XiaoMi-AI文件搜索系统
World File Search System特征曲线
利用自动人工智能预测结肠癌复发的新型模型
摘要。背景/目的：我们旨在使用简单的自动人工智能 (AI) 开发一种新型的 II-III 期结肠癌复发预测模型，与传统统计模型相比，该模型的准确性更高。患者和方法：共纳入 2000 年至 2018 年期间接受 II-III 期结肠癌根治性手术的 787 名患者。使用二项逻辑回归分析计算变量对复发的影响。使用自动 AI 软件“Prediction One”（索尼网络通信公司）预测复发，数据集与传统静态模型相同。预测准确性通过受试者工作特征曲线下面积 (AUC) 来评估。结果：多变量模型的 AUC 为 0.719（95%CI=0.655-0.784），而 AI 模型的 AUC 为 0.815，显示出显着改善。结论：与传统模型相比，该自动 AI 预测模型的准确性有所提高。它可以由不熟悉 AI 的临床外科医生构建。
4-TSO纸张关于网格形成转换器的要求
2。瞬时短路电流贡献（对故障水平的贡献）：如果短路（电压的步骤变化），点1中描述的补偿电流有助于短路电流。通过有效的网格阻抗和断层阻抗以及整个系统的其他阻抗，在短时范围内确定了时间常数，相位位置和幅度。在短时范围之外，如果仍然存在故障条件，则可以根据特征曲线或可调节的系统特征以受控方式提供转换器电流的正顺序。第一响应与更高级别特征之间的过渡必须不间断，并且尽可能无震动。或者，在短时范围之外，转换器可以继续作为阻抗背后的电压源。快速电流限制以保护系统 - 例如发生故障，残留电压低（接近系统接近的短路） - 是允许的，并且不得导致同步损失。当前限制必须在其优先级方面参数化（例如true-ny-ny-try-ny-the Active或Reactive电流上的优先级）。在不对称网格故障的情况下，还需要针对计数器系统的定义系统行为。
噪声数据集的二元分类器：现有量子机器学习框架和一些新方法的比较研究
量子机器学习是最有希望获得实际优势的研究领域之一，它是量子计算和传统机器学习思想相互影响的产物。在本文中，我们应用量子机器学习 (QML) 框架来改进金融数据集中普遍存在的噪声数据集的二元分类模型。我们用来评估量子分类器性能的指标是受试者工作特征曲线下面积 (ROC/AUC)。通过结合混合神经网络、参数电路和数据重新上传等方法，我们创建了受 QML 启发的架构，并利用它们对非凸二维和三维图形进行分类。对我们的新 FULL HYBRID 分类器与现有量子和经典分类器模型进行广泛的基准测试表明，与已知的量子分类器相比，我们的新模型对数据集中的非对称高斯噪声表现出更好的学习特性，并且对于现有的经典分类器表现同样出色，并且在高噪声区域内比经典结果略有改善。
使用超声心动图的可解释的机器学习来改善慢性冠状动脉综合征患者的风险预测
如果连续CC患者在2015年至2017年间参加AMC AMC的门诊诊所，并对LV功能进行了TTE评估，则将其回顾性收集。对极端梯度提升（XGBoost）模型进行了训练，以预测全因5年死亡率。使用来自阿姆斯特丹UMC位置VUMC的数据评估了该ML模型的性能，并将其与传统风险评分的参考标准进行了比较。包括1253例患者（775例培训组和478次测试集），其中176例患者（105例培训组和71次测试集）在5年的随访期内死亡。与传统的风险分层工具（AUC 0.62-0.76）相比，ML模型表现出卓越的性能[接收器操作特征曲线（AUC）0.79]的表现出色，并且表现出良好的外部性能。ML模型中包含的最重要的TTE风险预测因子是LV功能障碍和明显的三尖端反流。
使用超声心动图的可解释的机器学习来改善慢性冠状动脉综合征患者的风险预测
如果连续CC患者在2015年至2017年间参加AMC AMC的门诊诊所，并对LV功能进行了TTE评估，则将其回顾性收集。对极端梯度提升（XGBoost）模型进行了训练，以预测全因5年死亡率。使用来自阿姆斯特丹UMC位置VUMC的数据评估了该ML模型的性能，并将其与传统风险评分的参考标准进行了比较。包括1253例患者（775例培训组和478次测试集），其中176例患者（105例培训组和71次测试集）在5年的随访期内死亡。与传统的风险分层工具（AUC 0.62-0.76）相比，ML模型表现出卓越的性能[接收器操作特征曲线（AUC）0.79]的表现出色，并且表现出良好的外部性能。ML模型中包含的最重要的TTE风险预测因子是LV功能障碍和明显的三尖端反流。
一种基于芯针活检全切片图像的前列腺癌诊断人工智能算法：一项盲法临床验证和部署研究
方法 使用飞利浦扫描仪数字化的前列腺 CNB 的苏木精和伊红 (H&E) 染色载玻片开发了一种基于 AI 的算法，这些载玻片分为训练数据集（来自 549 张 H&E 染色载玻片的 1 357 480 个图像块）和内部测试数据集（2501 张 H&E 染色载玻片）。该算法为癌症概率、Gleason 评分 7-10（与 Gleason 评分 6 或非典型小腺泡增生 [ASAP] 相比）、Gleason 模式 5、神经周围侵袭和 CNB 材料中癌症百分比的计算提供了载玻片级评分。随后在 Aperio AT2 扫描仪上数字化的 100 个连续病例（1627 张 H&E 染色载玻片）的外部数据集上验证了该算法。此外，AI 工具在常规临床工作流程中的病理实验室中实施，作为第二个读取系统来审查所有前列腺 CNB。使用受试者工作特征曲线下面积 (AUC)、特异性和敏感性以及癌症百分比的皮尔逊相关系数 (Pearson's r) 来评估算法性能。
化疗药物与 BH3 类似物序贯联合治疗横纹肌肉瘤并避免耐药性
图 1：动态 BH3 分析可预测不同 RMS 细胞系的化疗敏感性。（A）CW9019 细胞与治疗剂孵育 36 小时后 DBP 测定的结果。以 ∆% priming 表示的结果表示与对照细胞相比引发的增加。（B）CW9019 细胞与化疗剂孵育 96 小时后 Annexin V 和碘化丙啶/DAPI 染色和 FACS 分析导致细胞死亡。（C）RD 和 RH4 细胞与治疗剂孵育 36 小时后 DBP 测定的结果。以 ∆% priming 表示的结果表示与对照细胞相比引发的增加。（D）RD 和 RH4 细胞与化疗剂孵育 96 小时后 Annexin V 和碘化丙啶/DAPI 染色和 FACS 分析导致细胞死亡。 (E) 左图显示 36 小时时 ∆% 启动和 96 小时时 % 细胞死亡之间的相关性。右侧显示接收者操作特征曲线分析。值表示至少三次独立实验的平均值 ± SEM。** p<0.01 和 * p<0.05。
一种新型的基于电子健康记录的机器学习模型，可预测严重低血糖症，导致老年人的糖尿病住院治疗：全领域的同类和建模研究
我们采用了一个病例对照设计，用于回顾性领土范围内的队列，由364,863个独特的老年人（65岁）和至少1洪孔医院的授权从2013年到2018年至2018年。我们在一年的时间内使用了258个预测因素，包括人口统计学，录取，诊断，药物和常规实验室测试，以预测在接下来的12个月内需要住院的SH事件。该队列以7：2：1的比率随机分为训练，测试和内部验证集。六种ML算法，包括逻辑回归，随机森林，梯度增压机，深神经网络（DNN），XGBOOST和RULEFIT。我们在香港糖尿病登记册中与2018年定义的预测因子和2019年定义的结果事件的时间验证队列中测试了我们的模型。使用接收器操作特征曲线（AUROC），精确召回曲线（AUPRC）统计的区域以及正预测值（PPV）评估了预测性能。我们确定了在观察期间需要住院的11,128个SH事件。XGBoost模型
第31卷2025年1月1日
未接受放射疗法的49例RC患者接受了DECT扫描。所有患者在DECT扫描后3-5天内接受了手术肿瘤切除术。经验丰富的放射科医生进行了基于图像的RC的Preoper T阶段。使用DECT测量了肿瘤的归一化碘浓度（NIC）和静脉相（AP）和静脉相（VP）的直肠脂肪组织（PAT）。通过病理学固定的肿瘤LVI和T阶段束作为分组的黄金标准（A组，LVI-； B组，LVI+； C组C，T1-2； D组D和D组，T3-4A组）。使用Mann -Whitney U检验比较两组之间的NIC值，p <0.05表明统计学上的差异有显着差异。通过接收器操作特征曲线分析确定NIC在预测LVI和将T1-2 RC与T3-4A RC区分开的准确性，并使用曲线下的面积确定NIC的最佳截止。
急性心肌梗死患者胃肠道出血的危险因素：多中心回顾性队列研究
背景：胃肠道出血 (GIB) 是急性心肌梗死 (AMI) 患者中一种严重且可能危及生命的并发症，严重影响住院期间的预后。早期识别高危患者对于减少并发症、改善结果和指导临床决策至关重要。目的：本研究旨在开发和验证基于机器学习 (ML) 的模型，用于预测 AMI 患者住院期间的 GIB，识别关键风险因素，并评估该模型在风险分层和决策支持方面的临床适用性。方法：进行了一项多中心回顾性队列研究，包括广东医科大学附属医院 1910 名 AMI 患者（2005-2024 年）。根据入院日期将患者分为训练组（n=1575）和测试组（n=335）。为了进行外部验证，1746 名 AMI 患者被纳入公开的 MIMIC-IV（重症监护 IV 医疗信息集市）数据库。倾向得分匹配根据人口统计学特征进行了调整，而 Boruta 算法则确定了关键预测因素。共使用 10 倍交叉验证训练了 7 种 ML 算法——逻辑回归、k 最近邻、支持向量机、决策树、随机森林 (RF)、极端梯度提升和神经网络。对模型的受试者工作特征曲线下面积、准确度、灵敏度、特异性、召回率、F 1 分数和决策曲线分析进行了评估。Shapley 加性解释分析对变量重要性进行了排名。Kaplan-Meier 生存分析评估了 GIB 对短期生存的影响。多元逻辑回归在调整临床变量后评估了冠心病 (CHD) 与住院 GIB 之间的关系。结果：RF 模型优于其他 ML 模型，在训练队列中实现 0.77 的受试者工作特征曲线下面积，在测试队列中实现 0.77，在验证队列中实现 0.75。关键预测因素包括红细胞计数、血红蛋白、最大肌红蛋白、血细胞比容、CHD 和其他变量，所有这些变量都与 GIB 风险密切相关。决策曲线分析表明 RF 模型在早期风险分层方面的临床应用。Kaplan-Meier 生存分析表明，有或无 GIB 的 AMI 患者的 7 天和 15 天生存率没有显著差异（7 天生存率 P =.83，15 天生存率 P =.87）。多变量逻辑回归表明 CHD 是独立危险因素