XiaoMi-AI文件搜索系统
World File Search System息肉
SKOUT AI辅助息肉检测
SKOUT 系统仅用于协助胃肠病学家识别疑似结肠直肠息肉，胃肠病学家负责检查 SKOUT 疑似息肉区域并根据自己的医学判断确认息肉的存在与否。SKOUT 并非旨在取代对患者的全面评估，也不旨在作为对内窥镜检查程序、医学诊断或患者治疗/行动方案建议的主要解释。SKOUT 仅适用于白光结肠镜检查。
结肠镜检查期间息肉检测的人工智能
背景 基于人工智能 (AI) 的息肉检测系统用于结肠镜检查，旨在增加病变检测和提高结肠镜检查质量。患者和方法：我们对前瞻性试验进行了系统回顾和荟萃分析，以确定基于 AI 的息肉检测系统对检测息肉和结直肠癌的价值。我们在 MEDLINE、EMBASE 和 Cochrane CENTRAL 中进行了系统搜索。独立审阅者筛选研究并评估资格、证据确定性和偏倚风险。我们通过计算检测息肉、腺瘤和结直肠癌的相对和绝对风险以及平均差异，比较了有无 AI 的结肠镜检查。结果 五项随机试验符合分析条件。与未使用 AI 的结肠镜检查相比，使用 AI 的结肠镜检查提高了腺瘤检出率 (ADR) 和息肉检出率 (PDR)（数值以 95%CI 给出）。使用 AI 的 ADR 为 29.6%（22.2% – 37.0%），而未使用 AI 的 ADR 为 19.3%（12.7% – 25.9%）；相对风险 (RR] 1.52 (1.31 – 1.77)，具有高确定性。有 AI 的 PDR 为 45.4 % (41.1 % – 49.8 %)，无 AI 的 PDR 为 30.6 % (26.5 % – 34.6 %)；RR 1.48 (1.37 – 1.60)，具有高确定性。晚期腺瘤的检出率无差异（每组每次结肠镜检查的平均晚期腺瘤数为 0.03，高确定性）。AI 与非 AI 相比，每次结肠镜检查中检测到的小腺瘤（≤ 5 毫米）的平均腺瘤数较高（平均差异 0.15 [0.12 – 0.18]），但较大腺瘤（> 5 – ≤ 10 毫米，平均差异）的检出率不高0.03 [0.01 – 0.05]；> 10 毫米，平均差异 0.01 [0.00 – 0.02]；高确定性）。癌症数据不可用。结论结肠镜检查期间基于人工智能的息肉检测系统增加了对小型非晚期腺瘤和息肉的检测，但没有增加对晚期腺瘤的检测。
人工智能对结直肠息肉检测的影响......
摘要 结直肠癌 (CRC) 是世界第三大常见癌症。结肠镜检查对降低 CRC 的发病率和死亡率做出了重大贡献。人工智能 (AI) 融入结肠镜检查实践解决了筛查结肠镜检查的各种缺点。人工智能辅助结肠镜检查将有助于实时识别具有可能组织学的息肉类型。这不仅可以节省时间，还有助于减少人为错误。计算机辅助检测和计算机辅助表征是人工智能的两种应用，目前正在广泛研究，旨在提高息肉和腺瘤的检出率。全球正在进行多项研究，这些研究要么涉及简单的决策算法，要么通过模仿人脑的神经网络涉及复杂的模式。大多数数据都是回顾性收集的，研究仅限于单中心研究，可能存在偏差。因此，未来结肠镜检查人工智能的研究应致力于开发更复杂的卷积神经网络和深度学习模型，这将有助于标准化实践并确保所有结肠镜检查具有相同的准确度，无论执行内镜检查的医师经验如何。在这篇评论中，我们将仔细研究人工智能的现状及其与结肠镜检查领域的整合。
第 34 章 APC 的故事：源自息肉的结肠癌
第 34 章 APC 的故事 – 源自息肉的结肠癌 230127be 抗癌药物：发现和寻求治愈方法的故事 Kurt W. Kohn，医学博士，哲学博士 美国国立癌症研究所发展治疗分部名誉科学家 马里兰州贝塞斯达 kohnk@nih.gov 第 34 章 APC 的故事：源自息肉的结肠癌。 上一章讨论了一种由单个基因 RB 突变引起的癌症——视网膜母细胞瘤。这是一个独特的案例，因为绝大多数癌症都是在不同基因发生一系列突变后才发生的。一个典型的例子是结直肠癌，尤其是源自身体左侧降结肠和直肠息肉的常见癌症。这些恶性肿瘤发展相对较慢，通常需要约 10 年的时间，在此期间它们会经历一系列突变或其他基因变化，从而有时间在恶性癌症出现之前通过结肠镜检查切除息肉（图 34.1）。升结肠中也会发生类似的突变过程，特别是第 25 章中讨论的 DNA 错配修复基因突变。但在这里，我们关注的是降结肠和直肠息肉中发展的癌症。导致结直肠息肉癌症的多步骤突变过程。结直肠癌是全球发病率或死亡率第三高的癌症，其中最常见的是降结肠癌或直肠癌。这些癌症的主要特征是染色体不稳定性，当有丝分裂不能均等地划分染色体或染色体重复或删除时就会出现这种情况。这与升结肠癌形成鲜明对比，升结肠癌的特点是微卫星不稳定性（第 25 章）。染色体不稳定的一个标志是 APC（腺瘤性结肠息肉）基因的功能丧失，导致 Wnt 通路失活（后面部分讨论），这是结肠息肉癌变的第一步（图 34.2）。在 APC 之后，在癌变过程中序列中其他经常受损的基因是 KRAS（第 18 章）、SMAD2 和 4。
使用计算机视觉的结直肠息肉的自动化尺寸
消息结直肠息肉大小是影响管理决策的重要生物标志物，但目前使用的主观方法有缺陷。我们探索了两种计算机视觉（CV）技术，用于将息肉大小为≤5mm或> 5 mm的二进制分类。首先，我们使用了固定在猪结肠模型上的预先幻象息肉（22个这样的息肉的视频）来探索使用Motion（SFM）方法结构（SFM）方法的自动化尺寸的概念，并将其与10个独立的内窥镜医生进行比较：SFM System（85.2％）的总体，平均诊断精度（85.2％）是Onsos-eneros-Ondos-Copist-Copists-59.5％。第二，我们开发了一个基于卷积神经网络（CNN）的深度学习模型，并在10个人类息肉视频中发现了80％的精度。与人工智力（AI）相结合时，实时自动化息肉尺寸可以改善息肉管理策略。
使用息肉素反向Hoogsteen发夹技术对点突变的基因校正
单基因疾病通常是特定基因单点突变的结果，导致非功能蛋白的产生。不同的血液疾病，例如β-丘脑贫血，镰状细胞病，遗传性球细胞增多症，fanconi贫血和血友病A和B，通常是由点突变引起的。基因编辑工具，包括Talens，ZFN或CRISPR/CAS平台，以纠正负责不同疾病的突变。然而，不依赖核酸酶活性的替代分子工具，例如形成三核苷酸及其衍生物（例如肽核酸），也证明了它们在DNA中纠正突变的能力。在这里，我们回顾了修复 - 螺肽反向Hoogsteen发夹（PPRHS）技术，该发夹可以代表该领域内的替代基因编辑工具。修复-PPRHS是由由五甲状腺素桥连接的两个息肉素镜重复序列形成的单链DNA分子，然后在分子的一端进行扩展序列，该序列是与DNA序列同源的，但要修复了DNA序列，但含有修复的DNA序列。PPRH的两个息肉臂由嘌呤之间的分子内反间隔键结合，从而形成了发夹结构。该发夹芯与watson-crick键以序列特异性方式与dsDNA中靶突变相对近乎近距离突变结合，从而产生了刺激重组的三重结构。这项技术已成功地用于修复其内源性基因座中DHFR和APRT基因突变体在哺乳动物细胞中的集合，并且可以适合校正负责血液疾病的突变。
人工智能用于结直肠癌的早期检测：全面回顾其优势和误解
2020 年，结直肠癌 (CRC) 是全球第二大癌症类型，粗死亡率为每 100,000 人 12.0 人。如果及早发现腺组织（腺瘤性息肉），则可以预防。强烈建议将结肠镜检查作为早期癌症和腺瘤性息肉的筛查测试。但是，它有一些局限性，包括较小（< 10 毫米）或扁平息肉的息肉漏诊率高，这些息肉在目视检查中很容易被遗漏。由于技术的快速发展，人工智能 (AI) 已成为医学等不同领域的一个蓬勃发展的领域。特别是在胃肠病学中，AI 软件已被纳入计算机辅助诊断系统，并提高了自动息肉检测和分类的准确性，作为 CRC 的预防方法。本文概述了最近以人工智能工具及其在 CRC 和腺瘤性息肉早期检测中的应用为重点的研究，并对该领域的主要优势和误解进行了深入的分析。
医学案例报告杂志缩写关键标题：SCH J MED CASE REP ISSN 2347-9507（印刷）| ISSN 2347-6559（在线）期刊
基础腺息肉（FGP）是最常见的胃息肉，通常在胃的催产粘膜中产生。它们通常是上胃肠道内窥镜检查期间的偶然发现，通常是无症状的。FGP可以偶尔发生或与家族性腺瘤性息肉病（FAP）有关。零星的FGP更为普遍，这表明酸抑制与息肉形成之间有联系。管理策略取决于息肉的大小，数量和组织学特征。小，无症状的非发育不良FGP不需要特定干预，而大型或发育不良的病变保留内窥镜清除和监测。本综述探讨了基础腺息肉的发病机理，临床意义和最佳管理方法。关键字：基础腺息肉，家族性腺瘤性息肉病，上胃肠道内窥镜检查，质子泵抑制剂，发育不良，贫血。版权所有©2025作者：这是根据Creative Commons Attribution 4.0国际许可（CC BY-NC 4.0）分发的开放访问文章，允许在任何非商业用途的媒介中使用无限制的使用，分发和再现，以提供原始作者和原始作者提供信用。
息肉区域的细分异源变分编码器用于分割，缺少模态
摘要。多模式图像的使用通常可以改善分段。但是，由于临床限制，完整的多模式数据集通常不可用。为了解决这个问题，我们提出了一个新颖的mul-timodal分割框架，该框架可通过使用利益区域（ROI）细心的模态完成，可以使缺少模态固定。我们使用ROI专注的跳过连接专注于与分割相关的收件，以及结合肿瘤ROI的关注点和分割概率图的关节歧视者，以学习与分割与分割相关的共享潜在表示。我们的方法在脑部分割挑战数据集中得到了285例，该数据集的全部肿瘤，肿瘤核心和增强肿瘤的三个区域。它也是在缺血性卒中病变分割挑战数据集上的带有28例梗塞病变的阀门。我们的方法在强大的多模式分割中优于最先进的方法，分别为三种类型的脑肿瘤区域的平均骰子分别为84.15％，75.59％和54.90％，中风病变的平均骰子为48.29％。我们的方法可以改善需要多模式图像的临床工作流程。