XiaoMi-AI文件搜索系统
World File Search System左肺
间质性肺疾病：结果
摘要 ：背景：随机对照（RCT）和回顾性研究的结果扩大了系统性硬化症（SSc）-间质性肺病（ILD）治疗的药物库。这些药物的正确定位尚未明确。目的：对利妥昔单抗（RTX）、托珠单抗（TCZ）、尼达尼布和阿巴西普（ABT）治疗 SSc-ILD 进行系统文献综述（SLR）。SLR 的结果用于创建专门的调查。设计：本研究以系统综述的形式进行。数据来源和方法：使用以下术语进行 SLR：“（系统性硬化症或硬皮病）AND（间质性肺病或肺纤维化或肺纤维化）AND（利妥昔单抗或托珠单抗或阿巴西普或尼达尼布）”。SLR 的结果整合在一项包含 8 个领域的调查中。这些已发送给所有 EUSTAR 成员和 2020 年硬皮病世界大会的参与者。结果：共确定了 41 项研究（34 项关于 RTX、5 项关于 TCZ、2 项关于 ABT 和 1 项关于尼达尼布）。RCT 支持使用 TCZ 和尼达尼布，而回顾性研究支持将 RTX 用于 SSc-ILD。没有获得关于 ABT 的明确数据。调查显示，RTX 是最可用的选择（96%），而引入靶向治疗的最常见原因是使用 csDMARDs 时肺进展（86% RTX、59% TCZ 和 63% 尼达尼布）。联合治疗是尼达尼布（75%）和 RTX（63%）最常提到的治疗方案。医生对所有药物的安全性的看法相似，而 RTX 和尼达尼布的药物疗效相同，其次是 TCZ（4.8 ± 2）。最常提出的担忧涉及疗效、安全性和联合治疗方案。结论：我们的 SLR 支持对 SSc-ILD 患者使用 RTX、TCZ 和尼达尼布，并强调需要更多关于前期联合治疗与单药治疗的数据。它还强调需要根据肺部和肺外表现确定支持药物选择的预测因素。
右脑，左脑，AI大脑 - 多伦多
这项研究是研究人员努力了解技术在短期内如何影响工人的悠久历史的一部分。问题“这次有不同吗？”提出每一个新的技术浪潮。过去与技术驱动的自动化时期类似，这一代人AI采用的一个潜在结果是增加了工作两极分化，而中等技能的侵蚀（通常称为常规任务，这些任务通常由高中学位的工人执行，但少于四年的年度后学位和中等收入工作）和中级工作。5 6自动化的工作两极分化倾向于通过工作流离失所和工资不平等产生经济不平等。但是，很少有研究研究AI如何在工作场所中增强技能和任务，从而减少更广泛的员工队伍之间的时间，错误和技能差距。7特别是，在AI使用可以转化为生产率的增长：自动化（接管任务和/或降低成本），任务互补性（提高不完全可自动性的任务的生产力），加深自动化（增加已经自动化的任务的生产力），以及创建新任务的任务，并提高生产率），并确定了四个通道。8
左脑和右脑的神话：整合创造力和......
摘要-几十年来，人们认为大脑左半球负责逻辑和分析性思维，而右半球则负责创造力和情感，这种观点影响了全世界的教育体系。然而，神经科学研究揭穿了这一神话，证明大脑作为一个整体运作，两个半球相互联系（Nielsen 等人，2013 年）。尽管如此，教育框架仍然在 STEM（科学、技术、工程和数学）学科和艺术之间形成了一种严格的界限，导致创造力被贬低。本文认为，在人工智能 (AI) 接管计算任务的时代，创造力将成为未来的决定性技能（Florida，2002 年）。它进一步探讨了教育如何必须转向将创造性思维融入 STEM 领域，为未来几代人做好准备，迎接人工智能驱动的世界。索引术语-创造力、技术、教育、人工智能、STEM 教育、创新、未来技能
纵向培养的精确切割肺切片作为肺的预测离体模型
探索体内模型的替代方案，本研究验证了精确切割肺切片（PCLS）是可行的肺癌研究的可行的离体平台。我们确定了PCLS的长期活力和结构保存，对于准确的药物反应研究至关重要。使用紫杉醇作为基准药物和一种与免疫疗法结合使用的具有治疗良好的银纳米颗粒，我们对其对PCLS对PCLS的治疗作用进行了开创性的比较分析。结果表明，PCL在体内反应中紧密模仿，表明肿瘤生长抑制作用中的药物疗效可比。这种直接比较不仅证实了PCL在模拟现实结果中的实用性，而且还强调了其在减少动物测试中的潜力。通过为肺癌研究提供可靠，道德和有效的替代方案，PCL可以显着增强临床前研究和药物的开发，这标志着迈向更人性化和代表性的科学研究的关键一步。
解读肺腺癌异质性
摘要：肺癌是全球最常见的癌症之一，也是癌症相关死亡的主要原因。2021 年世界卫生组织 (WHO) 分类对肺腺癌进行了详细和更新的分类，特别关注罕见的组织学类型，包括肠型、胎儿型和胶体型，以及未另行指定的腺癌，总体上约占所有病例的 5-10%。然而，如今大多数中心都难以诊断出罕见实体，并且仍然缺乏针对这些患者的最佳治疗管理的证据。近年来，随着对肺癌突变特征的了解不断增加，以及不同中心下一代测序 (NGS) 的普及，有助于识别肺癌的罕见变体。因此，希望在不久的将来会有几种新药可用于治疗这些罕见的肺癌，例如靶向治疗和免疫治疗，这些药物在临床实践中经常用于治疗多种恶性肿瘤。本综述的目的是总结目前关于最常见的罕见腺癌亚型的分子病理学和临床管理的知识，以便提供一份简明、最新的报告，为临床医生在日常实践中的选择提供指导。
人工智能 - 指导肺超声
UNG超声（LUS）越来越多地用于诊断，评估和监测呼吸短暂的患者。1 LUS是便携式的，是低成本，并且不会使患者暴露于辐射，同时允许对肺进行病理的快速，实时检查。1-6与胸部X射线照相相比，LU在检测正确使用时具有更好的准确性，可在检测肺炎，气胸，胸膜炎和肺炎时具有更好的准确性。7-11，特别是，识别B线伪像的鉴定，以及其他护理点超声音评估，例如超声心动图或下腔静脉直径的评估和可折叠性，可以帮助诊断和监测条件，包括肺部水肿的急性心力衰竭。11-14证据插曲，限制部门，IntensiveCare单位和OutOutPatientClinicSettingScrossseveralMedicalSpeialties（例如，初级保健，肾脏病，心力衰竭，心力衰竭诊所）。15-18
肿瘤内mycobiome如何调节肺...
在导致癌症发病机理和预后的无数因素中，微生物组已成为调节肿瘤发生和对治疗反应的关键参与者。尽管许多研究强调了细菌的作用，并在某种程度上强调了肿瘤进展中的病毒，但真菌或真菌组在这种复杂的景观中的影响仍然是一个很大程度上未知的领域。1尽管与细菌组相比其生物量较低，但对健康和疾病的影响不可否认。不仅真菌在人体内有重要的份额，而且它们也可以表现为机会性病原体，尤其是在具有免疫功能低下的免疫系统（例如癌症患者）的患者中。2值得注意的是，已在广泛的人类癌症中鉴定出了mycobiome。3然而，尽管有这些见解，但深入的研究询问了真菌微生物组和癌症之间的联系。4-6
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)