XiaoMi-AI文件搜索系统
World File Search System放射线学
基于非...
结果：基于AIS患者的结果，有104例发展HT，其余76个没有HT。HT组由27个出血性梗死（HI）和77个实质性渗透（pH）组成。HT患者的中性粒细胞与淋巴细胞比（NLR），基线国家卫生中风量表（NIHSS）得分（NIHSS）得分，梗死体积以及RADSCORE和较低的艾伯塔族中风计划早期CT评分（全部P <0.01）（所有P <0.01）。用于构建模型的最佳ML算法是逻辑回归。在培训和验证队列中，预测HT的临床，放射线和临床 - 放射线学模型的AUC值分别为0.829和0.876、0.813和0.813和0.898，以及0.876和0.957。在具有不同治疗方式，不同梗塞大小和中风时间窗口的亚组分析中，临床放射线学模型的评估准确性在统计学上没有意义（所有P> 0.05），总准确性为79.5％。此外，该模型在预测pH和HI子类别方面可靠地执行，精度分别为82.9％和92.9％。
使用人工智能对肝细胞癌的预后
肝细胞癌（HCC）是一种生物学上异质性肿瘤，其特征是不同程度的侵袭性。当前的HCC治疗策略主要取决于整体肿瘤负担，并且由于其异质性而无法解决HCC患者的多种预后。因此，使用成像数据对HCC的预后对于优化患者管理至关重要。尽管已证明某些放射学特征表明了HCC的生物学行为，但HCC预后的传统放射学方法基于视觉上评估的预后发现，并且受主观性和观察者间的变异限制。因此，人工智能已成为基于图像的HCC预后的有前途的方法。与传统的放射学图像分析不同，基于放射素学或深度学习的人工智能利用了许多图像衍生的定量特征，可能对肿瘤表型提供客观，详细和全面的分析。人工智能，尤其是放射线学在各种应用中都表现出了潜力，包括预测微血管入侵，局部治疗后的复发风险以及对全身治疗的反应。本评论重点介绍了人工智能在HCC的预后及其局限性和未来前景中的潜在价值。关键字：放射线学；深度学习；人工智能;机器学习；肝细胞癌；肝瘤；肝;癌症;恶性；肿瘤
微生物
1。Wisner ER，Dickinson PJ，Higgins RJ。磁共振成像的特征是犬内肿瘤的特征。vet radiol超声。2011; 52：S52-S61。2。José-LópezR，Gutierrez-Quintana R，Fuente C等。伴有神经胶质瘤的狗的临床特征，诊断和生存分析。J VET Intern Med。2021; 35：1902-1917。3。Young BD，Levine JM，Porter BF等。狗内星形胶质细胞瘤和少突胶质瘤的磁共振成像特征。vet radiol超声。2011; 52：132-141。4。Bentley RT，Ober CP，Anderson KL等。犬颅内神经胶质瘤：磁共振成像标准与肿瘤类型和等级之间的关系。兽医J。 2013; 198：463-471。 5。 Koehler JW，Miller AD，Miller CR等。 修订了犬神经瘤的诊断性临床化：旨在验证犬神经胶质瘤患者是人神经胶质瘤的天然临床前模型。 J Neuropathol Exp Neurol。 2018; 77：1039-1054。 6。 Kraft SL，Gavin PR，Dehaan C，Moore M，Wendling LR，Leathers CW。 回顾性评论通过磁共振成像评估的50种犬颅内肿瘤。 J VET Intern Med。 1997; 11：218-225。 7。 Bentley RT。 磁性共振成像对狗的脑肿瘤的诊断。 兽医J。 2015; 205：204-216。 8。 Stadler KL，Ruth JD，Pancotto TE，Werre SR，Rossmeisl JH。 前兽医Sci。兽医J。2013; 198：463-471。 5。 Koehler JW，Miller AD，Miller CR等。 修订了犬神经瘤的诊断性临床化：旨在验证犬神经胶质瘤患者是人神经胶质瘤的天然临床前模型。 J Neuropathol Exp Neurol。 2018; 77：1039-1054。 6。 Kraft SL，Gavin PR，Dehaan C，Moore M，Wendling LR，Leathers CW。 回顾性评论通过磁共振成像评估的50种犬颅内肿瘤。 J VET Intern Med。 1997; 11：218-225。 7。 Bentley RT。 磁性共振成像对狗的脑肿瘤的诊断。 兽医J。 2015; 205：204-216。 8。 Stadler KL，Ruth JD，Pancotto TE，Werre SR，Rossmeisl JH。 前兽医Sci。2013; 198：463-471。5。Koehler JW，Miller AD，Miller CR等。修订了犬神经瘤的诊断性临床化：旨在验证犬神经胶质瘤患者是人神经胶质瘤的天然临床前模型。J Neuropathol Exp Neurol。2018; 77：1039-1054。 6。 Kraft SL，Gavin PR，Dehaan C，Moore M，Wendling LR，Leathers CW。 回顾性评论通过磁共振成像评估的50种犬颅内肿瘤。 J VET Intern Med。 1997; 11：218-225。 7。 Bentley RT。 磁性共振成像对狗的脑肿瘤的诊断。 兽医J。 2015; 205：204-216。 8。 Stadler KL，Ruth JD，Pancotto TE，Werre SR，Rossmeisl JH。 前兽医Sci。2018; 77：1039-1054。6。Kraft SL，Gavin PR，Dehaan C，Moore M，Wendling LR，Leathers CW。 回顾性评论通过磁共振成像评估的50种犬颅内肿瘤。 J VET Intern Med。 1997; 11：218-225。 7。 Bentley RT。 磁性共振成像对狗的脑肿瘤的诊断。 兽医J。 2015; 205：204-216。 8。 Stadler KL，Ruth JD，Pancotto TE，Werre SR，Rossmeisl JH。 前兽医Sci。Kraft SL，Gavin PR，Dehaan C，Moore M，Wendling LR，Leathers CW。回顾性评论通过磁共振成像评估的50种犬颅内肿瘤。J VET Intern Med。1997; 11：218-225。7。Bentley RT。 磁性共振成像对狗的脑肿瘤的诊断。 兽医J。 2015; 205：204-216。 8。 Stadler KL，Ruth JD，Pancotto TE，Werre SR，Rossmeisl JH。 前兽医Sci。Bentley RT。磁性共振成像对狗的脑肿瘤的诊断。兽医J。 2015; 205：204-216。 8。 Stadler KL，Ruth JD，Pancotto TE，Werre SR，Rossmeisl JH。 前兽医Sci。兽医J。2015; 205：204-216。 8。 Stadler KL，Ruth JD，Pancotto TE，Werre SR，Rossmeisl JH。 前兽医Sci。2015; 205：204-216。8。Stadler KL，Ruth JD，Pancotto TE，Werre SR，Rossmeisl JH。前兽医Sci。计算机断层扫描和磁共振成像在男性调查方面是等效的，并且类似地在犬颅内神经胶质瘤的等级和类型可预测性方面不准确。2017; 4：157。 9。 Larroza A，BodíV，MoratalD。磁共振成像中的纹理分析：对未来应用的审查和考虑。 in：Contantinides c（ed）：使用直接和衍生的MRI方法评估细胞和器官功能以及dys功能。 互联网：伦敦：Intechopen，2016年。 10。 van Timmeren JE，Cester D，Tanadini-Lang S，Alkadhi H，BaesslerB。 见解成像。 2020; 11：91。 11。 Castellano G，Bonilha L，Li LM，CendesF。医学图像的纹理分析。 Clin radiol。 2004; 59：1061-1069。 12。 Rizzo S，Botta F，Raimondi S等。 放射线学：图像分析的事实和挑战。 EUR RADIOL EXP。 2018; 2：36。 13。 Sanduleanu S，Woodruff HC，De Jong Eec等。 与放射线学跟踪肿瘤生物学：使用放射线质量评分的系统评价。 Radiother Oncol。 2018; 127：349-360。2017; 4：157。9。Larroza A，BodíV，MoratalD。磁共振成像中的纹理分析：对未来应用的审查和考虑。in：Contantinides c（ed）：使用直接和衍生的MRI方法评估细胞和器官功能以及dys功能。互联网：伦敦：Intechopen，2016年。10。van Timmeren JE，Cester D，Tanadini-Lang S，Alkadhi H，BaesslerB。见解成像。2020; 11：91。11。Castellano G，Bonilha L，Li LM，CendesF。医学图像的纹理分析。Clin radiol。 2004; 59：1061-1069。 12。 Rizzo S，Botta F，Raimondi S等。 放射线学：图像分析的事实和挑战。 EUR RADIOL EXP。 2018; 2：36。 13。 Sanduleanu S，Woodruff HC，De Jong Eec等。 与放射线学跟踪肿瘤生物学：使用放射线质量评分的系统评价。 Radiother Oncol。 2018; 127：349-360。Clin radiol。2004; 59：1061-1069。 12。 Rizzo S，Botta F，Raimondi S等。 放射线学：图像分析的事实和挑战。 EUR RADIOL EXP。 2018; 2：36。 13。 Sanduleanu S，Woodruff HC，De Jong Eec等。 与放射线学跟踪肿瘤生物学：使用放射线质量评分的系统评价。 Radiother Oncol。 2018; 127：349-360。2004; 59：1061-1069。12。Rizzo S，Botta F，Raimondi S等。放射线学：图像分析的事实和挑战。EUR RADIOL EXP。 2018; 2：36。 13。 Sanduleanu S，Woodruff HC，De Jong Eec等。 与放射线学跟踪肿瘤生物学：使用放射线质量评分的系统评价。 Radiother Oncol。 2018; 127：349-360。EUR RADIOL EXP。2018; 2：36。 13。 Sanduleanu S，Woodruff HC，De Jong Eec等。 与放射线学跟踪肿瘤生物学：使用放射线质量评分的系统评价。 Radiother Oncol。 2018; 127：349-360。2018; 2：36。13。Sanduleanu S，Woodruff HC，De Jong Eec等。与放射线学跟踪肿瘤生物学：使用放射线质量评分的系统评价。Radiother Oncol。2018; 127：349-360。
通过比较CT分析评估患者健康动态
摘要：背景/目标：将机器学习到放射线学领域的整合彻底改变了个性化医学的方法，尤其是在肿瘤学中。我们的研究提出了RADTA（放射线趋势分析），这是一个新的框架，旨在促进时间序列CT体积的定量成像生物标志物（QIB）的自动分析。方法：RADTA旨在弥合医学专家的技术差距，并在没有深度学习专业知识的情况下进行复杂的放射线分析。RADTA的核心包括自动命令线接口，简化的图像分割，全面的特征提取和可靠的评估机制。radta利用了高级分割模型，特别是总分段者和身体组成分析（BCA），从CT扫描中准确地描述了解剖结构。这些模型可以提取各种各样的放射线特征，随后对其进行处理并进行比较以评估及时相应的CT系列的健康动态。结果：使用HNSCC-3DCT-RT数据集对RADTA的有效性进行了测试，其中包括接受放射治疗的肿瘤患者的CT扫描。结果表明组织组成的显着变化，并提供了对治疗物理影响的见解。结论：RADTA在放射线学领域展示了临床采用的步骤，为分析患者健康动态分析提供了用户友好，健壮且有效的工具。它也可以用于其他医学专业。
风湿病专家列表**其他适应症...
在对另一种TNF-α抑制剂的反应或不耐受性的患者中，用于血清阴性和血清阳性RA（有或没有甲氨蝶呤）的替代TNF-Alpha拮抗剂（有或没有甲氨蝶呤）。在对另一种TNF-α抑制剂反应不足或不耐受的患者中，患有严重的活性脊柱炎的替代TNF-Alpha抑制剂（AS）。对严重活跃的轴向脊椎关节炎的首选，而没有AS的放射线学证据，但升高的CRP和/或MRI的炎症迹象是对其他TNF-Alpha抑制剂的反应不足或不耐受的炎症。替代性TNF - α抑制剂用于活性PSA（单独或与甲氨蝶呤联合使用）的患者，他们对另一种TNF-Alpha抑制剂的反应或不耐受不足或不耐受。
胸部MRI图像的定量分析，用于良性恶性诊断肺固体结节
方法：招募了总共333例肺结核（训练队列中的233例，在验证队列中为100例）。从MRI图像（CE T1W和T2W）中提取了总共2,824个放射线特征。逻辑回归（LR），幼稚的贝叶斯（NB），支持向量机（SVM），随机森林（RF）和极端梯度提升（XGBOOST）分类器用于构建预测模型，并在应用最佳预测模型后为每个患者获得了放射线学分数（RAD分数）。临床因素和RAD分数共同基于多元逻辑回归分析构建了一个nom图模型，并使用接收器操作特征曲线（AUC）下的区域评估了五个预测模型的诊断性能。
评估放射基因组学中标准化多模式AI实践的需求：弥合精密医学的差距
我们的搜索产生了83个出版物； 43是原始的机器学习和深度学习放射基因组学研究。没有使用放射基因组学特定指南。14个研究使用了公共数据集，四个研究共享了他们的代码。我们的结果表明，放射基因组学研究遇到可重复性问题。我们确定，仅医学成像分析中的现有最佳实践不足以完全解决将放射线学特征与多磁性表达模式相关联的放射基因组学研究（图1）。图2介绍了开发原始放射基因组学模型的疾病类别。所研究的主要疾病是神经胶质瘤（34.9％），肺癌（16.3％）和乳腺癌（16.3％）。图表分布强调了经过精心研究的领域和潜在领域，这些领域可能会受益于未来研究中的关注。
抗蛋白精氨酸甲基转移酶5（PRMT5）抗体的鉴定和验证是全身性硬化的新生物标志物（SSC）
抽象目标急性前葡萄膜炎（“葡萄膜炎”）是一种常见的轴向脊椎关节炎（AXSPA）骨骼外骨骼外表现。白介素（IL）-17与其发病机理有关，但是，在葡萄膜炎管理中抑制IL-17A的证据相互矛盾。我们报告了接受Bimekizumab（BKZ）的患者的葡萄膜炎发病率的合并分析，这是一种单克隆IgG1抗体，从2B/3阶段试验中选择性地抑制IL-17F，除IL-17A外，还可以抑制IL-17F。方法数据，为移动1（NCT03928704；非放射线学AXSPA），并进行移动2（NCT03928743;放射线学AXSPA）试验。数据分别汇总了在BE移动试验中至少使用一个BKZ剂量的患者及其持续的开放标签扩展（OLE; NCT04436640）的数据，以及2B期Be Agile试验（NCT02963506;放射线摄影型AXSPA）及其正在进行的OLE（NCT033555555573）。葡萄膜炎率和暴露调整后的发病率（EAIR）/100患者年（PYS）。Results In the BE MOBILE 1 and 2 double-blind treatment period, 0.6% (2/349) of patients receiving BKZ experienced uveitis vs 4.6% (11/237) receiving placebo (nominal p=0.001; EAIR (95% CI): 1.8/100 PYs (0.2 to 6.7) vs 15.4/100 PYs (95% CI 7.7 to 27.5)).在葡萄膜炎史的患者中，接受BKZ的患者较低（6.2/100 PYS（95％CI 0.2至34.8）; 1.9％）vs安慰剂（70.4/100 PYS（95％CI 32.2至133.7）； 20.0％； 20.0％；名义P = 0.004）。在2b/3阶段池中（n = 848; BKZ暴露：2034.4 PYS），EAIR保持较低（1.2/100 PYS（95％CI 0.8至1.8））。结论Bimekizumab是一种双IL-17A/F抑制剂，可能对AXSPA患者赋予葡萄膜炎的保护作用。
基于多模式的基于机器学习模型，用于区分非结核分枝杆菌与结核分枝杆菌
结果：基于临床数据的模型包含年龄，性别和IL-6，而RandomForest算法则达到了最佳学习模型。确定了CT图像的两个关键放射线特征，然后用于建立放射线模型，发现Logistic算法的模型是最佳的。多模型模型包含年龄，IL-6和2个放射线特征，最佳模型来自LightGBM算法。与最佳的临床或放射线学模型相比，最佳的多模型模型具有最高的AUC值，准确性，灵敏度和负预测值，并且在外部测试数据集中还验证了其“优惠性能”（准确性= 0.745，敏感性= 0.900）。此外，多模型模型的性能优于放射科医生，NGS检测和现有机器学习模型的性能，其精度分别为26％，4和6％。