XiaoMi-AI文件搜索系统
World File Search System特征诊断
使用胰腺实质的半定量MRI特征诊断出慢性胰腺炎：来自多机构的最小值研究的结果
慢性胰腺炎（CP）是一种多因素，肌炎性综合征，导致慢性疼痛，外分泌和内分泌胰腺胰腺不足，生活质量降低，预期寿命较短[1]。慢性胰腺炎的发病率和患病率正在上升，尚无治疗治疗[1]。计算机层析成像（CT）和磁共振成像（MRI）具有磁共振摇摆术（MRCP）作为CP的一线诊断方式[2]。为1980年代的内窥镜逆行胆管造影（ERCP）开发了剑桥分类[3]，并已用于MRCP [4]。该分类主要捕获了围牙纤维化的证据，并且不反映实质纤维化或腺泡组织的丧失（包括用于诊断CP的组织病理学三合会）[5]。这是一个关键的限制，因为导管系统仅占胰腺的4％，而腺泡细胞则超过80％[6-8]。此外，在没有CP的受试者中，还报道了胰管直径与年龄相关的增加[9]。此外，对导管变化的解释[10]，测量结果[11]和中等观察者的一致性是评估剑桥级[12，13]的中等观察者一致性的差异。由于这些局限性，CP的诊断可能是难以捉摸或延迟的[14，15]。但是，这些参数尚未在预期的多机构环境中进行评估，尚待纳入诊断标准。MiniMAP是第一项前瞻性多机构研究，探索了实质MRI特征作为CP成像生物标志物的潜力[19]。胰腺实质特征的潜力（例如使用T1加权图像的T1信号强度比（SIR），使用MR弛豫计量学，胰腺体积，胰腺静病和细胞外体积分数的T1松弛时间和回顾性诊断提出了较高的诊断。我们介绍了磁共振成像作为评估胰腺纤维化评估（MiniMAP）研究的非侵入性方法[19]，该研究是一项在慢性胰腺炎，糖尿病，糖尿病和胰腺癌（CPDPC）研究联盟内的一项辅助研究[20]。
用于预测儿童神经发育障碍的机器学习
摘要：诸如身体，言语，认知和社会情感技能之类的发展领域对于监测孩子的成长至关重要。但是，由于高度可变性和重叠，识别神经发育缺陷可能会具有挑战性。早期检测是必不可少的，数字程序可以协助该过程。这项研究利用当前的人工智能进展来通过全面的机器学习方法来解决神经发育障碍的预测。使用了一部小说，最近开发了严肃的游戏数据集，并使用了有关儿童语音和语言反应的各种数据。最初的数据集包含520个实例，在严格的数据预处理后减少到473名参与者。聚类分析揭示了数据中不同的模式和结构，而可靠性分析确保了测量能力。使用逻辑回归开发了健壮的预测模型。应用于184名平均年龄7岁的参与者的子集，该模型表现出很高的精度，精度，召回和F1得分，有效地区分了有和没有神经发育疾病的实例。总而言之，这项研究突出了机器学习方法在基于认知特征诊断神经发育障碍中的有效性，并为决策，分类和临床评估提供了新的机会，为高危个人的早期和个性化干预措施铺平了道路。