XiaoMi-AI文件搜索系统
World File Search System特征曲线
机器学习模型用于研究针对半胱氨酸的蛋白质组共价配体能力
摘要：机器学习 (ML) 识别共价配位位点可能会加速靶向共价抑制剂的设计，并有助于扩大可用药的蛋白质组空间。本文我们报告了基于树的模型和卷积神经网络 (CNN) 的严格开发和验证，这些模型和神经网络是在新近整理的数据库 (LigCys3D) 上训练的，该数据库包含近 800 种蛋白质中的 1,000 多个配位半胱氨酸，由蛋白质数据库中的 10,000 多个三维结构代表。树模型和 CNN 的未见测试分别产生了 94% 和 93% 的 AUC（受试者工作特征曲线下面积）。基于 AlphaFold2 预测的结构，ML 模型以超过 90% 的召回率重现了 PDB 中新配位的半胱氨酸。为了协助共价药物发现社区，我们报告了 392 种人类激酶中预测的可配体半胱氨酸及其在序列比对激酶结构（包括 PH 和 SH2 结构域）中的位置。此外，我们还发布了可搜索的在线数据库 LigCys3D（https://ligcys.computchem.org/）和网络预测服务器 DeepCys（https://deepcys.computchem.org/），这两个数据库都将通过包含新发布的实验数据不断更新和改进。本研究代表了迈向由机器学习主导的大型基因组数据和结构模型集成的第一步，旨在为下一代共价药物发现注释人类蛋白质组空间。
基于人工智能的计算机辅助检测和诊断在儿科放射学中的诊断性能：系统评价
摘要：基于人工智能 (AI) 的计算机辅助检测和诊断 (CAD) 是放射学的一个重要研究领域。然而，目前只有两篇关于人工智能在儿科放射学中的一般用途和基于人工智能的 CAD 在儿科胸部成像中的叙述性评论发表。本系统综述的目的是研究基于人工智能的 CAD 在儿科放射学中的应用、其诊断性能及其性能评估方法。2023 年 1 月 11 日使用电子数据库进行了文献检索。纳入了 23 篇符合选择标准的文章。本综述表明，基于人工智能的 CAD 可应用于儿科脑、呼吸、肌肉骨骼、泌尿和心脏成像，尤其是用于肺炎检测。大多数研究（93.3%，14/15；77.8%，14/18；73.3%，11/15；80.0%，8/10；66.6%，2/3；84.2%，16/19；80.0%，8/10）报告的模型性能至少为 0.83（受试者工作特征曲线下面积）、0.84（敏感性）、0.80（特异性）、0.89（阳性预测值）、0.63（阴性预测值）、0.87（准确度）和 0.82（F1 分数）。然而，纳入的研究发现了一系列方法论缺陷（尤其是缺乏模型外部验证）。未来应开展更多基于 AI 的儿科放射学 CAD 研究，并采用完善的方法，以说服临床中心采用 CAD，并在更广泛的背景下实现其好处。
机器学习支持对儿科重症监护病房中有癫痫发作风险的儿童进行分类
摘要。目的：儿科重症监护病房 (PICU) 收治的危重儿童中，癫痫发作较为常见，因此是识别和治疗的重要目标。大多数癫痫发作没有明显的临床表现，但仍对发病率和死亡率有重大影响。PICU 内被认为有癫痫发作风险的儿童使用连续脑电图 (cEEG) 进行监测。cEEG 监测成本相当高，而且由于可用的机器数量始终有限，临床医生需要根据感知风险对患者进行分类以分配资源。本研究旨在开发一种计算机辅助工具，以改善危重儿童癫痫发作风险评估，使用 PICU 中普遍记录的信号，即心电图 (ECG)。方法：基于从第一个小时的心电图记录中提取的特征和患者的临床数据，以患者为单位开发了一种新型数据驱动模型。主要结果：最具预测性的特征是患者的年龄、脑损伤作为昏迷病因和 QRS 面积。对于没有任何先前临床数据的患者，使用一小时的心电图记录，随机森林分类器的分类性能达到受试者工作特征曲线下面积 (AUROC) 评分 0.84。当将心电图特征与患者临床病史相结合时，AUROC 达到 0.87。意义：以真实的临床场景为例，我们估计我们的临床决策支持分类工具可以将阳性预测值提高到临床标准的 59% 以上。
是算法交易法律
目标是为了创建一个问卷，该问卷准确地测量了在工作场所中计算机使用引起的视觉症状。使用文献综述，专家讨论，预测试，试点测试和重新测试进行了一项研究，以验证该计算机视觉综合征问卷（CVS-Q）。通过职业健康，验光和眼科专家评估来确保内容有效性。使用Rasch分析评估了问卷的心理测量特性。标准有效性是通过计算灵敏度和特异性，接收器操作员特征曲线和截止点来确定的。使用Cohen's Kappa（κ）的类内相关系数（ICC）和一致性测试了重复测试重复性。开发的CVS-Q在专家之间达成了广泛的共识和目标群体的良好接受。它以单个评分量表来评估16个症状，可很好地适合Rasch评级量表模型。问卷达到了70％以上的敏感性和特异性，并且对获得的两个分数显示出良好的测试重复性[ICC = 0.802; 95％CI：0.673，0.884]和CVS分类（κ= 0.612; 95％CI：0.384，0.839）。发现CVS-Q具有可接受的心理测量特性，使其成为控制计算机工人视觉健康的有效且可靠的工具。它可以在临床试验和结果研究中使用。关键字：asthenopia;计算机终端；诊断;眼病；职业接触;职业健康。人口问题
hfpef作为全身性疾病，从诊断预测模型中的见解让人联想到HFPEF患者的全身炎症和器官相互作用
全身性炎症和相互器官的相互作用与保留的射血分数（HFPEF）的心力衰竭的病理生理学有关。然而，未探索临床价值，尤其是炎症的诊断预测能力和HFPEF的心外器官功能障碍。在这项横断面研究中，根据纳入和排除标准，从2014年1月至2022年6月在Chihfpef队列中的1808例住院患者被完全招募。使用Logistic回归中的Chihfpef-Cohort的数据开发了带有常规血液检查以及HFPEF的肝脏和肾功能障碍的标记的诊断模型，并通过接收器工作特征曲线（ROC）和Brier评分进行评估。然后，该模型通过十倍的交叉验证验证，并以诺姆图和基于Web的在线风险计算器的形式呈现。多变量和LASSO回归分析表明，年龄，血红蛋白，中性粒细胞与淋巴细胞比，AST/ALT比率，肌酐，尿酸，心房颤动和肺动脉高压与HFPEF相关。预测模型表现出合理准确的歧视（ROC，0.753，95％CI 0.732-0.772）和校准（Brier评分为0.200）。随后的内部验证显示出良好的歧视和校准（AUC = 0.750，Brier评分为0.202）。参加HFPEF的病理生理，炎症和多器官相互作用具有HFPEF的诊断预测值。筛查和优化炎症和多器官相互作用的生物标志物代表了一个新领域，以改善HFPEF的无创诊断工具。
使用深度学习检测颅内电极上的内侧颞叶癫痫样放电
目的：开发一种高性能算法来检测颅内电极记录中的内侧颞叶 (mTL) 癫痫样放电。方法：一位癫痫病专家从 46 名癫痫患者的颅内脑电图记录数据集中注释了 13,959 次癫痫样放电。利用该数据集，我们训练了一个卷积神经网络 (CNN) 来识别来自单个颅内双极通道的 mTL 癫痫样放电。对来自多个双极通道输入的 CNN 输出取平均值以生成最终的检测器输出。使用嵌套 5 倍交叉验证来评估算法性能。结果：在受试者工作特征曲线上，我们的算法实现了 0.996 的曲线下面积 (AUC) 和 0.981 的部分 AUC（特异性 > 0.9）。精确召回曲线上的 AUC 为 0.807。在假阳性率为每分钟 1 次的情况下，灵敏度达到 84%。35.9% 的假阳性检测对应于专家注释期间遗漏的癫痫样放电。结论：利用深度学习，我们开发了一种高性能、患者非特异性算法，用于检测颅内电极上的 mTL 癫痫样放电。意义：我们的算法有许多潜在应用，可用于了解 mTL 癫痫样放电对癫痫和认知的影响，以及开发专门减少 mTL 癫痫样活动的治疗方法。2019 年国际临床神经生理学联合会。由 Elsevier BV 出版，保留所有权利。
发作间期颅内脑电图预测手术成功率：空间和时间的重要性
摘要 目的：利用源自发作间期颅内脑电图 (EEG) 的功能相关网络预测术后无癫痫发作已取得一些成功。然而，还有一些重要的挑战需要考虑：(1) 物理上彼此靠近的电极自然倾向于更相关，从而导致空间偏差；(2) 不同患者的植入位置和电极数量不同，使得跨受试者比较困难；(3) 功能相关网络可能随时间而变化，但目前假定为静态的。方法：在本研究中，我们使用来自 55 名难治性局灶性癫痫患者的颅内脑电图数据来解决这三个挑战。患者还接受了术前磁共振成像 (MRI)、术中计算机断层扫描和术后 MRI 检查，以便准确定位电极并描绘出切除的组织。结果：我们表明，对附近电极之间的空间接近度进行标准化可提高对术后癫痫发作结果的预测。此外，电极覆盖范围更广的患者更有可能正确预测其结果（受试者工作特征曲线下面积 > 0.9，P « 0.05），但不一定更有可能获得更好的结果。最后，无论分析的时间段如何，我们的预测都是可靠的。意义：未来的研究应考虑功能网络构建中电极的空间接近度，以改善术后癫痫发作结果的预测。切除和保留组织的覆盖范围越大，预测的准确性就越高。
爱丁堡研究探索者
虽然丘脑底核中β频带振荡同步的过度爆发与帕金森病的运动障碍有关，但一直缺乏将这两种现象联系起来的合理机制。在这里，我们检验了以下假设：β爆发所表示的同步增加可能会损害基底神经节网络中的信息编码能力。为此，我们记录了18名帕金森病患者在执行提示的上肢和下肢运动时丘脑底核中的局部场电位活动。我们使用每次试验中基于局部场电位对要移动的肢体进行分类的准确性作为系统所掌握的有关预期动作的信息的指标。使用朴素贝叶斯条件概率模型的机器学习用于分类。局部场电位动态可以在执行之前准确预测预期动作，当提前知道要求的动作时，在命令提示之前，受试者工作特征曲线下面积为 0.80 0.04。α 频段局部场电位活动爆发，尤其是 β 频段局部场电位活动爆发，严重影响了对要移动的肢体的预测。我们得出结论，低频爆发，尤其是 β 频段的爆发，限制了基底神经节系统编码有关预期动作的生理相关信息的能力。当前的发现也很重要，因为它们表明，除了恢复性脑机接口应用中的力量控制外，局部丘脑底活动可能被解码以实现效应器选择。
预测新的...
目的：开发一个可以预测新发育糖尿病（NOD）患者胰腺导管腺癌（PDAC）的风险的机器学习模型。方法：从50岁> 50岁的个体的基于人群的样本中，包括胰腺癌相关糖尿病（PCRD）的患者（定义为点头），然后在3年内进行了PDAC诊断（n = 716）。这些PCRD患者以1：1的比率随机匹配，其点点头。来自丹麦国家健康注册表的数据用于开发一个随机的森林模型，以将PCRD与2型糖尿病区分开。该模型基于从常规生化变量的轨迹上得出的特征工程的年龄，性别和参数。使用接收器操作特征曲线（ROC）和相对风险评分评估模型性能。结果：最歧视的模型包括20个功能，并达到了ROC-AUC为0.78（CI：0.75 - 0.83）。与一般性点头人群相比，该模型预测的1％的PCRD的相对风险增加了20倍（癌症风险最高（3年的癌症风险为12％，敏感性为20％）。年龄是最歧视性的单一特征，其次是血红蛋白A1C和最新的血浆甘油三酸酯水平的变化率。当预测模型仅限于糖尿病诊断六个月后诊断为PDAC患者时，ROC-AUC为0.74（CI：0.69 - 0.79）。结论：在基于人群的环境中，使用有关年龄，性别和常规生化变量的性别的信息的机器学习模型表现出PCRD和2型糖尿病之间的良好歧视能力。
甲状腺疾病的机器学习：评论
本研究回顾了甲状腺疾病早期诊断的机器学习的最新进展。基于本综述的结果，不同类型的甲状腺疾病诊断的不同类型的数据将适合于甲状腺疾病的不同类型的数据：（1）在数字数据的情况下，随机森林和梯度提升；（2）基因组数据中的随机森林；（3）随机森林和Radiomic Data;（4）森林中的随机森林；其性能度量在64.3–99.5范围内有所不同，灵敏度为66.8–90.1，特异性为61.8-85.5，在接收器操作特征曲线下的区域为64.0–96.9。According to the findings of this review, indeed, the following attributes would be important variables for the early diagnosis of thyroid disease: clinical stage, marital status, histological type, age, nerve injury symptom, economic income, surgery type [the quality of life 3 months after thyroid cancer surgery]; tumor diameter, symptoms, extrathyroidal extension [the local recurrence of differentiated thyroid carcinoma]; RNA feasures including ADD3-AS1 (downregulation), MIR100HG (downregulation), FAM95C (downregulation), MORC2-AS1 (downregulation), LINC00506 (downregulation), ST7-AS1 (downregulation), LOC339059 (downregulation), MIR181A2HG (upregulation), FAM181A-AS1 (downregulation), LBX2-AS1 (upregulation), BLACAT1 (upregula- tion), hsa-miR-9-5p (downregulation), hsa-miR-146b-3p (upregulation), hsa-miR-199b-5p (downregulation), hsa-miR-4709-3p (upreg- ulation), hsa-miR-34a-5p (upregulation), hsa-miR-214-3p (downregulation) [papillary thyroid carcinoma]; gut microbiota RNA features such as veillonella, paraprevotella, neisseria, rheinheimera [hypothyroidism]; and ultrasound features, i.e., wreath-shaped feature, micro- calcification, strain ratio [the malignancy of thyroid nodules].