：1127-1140。 7。 Boswood A，HäggströmJ，Gordon SG等。 8。J VET Cardiol。2023; 50：1-16。4。ljungvall I，Rishniw M，Porciello F，Ferasin L，Ohad DG。含粘液丝瓣疾病的小型狗中的杂音性反映了疾病的严重程度。J小动画实践。2014; 55（11）：545-550。 5。 Caivano D，Dickson D，Martin M，Rishniw M.患有肺部和亚属于下狭窄的成年犬的杂音强度反映了疾病的严重程度。 J小动画实践。 2018; 59（3）：161-166。 6。 Keene BW，Atkins CE，Bonagura JD等。 ACVIM共识指南 - 用于诊断和处理狗的粘液丝瓣脱离的线。 J VET Intern Med。 2019; 33（3）：1127-1140。 7。 Boswood A，HäggströmJ，Gordon SG等。 8。2014; 55（11）：545-550。5。Caivano D，Dickson D，Martin M，Rishniw M.患有肺部和亚属于下狭窄的成年犬的杂音强度反映了疾病的严重程度。J小动画实践。2018; 59（3）：161-166。6。Keene BW，Atkins CE，Bonagura JD等。 ACVIM共识指南 - 用于诊断和处理狗的粘液丝瓣脱离的线。 J VET Intern Med。 2019; 33（3）：1127-1140。 7。 Boswood A，HäggströmJ，Gordon SG等。 8。Keene BW，Atkins CE，Bonagura JD等。ACVIM共识指南 - 用于诊断和处理狗的粘液丝瓣脱离的线。J VET Intern Med。2019; 33（3）：1127-1140。 7。 Boswood A，HäggströmJ，Gordon SG等。 8。2019; 33（3）：1127-1140。7。Boswood A，HäggströmJ，Gordon SG等。8。pimobendan在临床前粘液丝瓣疾病和心脏症的狗中的影响：史诗般的研究 - 一项随机临床试验。J VET Intern Med。2016; 30（6）：1765-1779。 Engel-Manchado J，Montoya-Alonso JA，DoménechL等。 犬菌丝丝瓣疾病的机器学习技术：整合了解血，生活质量调查和体格检查。 兽医科学。 2024; 11：118。 9。 Pedersen HD，HäggströmJ，Falk T等。 狗轻度二尖瓣反流中的神经培养：观察者的变化，物理操作的影响以及与颜色多普勒超声心动图和唱机心脏摄影的一致。 J VET Intern Med。 1999; 13（1）：56-64。 10。 HöglundK，French A，Dukes-McEwan J等。 拳击手狗中的低强度心脏杂音：观察者间的变化和压力测试的影响。 J小动画实践。 2004; 45（4）：178-185。 11。 Vezzosi T，Alibrandi L，Grosso G，TognettiR。对基于智能手机的新数字听觉检查材料的评估，该数字听觉仪具有狗和猫中的Phonocartiography和心电图。 兽医J。 2023; 295：105987。 12。 Blass KA，Schober KE，Bonagura JD等。 150只猫中3200型3M Littmann电子听诊器的临床评估。 J猫科药。 2013; 15（10）：893-900。 13。 VörösK，Nolte I，HungerbühlerS等。 使用基于传感器的电子听诊仪，狗心脏杂音的声音记录和数字声音心电图。 14。2016; 30（6）：1765-1779。Engel-Manchado J，Montoya-Alonso JA，DoménechL等。犬菌丝丝瓣疾病的机器学习技术：整合了解血，生活质量调查和体格检查。兽医科学。2024; 11：118。9。Pedersen HD，HäggströmJ，Falk T等。狗轻度二尖瓣反流中的神经培养：观察者的变化，物理操作的影响以及与颜色多普勒超声心动图和唱机心脏摄影的一致。J VET Intern Med。1999; 13（1）：56-64。 10。 HöglundK，French A，Dukes-McEwan J等。 拳击手狗中的低强度心脏杂音：观察者间的变化和压力测试的影响。 J小动画实践。 2004; 45（4）：178-185。 11。 Vezzosi T，Alibrandi L，Grosso G，TognettiR。对基于智能手机的新数字听觉检查材料的评估，该数字听觉仪具有狗和猫中的Phonocartiography和心电图。 兽医J。 2023; 295：105987。 12。 Blass KA，Schober KE，Bonagura JD等。 150只猫中3200型3M Littmann电子听诊器的临床评估。 J猫科药。 2013; 15（10）：893-900。 13。 VörösK，Nolte I，HungerbühlerS等。 使用基于传感器的电子听诊仪，狗心脏杂音的声音记录和数字声音心电图。 14。1999; 13（1）：56-64。10。HöglundK，French A，Dukes-McEwan J等。拳击手狗中的低强度心脏杂音：观察者间的变化和压力测试的影响。J小动画实践。2004; 45（4）：178-185。 11。 Vezzosi T，Alibrandi L，Grosso G，TognettiR。对基于智能手机的新数字听觉检查材料的评估，该数字听觉仪具有狗和猫中的Phonocartiography和心电图。 兽医J。 2023; 295：105987。 12。 Blass KA，Schober KE，Bonagura JD等。 150只猫中3200型3M Littmann电子听诊器的临床评估。 J猫科药。 2013; 15（10）：893-900。 13。 VörösK，Nolte I，HungerbühlerS等。 使用基于传感器的电子听诊仪，狗心脏杂音的声音记录和数字声音心电图。 14。2004; 45（4）：178-185。11。Vezzosi T，Alibrandi L，Grosso G，TognettiR。对基于智能手机的新数字听觉检查材料的评估，该数字听觉仪具有狗和猫中的Phonocartiography和心电图。兽医J。 2023; 295：105987。 12。 Blass KA，Schober KE，Bonagura JD等。 150只猫中3200型3M Littmann电子听诊器的临床评估。 J猫科药。 2013; 15（10）：893-900。 13。 VörösK，Nolte I，HungerbühlerS等。 使用基于传感器的电子听诊仪，狗心脏杂音的声音记录和数字声音心电图。 14。兽医J。2023; 295：105987。12。Blass KA，Schober KE，Bonagura JD等。150只猫中3200型3M Littmann电子听诊器的临床评估。J猫科药。2013; 15（10）：893-900。 13。 VörösK，Nolte I，HungerbühlerS等。 使用基于传感器的电子听诊仪，狗心脏杂音的声音记录和数字声音心电图。 14。2013; 15（10）：893-900。13。VörösK，Nolte I，HungerbühlerS等。 使用基于传感器的电子听诊仪，狗心脏杂音的声音记录和数字声音心电图。 14。VörösK，Nolte I，HungerbühlerS等。使用基于传感器的电子听诊仪，狗心脏杂音的声音记录和数字声音心电图。14。Acta Vet悬挂。2011; 59（1）：23-35。Oliveira J，Renna F，Costa PD等。circor digiscope数据集：从杂音检测到杂音分类。2021 https：// arxiv。org/abs/2108.00813v1。2021年10月26日访问。15。Clifford GD，Liu C，Moody B等。心脏声音分析的最新进展。生理测量。2017; 38（8）：E10-E25。 16。 Bentley PJ，Nordehn G，Coimbra MT，MannorS。Pascal Class-fying Heart Sounds挑战2011（CHSC2011）结果。 2011 http：//www.peterjbentley.com/heartchallenge/index.html。 2018年4月18日访问。 17。 Liu C，Springer D，Li Q等。 用于评估心脏声音算法的开放访问数据库。 生理测量。 2016; 37（12）：2181-2213。 18。 ljungvall I，Ahlstrom C，HöglundK等。 使用心脏声音和杂音的信号分析来评估狗的二尖瓣浮肿的严重程度，可归因于狗的粒二尖瓣疾病。 AM J Vet Res。 2009; 70（5）：604-613。 19。 HöglundK，Ahlstrom C，HäggströmJ，Ask P，Hult P，KvartC。分化生理学的时间频率和复杂性分析2017; 38（8）：E10-E25。16。Bentley PJ，Nordehn G，Coimbra MT，MannorS。Pascal Class-fying Heart Sounds挑战2011（CHSC2011）结果。2011 http：//www.peterjbentley.com/heartchallenge/index.html。2018年4月18日访问。17。Liu C，Springer D，Li Q等。 用于评估心脏声音算法的开放访问数据库。 生理测量。 2016; 37（12）：2181-2213。 18。 ljungvall I，Ahlstrom C，HöglundK等。 使用心脏声音和杂音的信号分析来评估狗的二尖瓣浮肿的严重程度，可归因于狗的粒二尖瓣疾病。 AM J Vet Res。 2009; 70（5）：604-613。 19。 HöglundK，Ahlstrom C，HäggströmJ，Ask P，Hult P，KvartC。分化生理学的时间频率和复杂性分析Liu C，Springer D，Li Q等。用于评估心脏声音算法的开放访问数据库。生理测量。2016; 37（12）：2181-2213。18。ljungvall I，Ahlstrom C，HöglundK等。使用心脏声音和杂音的信号分析来评估狗的二尖瓣浮肿的严重程度，可归因于狗的粒二尖瓣疾病。AM J Vet Res。2009; 70（5）：604-613。 19。 HöglundK，Ahlstrom C，HäggströmJ，Ask P，Hult P，KvartC。分化生理学的时间频率和复杂性分析2009; 70（5）：604-613。19。HöglundK，Ahlstrom C，HäggströmJ，Ask P，Hult P，KvartC。分化生理学的时间频率和复杂性分析
心脏心动图记录的心脏杂音检测
心脏听诊是一种可访问的诊断筛查工具，可以帮助识别患有心脏杂音的患者，他们可能需要对异常心脏功能进行后续诊断筛查和治疗。但是，需要专家来解释心脏声音，从而限制了在资源受限环境中心脏听觉的可及性。因此，George B. Moody Physionet挑战2022邀请团队开发出从唱机的心脏声音（PCG）记录的心脏声音记录中检测心脏杂音和异常心脏功能的算法方法。为了挑战，我们从1452名巴西主要是儿科患者中采购了5272个PCG记录，并邀请团队实施诊断性筛查算法，以检测记录中的心脏杂音和异常的CAR-DIAC功能。我们要求参与者为其算法提交完整的培训和推理代码，以提高其工作的透明度，可重复性和效用。我们还设计了一个评估指标，该指标考虑了筛查，诊断，误诊和治疗的成本，使我们能够研究算法诊断筛查的好处，并促进了更临床相关的算法的发展。在挑战期间，我们从87个团队中收到了779个算法，导致53个工作代码库，用于检测心脏杂音和PCG录音中异常心脏功能。使用心脏声记录来识别心脏杂音和异常心脏功能使我们能够探索潜力这些算法代表了学术界和行业的多种方法，包括使用具有工程性临床和统计特征的更传统的机器学习技术以及主要依赖深度学习模型来发现信息性特征的方法。
501 人工智能在儿科的应用...
背景：人工智能有望成为未来儿童及其健康的多维资源。机器学习和算法的最新进展有助于解决哮喘、肺炎和肺结节等疾病。目标：本研究旨在详细概述人工智能在儿科肺病学中的应用。方法：许多发表在评论期刊上的文章已被纳入撰写当前评论。文献检索是通过使用 PubMed、Google Scholar、ResearchGate、Frontiers 等电子数据库进行的。为了更好地理解，已经包含了人工智能效率的图形描述。已经审查了研究以强调大流行情景及其对儿童的影响。结果：各种研究表明，通过高效的成像和基于数字技术的设备，人工智能在儿科肺病学中的应用取得了令人鼓舞的成果。人工智能技术的实用性已纳入以下小标题：1）儿科听诊中的人工智能，2）儿科影像中的人工智能，3）基于人工智能的儿科肺功能检查，4）机器学习在儿童哮喘持续性预测中的应用，5）儿童肺炎诊断中的人工智能，6）儿科肺肿瘤学中的人工智能，6）新冠肺炎情景，7）人工智能的当前和未来前景，8）儿科肺病学中人工智能的挑战和陷阱。结论：人工智能技术在儿科领域取得了长足进步，尤其是在后疫情时代，通过新型数字设备和自动化。缺乏技术意识、资金和学习课程中的人工智能是医疗保健专业人员目前面临的一些挑战。必须解决这些限制，以便在日常实践中发挥更多临床效用。关键词：人工智能；机器学习，儿科；儿科肺病学；深度学习。肺功能测试。DOI：10.21608/svuijm.2023.195963.1544 * 通信：aaalzayed@imamu.edu.s a 收到：2023 年 3 月 28 日。修订：2023 年 5 月 7 日。接受：2023 年 7 月 1 日。出版日期：2023 年 7 月 9 日 引用本文为：Abdullah Abdullah Alzayed。(2023)。人工智能在儿科肺病学中的应用：现状和未来前景。SVU-国际医学科学杂志。第 6 卷，第 2 期，第 501-510 页。
多发性心脏肿瘤早期完全消退...
胎儿发育过程中，患病率为 0.14% 1。横纹肌瘤是婴儿和儿童中最常见的心脏肿瘤，占所有病例的 60% 以上。2 它通常表现为多个小肿瘤，通常位于心室心肌，但也有影响心房的病例。它与结节性硬化症密切相关，根据已发表的研究，其百分比在 60% 到 80% 之间。3,4 与此同时，在所有确诊为结节性硬化症的患者中，43% 到 72% 患有心脏横纹肌瘤。对患者进行体格检查可以发现心脏杂音、外周脉搏减弱或发绀。心律失常的出现并不少见，并且据描述，Wolf-Parkinson-White 综合征的发病率较高。超过一半的病例在停药后会自行缓解。5 我们介绍一名患者的病例，该患者经超声心动图诊断为疑似多发性横纹肌瘤，并有自发、完全的早期缓解。一名 1 天大的新生儿因心脏杂音被转诊至儿科心脏病科会诊。妊娠发育平稳。从心血管角度来看，患者无症状。心脏听诊在 LSE 中检测到收缩期心脏杂音，保留了第二个音调。其余的体格检查并不重要。心电图呈窦性心律，没有显著发现。超声心动图显示多个心脏肿瘤位于右心室尖部、室间隔和左心室流出道（图 1A），最大的肿瘤（9 × 8 毫米，图 1B）位于左心室流出道，造成轻微阻塞（最大估计收缩压梯度为 23 毫米汞柱）。左心室收缩功能保留。诊断为疑似多发性心脏横纹肌瘤，并为患者确定了保守治疗方案和临床随访。完成结节性硬化症筛查并符合诊断标准。六周后，再次进行超声心动图检查，结果显示上述所有心脏肿瘤均消失（图 2A），包括位于左心室流出道的最大肿瘤（图 2B）。患者仍无症状。
Mentorskap OCH同伴学习
近几十年来，越来越多的研究人员对学生当前和学生在学习过程中的积极作用感兴趣。几项研究，包括bud等（2001），Falchikov（2001）和Gärdebo＆Wiggberg（2012），在学生激活与改进的研究技术以及增强的研究结果之间显示出明显的相关性。但是，在先前的研究中，语言主题中缺少示例，这显然证明了这样的研究的重要性。本文讨论了如何在现代语言的指导计划中使用学生激活方法，例如同伴学习和补充教学（SI），这是针对阅读其语言学科第一学期的学生。通过澳大利亚的培养指导会议，在一个或多个导师的指导下，学生在小组中工作，这里检查了哪种激活方法是根据他们在课堂上的动态进行的。除了听诊外，分析和讨论还基于有关导师自己对领导力和角色的思考的文章，这些文章与与活跃男人的后续会议有关。本文的最后讨论涉及，除其他外。导师角色的各个方面及其如何影响课堂状况以及语言主题与男性计划和SI的兼容性。在研究会议期间，事实证明，在某些情况下，学生和导师对彼此的期望有所不同，这可能会引起不当行为并降低研究节奏，尤其是在引入热门单曲的引入阶段。SI原则的核心，假设导师不应主要回答学生的问题，而是鼓励学生自己找到答案。在学生的目标上造成挫败感，目的是将语言正确性和关注结果（对与错）而不是过程而不是过程。当导师和学生设法扮演角色时，合作变得更加活跃，所有学生都被激发了参加。会议然后成为一种积极的经历，使导师的意义赋予了意义，并在他们的学习过程中增强了学生的增强。
约克夏犬、博美犬、哈巴狗和波士顿梗犬特定品种的椎心大小和椎左心房大小参考区间
在 IDEXX 远程医疗顾问的电子病历系统中搜索了 2023 年 1 月 1 日至 2023 年 3 月 31 日期间接受胸部 X 光检查的 YT、哈巴狗、POM 和 BT。这些 X 光片之前已提交给 IDEXX 远程医疗顾问进行远程医疗审查。如果狗进行了 2 次或 3 次胸部 X 光检查（至少 1 次右侧胸部 X 光检查和 1 次腹背或背腹视图），并且未发现心肺或全身疾病的证据，则将其纳入。所有 X 光检查不完整和/或已知心外疾病的狗均被排除在外（即胸部 X 光片上的异常，如胸腔积液、淋巴结肿大、肺炎或肿瘤）。定位不佳的放射线研究限制了研究心脏病专家判断的 VHS 和 VLAS 测量的准确性，因此也被排除在外。研究中包括的所有狗都必须具有正常的心脏听诊，这由进行身体检查的原始兽医记录在远程医疗咨询表中。所有报告有心脏杂音的狗都被排除在外。如果狗没有报告心脏杂音，但最初的 IDEXX 放射科医生或心脏病专家报告主观心脏扩大，正在服用可能影响心脏大小的心脏药物（即匹莫苯丹或利尿剂），有无谷物饮食史，或有 N 端脑钠肽前体升高史，则该狗被称为“疑似心脏病”并被排除在外。从患者记录和射线照片中收集的数据包括年龄、体重、性别、VHS 和 VLAS。所有品种的 VHS 和 VLAS 测量均由同一位获得委员会认证的心脏病专家进行。由于所有 X 光片都是数字格式，因此使用数字卡尺进行测量并在右侧 X 光片上进行。VHS 测量采用 Buchanan 和 Bücheler 1 最初描述的技术，其中测量心脏长轴从隆突中心到心脏腹尖最远端轮廓。隆突被定义为气管内透射线的圆形结构，代表左、右主支气管的分叉。心脏短轴在心脏中央第三区域测量，垂直于长轴。然后将两个轴测量值定位在胸椎体上，从第四胸椎的颅缘开始。两个轴的总和用于确定最接近 0.1 个椎骨的椎骨单位数（补充图 S1）。所有测量均为