XiaoMi-AI文件搜索系统
World File Search System推广性
FDA WS - 自主成像 AI
2020 年 6 月 30 日档案管理人员 (HFA-305) 食品药品管理局 5630 Fishers Lane, Rm。1061 Rockville, MD 20852 主题：（档案号 FDA-2019-N-5592）“公共研讨会——人工智能在放射成像中不断演变的作用；”美国放射学会的评论美国放射学会 (ACR) 1 和北美放射学会 (RSNA®) 2 很高兴有机会对美国食品药品管理局 (FDA) 关于“人工智能在放射成像中不断演变的作用”的公共研讨会的会议记录发表评论，该研讨会于 2020 年 2 月 25 日至 26 日举行（档案号 FDA-2019-N-5592）。 FDA 将自主放射学 AI 定义为“使用 AI/ML 来自动化部分放射学成像工作流程（例如检测、诊断、报告）的软件”，并将这些解决方案与目前市场上的“增强智能”创新区分开来。虽然自主人工智能 (AI) 的某些应用可能很快就会对医生和医疗系统在照顾患者方面有用，但我们对研讨会上一些研究人员/开发人员的演讲中提出的有关 FDA 授权医学成像自主运行 AI 算法的途径的方法感到担忧。虽然我们理解行业和其他机构希望迅速推进自主 AI 的愿望，但我们的组织坚信，由于目前无法提供合理的安全性和有效性保证，FDA 考虑批准或批准旨在提供独立于医生专家确认和监督的自主图像解释的算法为时过早。迄今为止，缺乏全面的基于研究的标准来确保算法的可推广性，并且大量已发表的研究表明它们在异质患者群体中通常表现不佳。鉴于成像设备和图像采集协议存在广泛的异质性，以及缺乏可定义的机制来确保算法的纵向性能，我们担心研讨会上讨论的各种自主运行算法会对患者安全构成重大风险。一些人吹捧最近获得 FDA 授权的用于自主检测糖尿病视网膜病变 (IDx-DR) 的人工智能工具作为自主人工智能在医学成像中发挥作用的一个例子；然而，我们不认为这是一个恰当的比喻。该算法旨在帮助不擅长眼底镜检查的医生将患者转诊给擅长眼底镜检查的医生。IDx-DR 算法的输出是推荐眼科转诊进行额外评估，而不是推荐治疗。相比之下，
ai-ai-eenhanced-coherence-tomography-oct ...
抽象背景和目的：与光学相干断层扫描（OCT）的人工智能（AI）的整合代表了胃肠道癌（GI）癌的早期诊断和治疗中的一种变革性创新，尤其是食管和结直肠癌。OCT是一种高分辨率成像方式，可以使组织微观结构可视化，并在识别发育不良和早期癌性变化方面表现出了希望。AI算法通过实现实时自动化组织分析，提高诊断准确性并最大程度地降低丢失病变的风险来增强此过程。本综述研究了AI增强OCT在GI癌症的早期检测和治疗策略中的作用。方法：本文献综述从关键研究中综合了研究结果，该研究检查了AI在增强OCT诊断和治疗能力中的应用中的应用。通过关注OCT成像技术的进步以及机器学习算法的整合，尤其是卷积神经网络（CNN）和其他深度学习框架的整合来确定相关的研究。分析了这些算法在检测异常增生，区分良性组织和恶性组织以及促进治疗干预措施方面的有效性。审查还评估了AI增强OCT中的当前局限性，例如其狭窄的视野和操作员依赖性，同时探索未来的方向，包括具有成本效益的策略和算法改进。结果：通过提高诊断敏感性和特异性，AI增强OCT在改善GI癌的早期检测方面表现出了巨大的希望。该技术允许对组织微观结构进行高分辨率成像，这对于识别发育不良变化和早期恶性肿瘤至关重要。AI算法，尤其是卷积神经网络，通过识别微妙的组织病理学特征，在区分良性和恶性组织方面表现出了有效性。AI与OCT的整合还促进了治疗干预措施，例如内窥镜粘膜切除（EMR），通过在手术过程中提供实时见解。尽管有这些进步，但仍有挑战，包括高昂的实施成本，不同人群的诊断性能变异性以及对操作员培训的需求以标准化使用。结论：AI增强OCT是对GI癌的早期检测和治疗的有前途的工具，具有提高诊断准确性，降低对活检的依赖并实现更精确的治疗干预措施的潜力。但是，在临床实践中广泛采用将需要解决当前限制，例如成本，可访问性以及进一步完善AI算法以提高可靠性和可推广性的需求。持续的研究和创新对于释放这项技术的全部潜力在改变GI癌的管理和改善患者预后至关重要。
JRSEEK：人工智能符合病毒中的果冻roll折叠分类
jrseek：人工智能在病毒中遇到果冻卷折叠分类，杰森·E·桑切斯（Jason E. Sanchez）1，温汉·朱2（Wenhan Guo 2），丘奇安格李3，林李3 *，chuan xiao 2 * 1计算科学系，德克萨斯大学El Paso，El Paso，El Paso，El Paso，TX 2德克萨斯大学埃尔帕索分校的物理学，德克萨斯州埃尔帕索 *通信：电子邮件：lli5@utep.edu; cxiao@utep.edu关键字病毒；人工智能;机器学习；果冻卷；病毒结构摘要果冻卷（JR）折叠是病毒的衣壳和核蛋白质中发现的最常见的结构基序。其在许多不同病毒家族的动机中的普遍性开发了一种工具来预测其从序列中的存在。在当前的工作中，在六个不同的大语模型（LLM）嵌入训练的逻辑回归（LR）模型在将JR与非JR序列区分开时表现出超过95％的精度。用于训练和测试的数据集包括来自单个JR病毒，非JR病毒和非病毒免疫球蛋白样β-三明治（IGLBS）蛋白的序列，这些蛋白与JR结构上非常相似。鉴于病毒家族之间的低序列相似性和数据集的平衡性质，高精度尤其显着。同样，模型的准确性与LLM嵌入无关，这表明预测病毒JR折叠的峰精度更多地取决于数据质量和数量，而不是使用所使用的特定数学模型。鉴于许多病毒式衣壳和核素结构尚未解决，因此使用基于序列的LLMS是一种有前途的策略，可以轻松地应用于可用数据。Bert-U100嵌入的主成分分析表明，大多数IGLBS序列和JR和非JR序列的一个子集甚至在应用LR模型之前也可以区分，但是LR模型对于区分更歧义序列的子集是必要的。应用于双JR折叠时，BERT-U100模型能够为某些病毒家族分配JR图案，从而提供了该模型可推广性的证据。对于其他家庭而言，没有观察到这种概括性，激发了未来开发以双JR折叠告知的其他模型的需求。最后，BERT-U100模型还能够预测未分类病毒数据集中的序列是否产生JR倍数。给出了两个示例，JR预测由AlphaFold3证实。总的来说，这项工作表明JR折叠可以从其序列中预测。
基于深图卷积神经网络
MDD患者的连通性。 通过将人脑视为功能上相互作用的大脑区域并将其与人类行为相关联的全面网络，我们可以了解脑组织如何在精神疾病中的变化，这可能有效地有助于MDD诊断方法（He et ne.MDD患者的连通性。通过将人脑视为功能上相互作用的大脑区域并将其与人类行为相关联的全面网络，我们可以了解脑组织如何在精神疾病中的变化，这可能有效地有助于MDD诊断方法（He et ne.，2017年）。近年来，大规模研究讨论了精神病的病理机制，并试图寻找其生物标志物。大多数人确认脑疾病的生物病理学主要与脑FC的异常有关。Cattarinussi等。 （2022）收集了双相情感障碍的静止状态fMRI，研究了皮质边缘结构之间大脑功能网络的改变。 Park等。 （2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。 Hirshfeld-Becker等。 （2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。 Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Cattarinussi等。（2022）收集了双相情感障碍的静止状态fMRI，研究了皮质边缘结构之间大脑功能网络的改变。Park等。 （2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。 Hirshfeld-Becker等。 （2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。 Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Park等。（2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。Hirshfeld-Becker等。（2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Long等。（2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。Shen等。（2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。早在2011年，Brier等人。，2017年）。由静止状态fMRI数据构建的大脑网络FC数据也是MDD诊断的可靠数据源。（2011）通过血氧水平依赖性静止状态功能连接网络系统地研究了阿尔茨海默氏病。然后，Shi等。（2021）使用静止状态FC数据进行了渐进的三步机学习分析，以调查多中心大型样本数据集中机器学习模型的分类性能。此外，他们基于静止状态FC数据应用了极端梯度增强模型，以对MDD患者和正常对照进行分类，并评估了MDD中数据的临床应用值。大脑网络分类研究主要在两个流中：传统的机器学习和深度学习。到目前为止，最广泛使用的机器学习是支持向量机（SVM）（Rathore等人早在2009年，Craddock等。（2009）使用线性SVM分类了20个受试者的感兴趣区域（ROI）FC。目前，该领域的研究越来越多。Ichikawa等。 （2020）通过逻辑回归对65例患者的整个大脑FC进行了分类。 Zhu等。 （2021）通过线性SVM实现了31个受试者的分类。 Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Ichikawa等。（2020）通过逻辑回归对65例患者的整个大脑FC进行了分类。Zhu等。 （2021）通过线性SVM实现了31个受试者的分类。 Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Zhu等。（2021）通过线性SVM实现了31个受试者的分类。Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Yan等。（2021）使用SVM对32名患者的区域均匀性进行了分类。但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。秦等人。（2022）指出，尽管出版物数量越来越多，但结果与报告的分类准确性的不一致从61.7％到98.4％不等。此外，机器学习模型的优化通常需要足够的培训数据以在不同样本中安装可推广性。大型样本量对于确保人口代表性模型的性能和提供有关生物基础的可靠信息至关重要。使用具有较小样本量的单站点数据集进行了实质性的先前机器学习研究，从而导致模型性能的巨大可变性和差的生成性。为了消除小型数据集带来模型性能带来的这个问题，我们为以下研究选择了大型和多站点数据集。