XiaoMi-AI文件搜索系统
World File Search System晕镜
慢性阻塞性肺病的介入性支气管镜检查：不仅仅是一个白日梦
澳大利亚肺脏基金会 COPD-X 计划提供了澳大利亚和新西兰 COPD 诊断和管理的全面循证指南。3 管理的基础是戒烟、肺康复和吸入药物治疗，目的是减轻症状、改善肺功能和生活质量，并降低病情恶化和死亡的风险。对于晚期疾病患者，其他治疗选择有限。预防性大环内酯类抗生素可能对频繁发作的患者有益，但并未得到广泛提倡，4 当 COPD 与慢性缺氧相关时，长期氧疗可降低死亡率，5 肺移植可能适用于合并症有限的特定患者。6 对于某些对药物治疗无效的晚期肺气肿患者，肺减容术被接受作为附加疗法，6 但尽管得到了主要国际社会的支持，但根据我们的经验，澳大利亚和新西兰并未广泛提供该疗法。
带有非球形镜的空腔，用于增强量子发射器 - 腔体相互作用
对于现代量子光学的各种应用，无论是在实验学术研究和商业量子技术中，都需要与光学谐振器的量子发射器的强耦合，并且同时在此谐振器中同时长期光子寿命很重要。满足这些实际应用这些要求的一些最有前途的系统是纤维上的微腔[1-4]，离子束蚀刻的介电谐振器[5]或微型组装结构[6]。可以通过紧密定位单个腔光子光子（即使腔非常小）来实现量子发射极与光学循环的强耦合。但是，对于大多数逼真的量子信息处理方案，需要从侧面对发射极的光学访问，例如，用于光学冷却[7]，状态准备和最终状态读数[8]。，将原子或离子传递到腔内的通道，并且将诱捕结构的整合到腔内可能会对骑士长度施加进一步的约束。在离子陷阱量子计算的情况下[9]，形成腔的介电镜还可以散布由于其电敏感性而捕获离子所需的射频频率，并且由于其面部电荷而导致的，如果它们离陷阱电极太近[10，11]。总体而言，因此需要在量子信息应用中使用的光腔，以将强耦合速率与低损失相结合，同时还可以使镜子足够分开。让我们首先审查主参数，以使光谐振器与单个细胞进行强耦合。我们在这里工作的目的是提出一种新方法来实现这些要求，从球形镜的范式转移到与标准高斯模式相比，具有更好的配置属性的工程师光腔模式。在两级发射极之间的相干耦合，例如量子点，离子或冷原子，位于具有光学场模式E（r）的腔坐标为r，其特征是强耦合
bioengineering-10-01269-v2.pdf - 肯特学术资料库
摘要：本研究比较了游戏化和非游戏化的虚拟现实 (VR) 环境对轮椅技能训练的影响。具体来说，本研究探讨了游戏化元素在 VR 训练中的整合及其对轮椅驾驶表现的影响。22 名非残疾参与者自愿参加研究，其中 11 人接受了游戏化的 VR 训练，11 人接受了非游戏化的 VR 训练。为了衡量基于 VR 的轮椅技能训练的效果，我们记录了心率 (HR)、操纵杆移动次数、完成时间和碰撞次数。此外，在 VR 训练后，还使用了改编版的轮椅技能训练计划问卷 (WSTP-Q)、Igroup 存在问卷 (IPQ) 和模拟器疾病问卷 (SSQ)。结果表明，两种环境在轮椅驾驶表现、参与度或临场感评分方面没有差异。相比之下，在非游戏化 VR 环境中接受训练的参与者感知到的晕动症在统计上更高。值得注意的是，晕动症症状加剧与心率增加一致，表明存在生理联系。因此，虽然游戏化对基于 VR 的轮椅技能训练效果的直接影响在统计上并不显著，但它在增强用户参与度和减少晕动症方面的潜力是显而易见的。
在现实自动驾驶环境中利用预期环境光提示来评估人机界面缓解晕动症的效果
摘要：晕动症 (MS) 是一种与恶心、头晕和其他形式的身体不适等症状相关的综合症。自动驾驶汽车 (AV) 很容易诱发 MS，因为用户不适应这种新型的交通方式，获得的有关自身车辆轨迹的信息较少，并且可能从事与驾驶无关的任务。由于 MS 敏感性特别高的人在使用 AV 时可能会受到限制，因此对 MS 缓解策略的需求很高。事实证明，乘客的预期对症状有调节作用，从而减轻 MS。为了找到有效的缓解策略，对人机界面 (HMI) 的原型进行了评估，该界面向乘客呈现 AV 下一次转向的预期环境光提示。在一项对测试跑道上的 AV 中的参与者 (N = 16) 进行的真实驾驶研究中，根据试验期间 MS 的增加情况评估了 MS 缓解效果。通过呈现预期的环境光提示，在高度敏感的子样本中发现了 MS 缓解效果。事实证明，HMI 原型对于高度敏感的用户是有效的。未来的迭代可以缓解现场环境中的 MS 并提高 AV 的接受度。
数字乳房 X 线摄影
• 感光度响应 (ADU/R) • 温度稳定性 (暗帧) • 满阱与抗晕 • 空间分辨率 (MTF-CTF) • 空间线性 • 信噪比转换 (DQE) • 动态范围 • 图像保留 (CsI 函数)
人工智能的反馈提高了初级内镜医师对胃病变组织学预测的学习
使用人工智能辅助图像分类器对初级内镜医师进行胃病变组织学预测培训的初步效果。方法 在具有五个卷积层和三个完全连接层的卷积神经网络上构建人工智能图像分类器，通过 2,000 个未放大的内镜胃图像训练 Resnet 主干。独立验证集由来自 100 个胃病变的另外 1,000 个内镜图像组成。六名初级内镜医师审查了验证集的第一部分，然后向其中三名（A 组）披露人工智能的预测，而其余三名（B 组）未提供此信息。所有内镜医师都独立审查了验证集的第二部分。结果 AI 的总体准确率为 91.0 %（95 % CI：89.2 – 92.7 %），敏感度为 97.1 %（95 % CI：95.6 – 98.7 %），特异度为 85.9 %（95 % CI：83.0 – 88.4 %），ROC 曲线下面积 (AUROC) 为 0.91（95 % CI：0.89 – 0.93）。在两个验证集中，AI 的准确度和 AUROC 均优于所有初级内镜医师。在第二个验证集中，A 组内镜医师的表现有所提高，但 B 组内镜医师没有提高（准确度为 69.3 % 到 74.7 %；P = 0.003）。结论 训练后的 AI 图像分类器可以准确预测胃病变中是否存在肿瘤成分。人工智能图像分类器的反馈还可以加快初级内窥镜医师预测胃病变组织学的学习曲线。
原创研究调查英国胃肠病学家和内镜医师对人工智能的看法
摘要 背景和目的 随着人工智能 (AI) 可能融入临床实践，了解最终用户对这项新技术的看法至关重要。这项研究得到了英国胃肠病学会 (BSG) 的认可，旨在评估英国胃肠病学和内镜学界对 AI 的看法。 方法 制定了一项在线调查，并分发给英国各地的胃肠病学家和内镜医师。 结果 104 名参与者完成了调查。内镜质量改进 (97%) 和更好的内镜诊断 (92%) 被认为是 AI 对临床实践最有益的应用。最大的挑战是错误诊断的责任 (85%) 和算法的潜在偏见 (82%)。缺乏指南 (92%) 被认为是在常规临床实践中采用 AI 的最大障碍。参与者认为实时内镜图像诊断 (95%) 是 AI 的研究重点，而认为 AI 研究最重大的障碍是资金 (82%) 和注释数据的可用性 (76%)。参与者认为 BSG AI 工作组的优先事项是确定研究重点 (96%)、在临床实践中采用 AI 设备的指南 (93%) 以及支持开展多中心临床试验 (91%)。结论 这项调查确定了英国胃肠病学和内镜学界对临床实践和研究中的 AI 的看法，并确定了新成立的 BSG AI 工作组的优先事项。