XiaoMi-AI文件搜索系统
World File Search System特征曲线
婴儿微生物组的数字双胞胎预测神经发育缺陷
尽管公认的肠脑轴连接，但患者之间微生物谱的自然变化阻碍了正常的丰度范围，从而混淆了营养不良对婴儿神经发育的影响。我们从一些初始观察结果中推断出婴儿微生物组的数字双胞胎，预测生态系统轨迹。使用来自88位早产儿（398个粪便样本和32,942个微型类别的32,942个丰度估计）的16 s核糖体RNA谱，该模型（Q-NET）可预测R 2 = 0.69的丰度动态。与典型发展与次优发展的Q-NET相比，我们可以可靠地估计个体赤字风险（MΔ），并确定婴儿在接收器操作员特征曲线下，在98％的98％特异性时，在接收器操作员特征曲线下，在接收器操作员特征曲线下，在接收器操作员特征曲线下，在接收器操作员特征曲线下具有≈76％的面积。我们发现，早期移植可能会减轻≈45.2％的队列的风险，并可能导致不正确的补充产生负面影响。Q-NET是生态系统动力学的生成人工智能模型，具有广泛的潜在应用。
冠状动脉 CTA 狭窄的 AI 评估，与定量冠状动脉造影和血流储备分数进行比较
AI-QCT = 人工智能定量冠状动脉计算机断层扫描；AUC = 受试者工作特征曲线下面积；NPV = 阴性预测值；PPV = 阳性预测值；QCA = 定量冠状动脉造影。
建模3D心脏收缩和用点云变形网络放松
摘要 - 通常在临床实践中使用的心脏功能的全球单值生物标志物，例如射血分数，提供了对真实3D心脏变形过程的有限见解，因此限制了对健康和病理心脏力学的理解。在这项工作中，我们提出了点云变形网络（PCD-NET），作为一种新型的几何深度学习方法，用于模型3D心脏收缩和心脏周期的极端之间的放松。它在基于点云的深度学习中采用了最新的进步，成为编码器解码器的编码器结构，以实现有效的多尺度特征学习，直接在心脏解剖的多级3D点云表示上。我们在英国生物银行研究的10,000多个案例的大数据集上评估了我们的方法，并在基本图像获取的像素分辨率下方的预测和地面真相解剖结构之间找到平均的倒角差异。此外，我们观察到了预测和地面真理人群之间的类似临床指标，并表明PCD-NET可以成功捕获正常受试者和肌肉拨动梗塞（MI）患者之间的亚群特异性差异。然后，我们证明，在接收器操作特征曲线下，学到的3D变形模式在接收器操作特征曲线下，在Harrell的一致性INDEX进行MI生存分析方面，在接收器操作特征曲线下的面积优于13％和7％。
正常粘膜中的DNA-甲基化变异性
结果：在558个独特基因座的健康个体中，近端结肠内有AP的个体的正常剖腹组织表现出失调的DNA甲基化COM。利用这些与腺瘤相关的差异性可变和甲基化的CPG（ADVMC），我们的分类器在Swepic数据集（接收器操作器操作特征曲线下[ROCAUC]¼0.63-0.81）之间识别了健康和AP-ADJACECT的组织（接收器工作特征曲线下的交叉验证区域），包括年龄在年龄范围内。在3个外部组中验证了这种歧视能力，与癌症的组织有区别（ROC AUC¼0.82-0.88）。值得注意的是，ADVMC失调与息肉多重性相关。超过50％的ADVMC与年龄显着相关。这些ADVMC富含基因组的活性区域（P <.001），相关基因在AP-ADJACACENT组织中表现出改变。
人工智能辅助诊断在胃肠内镜领域的现状及未来挑战
注：NBI，窄带成像；FICE，富士智能彩色增强；BLI，蓝激光成像；LCI，联动彩色成像；SM2，黏膜下侵犯局限于500μm的胃癌；AUC，受试者工作特征曲线下面积。
大脑通信
颅内脑电图是癫痫发射区定位的黄金标准技术，但需要对癫痫组织的闭合有先入为主的假设。此放置位置是由癫痫符号，MRI，脑电图和其他成像方式的定性解释（例如磁脑摄影）的指导。使用磁脑摄影的定量异常映射已被证明具有潜在的临床价值。我们假设，如果通过颅内脑电图对可量化的磁脑摄影异常进行采样，则患者的切除后癫痫发作结果可能会更好。有32个患有新皮质癫痫的个体进行了磁脑摄影和随后的颅内脑电图记录，作为术前评估的一部分。闭眼的静止状态隔开磁性磁性带功率异常图源自70个健康的骗子作为规范基线。磁脑摄影异常图与颅内EEG电极植入进行了比较，并记录了颅内EEG电极放置的空间重叠，并记录了脑力磁脑电图异常。最后，我们评估了电极在异常组织中的植入以及随后通过磁脑表生造影和颅内EEG确定的最强的异常男女的切除，与手术成功相对应。我们将接收器操作特征曲线下的区域用作效果大小的量度。磁脑摄影异常和电极位置之间的重叠区分外科结果组适度良好（接收器操作特征曲线下的面积= 0.68）。颅内电极被植入脑组织中，具有最异常的磁脑摄影发现 - 在术后无癫痫发作的个体中（t = 3.9，p = 0.001），但没有在那些没有无癫痫发作的人中。在隔离中，通过磁脑摄影和颅内脑电图定义的最强异常的切除很好地分离了手术结果组，在接收器工作特征曲线下的面积= 0.71和接收器工作特征曲线下的面积= 0.74。一个结合了所有三个特征的模型，分隔了手术结果组（接收器操作特征曲线下的区域= 0.80）。颅内脑电图是描绘癫痫发作区并帮助个体术后无癫痫发作的关键工具。我们表明，从静止状态的磁脑摄影造影谱系中得出的数据驱动的异常图显示了临床价值，并可能有助于指导新皮层癫痫病人的电极位置。此外，我们的术后癫痫发作自由的预测模型既利用磁脑摄影和颅内脑电图记录），可以帮助患者对预期结果的咨询。
比较量子和经典机器学习在大型强子对撞机中矢量玻色子散射背景减少的效果
我们报告了量子和经典机器学习技术之间的一致比较，这些技术应用于对矢量玻色子散射过程的信号和背景事件进行分类，该过程在欧洲核子研究中心实验室安装的大型强子对撞机上进行研究。基于变分量子电路的量子机器学习算法在免费提供的量子计算硬件上运行，与在经典计算设施上运行的深度神经网络相比，表现出非常好的性能。特别是，我们表明这种量子神经网络能够正确地对信号进行分类，其特征曲线下面积 (AUC) 非常接近使用相应的经典神经网络获得的特征曲线下面积 (AUC)，但使用的资源数量要少得多，训练集中的可变数据也较少。尽管这项工作是在有限的量子计算资源下给出原理证明的演示，但它代表了
比较量子和经典机器学习......
我们报告了量子和经典机器学习技术之间的一致比较，这些技术应用于对矢量玻色子散射过程的信号和背景事件进行分类，该过程在欧洲核子研究中心实验室安装的大型强子对撞机上进行研究。基于变分量子电路的量子机器学习算法在免费提供的量子计算硬件上运行，与在经典计算设施上运行的深度神经网络相比，表现出非常好的性能。特别是，我们表明这种量子神经网络能够正确地对信号进行分类，其特征曲线下面积 (AUC) 非常接近使用相应的经典神经网络获得的特征曲线下面积 (AUC)，但使用的资源数量要少得多，训练集中的可变数据也较少。尽管这项工作是在有限的量子计算资源下给出原理证明的演示，但它代表了
已发布版本的引文 (APA)：van de Sande, D., van Genderen, ME, Verhoef, C., Huiskens, J., Gommers, D., van Unen, E., Schasfoort, RA, Schepers, J., van Bommel, J., & Grünhagen, DJ (2022)。使用基于人工智能的决策支持工具 (DESIRE) 优化大型手术后的出院：一项外部验证研究。外科 (美国)，172 (2)，663-669。https://doi.org/10.1016/j.surg.2022.03.031 EUR 研究信息门户上的出版物链接
背景：在 DESIRE 研究中（使用人工智能预测术后出院），我们之前已经在 1,677 名胃肠道和肿瘤外科患者中开发并验证了一种机器学习概念，该概念可以预测术后第二天后的安全出院。尽管模型在学术外科人群中表现出色（受试者工作特征曲线下面积为 0.88），但这些发现是否可以推广到其他医院和外科人群仍不得而知。因此，我们旨在确定之前开发的机器学习概念的普遍性。方法：我们在 2017 年 1 月至 2021 年 6 月期间入住荷兰 3 家非学术医院的胃肠道和肿瘤外科患者中对机器学习概念进行了外部验证，这些患者在手术后 2 天内仍住院。主要结果是预测术后第二天医院干预的能力，这些干预被定义为计划外的再次手术、放射学干预和/或静脉注射抗生素。对四个森林模型进行了本地训练，并根据受试者工作特征曲线下面积、敏感性、特异性、阳性预测值和阴性预测值进行了评估。结果：所有模型都对 1,693 例病例进行了训练，其中 731 例（29.9%）需要医院干预，并表现出良好的性能（受试者工作特征曲线下面积仅变化 4%）。最佳模型实现了 0.83 的受试者工作特征曲线下面积（95% 置信区间 [0.81 e 0.85]）、敏感度为 77.9%（0.67 e 0.87）、特异度为 79.2%（0.72 e 0.85）、阳性预测值为 61.6%（0.54 e 0.69），阴性预测值为 89.3%（0.85 e 0.93）。结论：这项研究表明，先前开发的机器学习概念可以通过对本地患者数据进行模型训练来预测不同外科人群和医院环境（学术与非学术）中的安全出院。鉴于其高准确性，将机器学习概念整合到临床工作流程中可以加快外科出院速度，并通过减少可避免的住院天数来帮助医院应对容量挑战。© 2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY 许可 ( http://creativecommons.org/licenses/by/4.0/ ) 开放获取的文章。