XiaoMi-AI文件搜索系统
World File Search System特性曲线
引用：Kundeti SR、Vaidyanathan MK、Shivashankar B 等人。系统评价方案，以评估人工智能在 CT 和 MR 医学成像中检测急性缺血性卒中和大血管闭塞方面的诊断准确性。BMJ Open 2021；11：e043665。doi:10.1136/bmjopen-2020-043665
摘要 介绍 使用人工智能 (AI) 来支持急性缺血性中风 (AIS) 的诊断可以改善患者的预后并促进准确的组织和血管评估。然而，已发表的 AI 研究中的证据不足且难以解释，这降低了临床环境中诊断结果的责任感。本研究方案描述了对 AI 在诊断 AIS 和检测大血管闭塞 (LVO) 方面的准确性的严格系统评价。 方法与分析 我们将对 AI 模型用于诊断 AIS 和检测 LVO 的性能进行系统评价和荟萃分析。我们将遵守系统评价和荟萃分析方案指南的首选报告项目。将在八个数据库中进行文献检索。对于数据筛选和提取，两位审阅者将使用修改后的预测模型研究系统评价的批判性评价和数据提取清单。我们将使用诊断准确性研究质量评估指南来评估纳入的研究。如果有足够的数据，我们将进行荟萃分析。如果合并合适，我们将使用分层汇总接收器操作特性曲线来估计汇总操作点，包括合并灵敏度和特异性（95% 置信区间）。此外，如果有足够的数据，我们将使用推荐分级、评估、开发和评估分析软件来总结系统评价的主要发现，作为结果摘要。 伦理与传播 本研究方案不存在任何伦理问题，因为系统评价侧重于检查二手资料。系统评价结果将用于报告所纳入研究的准确性、完整性和标准程序。我们将通过在同行评审期刊上发表我们的分析来传播我们的研究结果，如果需要，我们将与研究的利益相关者和书目数据库进行沟通。PROSPERO 注册号 CRD42020179652。
用于检测海面浮油的 SAR 图像
摘要 — 遥感技术是全球海洋表面监测的重要环节，雷达是检测海洋污染的有效传感器。当当局实际使用时，通常必须在覆盖面积和雷达收集的信息量之间进行权衡。为了确定最合适的成像模式，基于接收器操作特性曲线分析的方法已应用于由两个在 L 波段运行的机载系统收集的原始数据集，这两个系统都具有非常低的仪器噪声基底。该数据集是在海上控制释放矿物油和植物油期间获得的。研究了各种与极化相关的量，并评估了它们检测浮油覆盖区域的能力。本文报告了主要极化参数的相对顺序。当传感器的本底噪声足够低时，建议使用 HV，因为它可以提供最强的浮油-海面对比度。否则，VV 被发现是检测海面浮油最相关的参数。在所有研究的四极化设置中，与单极化数据相比，没有发现显着的附加值。更具体地说，通过增加仪器噪声水平，证明了所研究的组合四个极化通道的极化量的检测性能主要由仪器本底噪声驱动，即噪声等效 sigma zero。该结果通过逐步向原始合成孔径雷达 (SAR) 数据添加噪声获得，表明清洁海域和污染区域之间的极化区分主要来自单次反弹散射和噪声之间的差异化行为。因此，使用低仪器噪声基底收集的 SAR 数据证明，矿物和植物油覆盖的海洋表面的雷达散射与布拉格散射没有偏差。
与组胺-2受体拮抗剂相比，质子泵抑制剂可诱导更强的口服微生物传播和肠道微生物组的改变：一项随机对照试验
抽象目标我们的目的是通过纵向分析比较质子泵抑制剂（PPI）和组胺-2受体拮抗剂（H2RA）对肠道菌群的影响。设计健康的志愿者被随机分配，每天连续七天接收PPI（n = 23）或H2RA（n = 26）。我们在干预之前和之后收集了口服（唾液）和粪便样品，以进行元基因组下一代测序。我们分析了干预诱导的口腔和肠道微生物组的改变，包括微生物的丰度和生长速率，口服到肠道传播，并比较了PPI和H2RA组之间的差异。结果两种干预措施都破坏了肠道菌群，PPI表现出更明显的影响。pPI的使用导致口服到肠道传播的程度明显更高，并促进了肠道中特定的口服微生物的生长。这导致肠道中口腔物种的数量和总丰度显着增加，包括鉴定已知的疾病相关物种，例如核细菌核细菌和Anginosus链球菌。总体而言，基于肠道微生物组的机器学习分类器可以准确地将PPI与非PPI用户区分开，与H2RA与非H2RA用户的AUROC相比，在接收器操作特性曲线（AUROC）下达到了0.924的区域。结论我们的研究提供了证据表明，与H2RA相比，PPI对肠道微生物组和口服传播具有更大的影响，从而阐明了与长期使用PPI相关的某些疾病风险更高的机制。试用注册号CHICTR2300072310。
用于检测海面浮油的 SAR 图像
摘要 — 遥感技术是全球海洋表面监测的重要环节，雷达是检测海洋污染的有效传感器。当局在实际使用时，通常必须在覆盖面积和雷达收集的信息量之间做出权衡。为了确定最合适的成像模式，基于接收器操作特性曲线分析的方法已应用于由两个在 L 波段运行的机载系统收集的原始数据集，这两个系统都具有非常低的仪器本底噪声。该数据集是在海上控制释放矿物油和植物油期间获得的。研究了各种与极化相关的量，并评估了它们检测浮油覆盖区域的能力。本文报告了主要极化参数的相对顺序。当传感器的本底噪声足够低时，建议使用 HV，因为它提供最强的浮油 - 海面对比度。否则，VV 被发现是检测海面浮油最相关的参数。在所有研究的四极化设置中，与单极化数据相比，没有发现显著的附加值。更具体地说，通过增加仪器噪声水平，证明了所研究的结合四个极化通道的极化量具有主要由仪器本底噪声（即噪声等效西格玛零）驱动的检测性能。该结果是通过向原始合成孔径雷达 (SAR) 数据逐步添加噪声获得的，表明清洁海域和污染区域之间的极化区分主要源于单次反弹散射和噪声之间的差异化行为。因此，使用以低仪器本底噪声收集的 SAR 数据证明了矿物和植物油覆盖的海面雷达散射与布拉格散射没有偏差。
用于检测海面浮油的 SAR 图像
摘要 — 遥感技术是全球海洋表面监测的重要环节，雷达是检测海洋污染的有效传感器。当局在实际使用时，通常必须在覆盖面积和雷达收集的信息量之间做出权衡。为了确定最合适的成像模式，基于接收器操作特性曲线分析的方法已应用于由两个在 L 波段运行的机载系统收集的原始数据集，这两个系统都具有非常低的仪器本底噪声。该数据集是在海上控制释放矿物油和植物油期间获得的。研究了各种与极化相关的量，并评估了它们检测浮油覆盖区域的能力。本文报告了主要极化参数的相对顺序。当传感器的本底噪声足够低时，建议使用 HV，因为它提供最强的浮油 - 海面对比度。否则，VV 被发现是检测海面浮油最相关的参数。在所有研究的四极化设置中，与单极化数据相比，没有发现显著的附加值。更具体地说，通过增加仪器噪声水平，证明了所研究的结合四个极化通道的极化量具有主要由仪器本底噪声（即噪声等效西格玛零）驱动的检测性能。该结果是通过向原始合成孔径雷达 (SAR) 数据逐步添加噪声获得的，表明清洁海域和污染区域之间的极化区分主要源于单次反弹散射和噪声之间的差异化行为。因此，使用以低仪器本底噪声收集的 SAR 数据证明了矿物和植物油覆盖的海面雷达散射与布拉格散射没有偏差。
使用地球物理日志的机器学习辅助岩性预测：Cambay Basin的案例研究
识别和储层相的表征是划定用于碳氢化合物勘探的储层的碳氢化合物区域的主要因素。地球物理日志是在钻孔附近测量的储层相的物理参数，在储层相的解释中起着至关重要的作用。本研究涉及使用地球物理原木上的机器学习（ML）技术在坎贝盆地中岩石BEL的岩性的识别。机器学习的监督技术，例如支持向量机（SVM），ARTI B CIAL神经网络（ANN）和K-Nearest邻居（KNN），用作非线性地球体物理原木岩性学的识别的非线性分类。使用网格搜索交叉验证（CV）方法优化了ML模型的超参数，如ConfusionMatrix评估，auctreceiver操作特性曲线（AUC），精度，召回和F1分数对促进性的促进症状效果。ML模型使用了两个井的地球物理参数，其中有四个已知的杰出岩性（class-a，class-b，class-c和class-c和class-c和class-c和class-c和class-class-c和class-class-class-c和class-class-class）。分别从混淆矩阵中分别为KNN，SVM和ANN的每个岩性的优化和训练的模型，分别以85.4％，87.0和88.9％的形式显示了对真实值的总体正确预测。因此，每个模型从评估参数中的准确性表明，对不同ML模型的组合分析选择优化的ML模型，以更好地实现和验证，以更好地实现和建模岩性。除此之外，接收器手术特征（ROC）还表明，每种岩性的曲线下的整体面积大于90％，其他评估参数（例如精度，回忆和F1得分）的准确性大于84％，除了SVM和ANN类C类D类和Ans类D类案例外。
基于深度学习的关节融合方法来利用自闭症谱系中的解剖学和功能性大脑信息
带有35个不同采集地点的ASD和703 TD。，我们分别从Freesurfer和CPAC分析包中从MRI扫描中提取了锻炼和功能性脑特征。然后，由于数据集的多站点性质，我们实现了数据协调协议。使用多输入DL模型进行了ASD与TD分类，该模型由神经网络组成，该神经网络生成了每种模态（FR-NN）数据的固定长度特征表示，以及用于分类的密集神经网络（C- DNN）。特别是，我们实施了一种联合融合方法来进行多个源数据集成。后者的主要优点是，损失是在培训期间回到FR-NN的，从而为每种数据模式创建了信息的特征表示。然后，在模型训练期间要优化的每个层和神经元的C-NN执行ASD-TD歧视。通过计算嵌套10倍交叉验证内的接收器操作特性曲线下的区域来评估性能。通过Shap解释性框架来识别驱动DL分类的大脑特征。结果：当仅分别考虑结构或功能特征时，在ASD与TD歧视中获得了0.66±0.05和0.76±0.04的AUC值。关节融合方法导致AUC为0.78±0.04。对两级歧视最重要的结构和功能连接特征集支持了大脑变化倾向于发生在默认模式网络和社会大脑的ASD的个体中的想法。结论：我们的结果表明，多模式关节融合方法的表现优于单个MRI模态获得的数据获得的分类结果，因为它有效利用了结构和功能性脑信息的互补性。
下肢关节置换术后预测持续使用阿片类药物的机器学习方法
摘要背景本研究的目的是为下肢关节置换术后持续使用阿片类药物使用的预测模型，并确定集合学习和超采样技术是否可以改善模型性能。我们比较了各种预测模型，以识别持续的术后阿片类药物使用，使用各种术前，术中和术后数据，包括手术程序，患者人口统计学/特征，过去的手术病史，阿片类药物使用历史，使用历史，经历了，合并症，生活方式，生活方式，生活方式，Anthesia详细信息和邮政课程。评估了六个分类模型：逻辑回归，随机森林分类器，简单喂养神经网络，平衡的随机森林分类器，平衡的装袋分类器和支持向量分类器。表现。重复分层的k-折叠交叉验证是为了计算接收器操作特性曲线（AUC）下的F1分数和面积。结果有1042例患者接受了膝关节或髋关节置换术，其中242例（23.2％）报告了持续使用的阿片类药物。没有SMOTE，逻辑回归模型的F1得分为0.47，AUC为0.79。所有合奏方法的性能都更好，平衡的包装分类器的F1得分为0.80，AUC为0.94。SMOTE基于F1分数的所有模型的性能提高了。具体来说，平衡袋分类器的性能提高到F1分数为0.84，AUC为0.96。在平衡装袋模型中最重要的特征是术后第1天使用阿片类药物，体重指数，年龄，术前阿片类药物，出院时处方的阿片类药物和住院时间。结论集合学习可以极大地改善持续使用阿片类药物的预测模型。对高危患者的准确和早期鉴定可以在临床决策和通过个性化干预措施的早期优化中发挥作用。
使用生物信息学和下一代测序数据分析筛选和鉴定与子宫内膜异位相关的关键生物标志物
子宫内膜异位症是子宫内膜型粘膜在子宫腔外的常见原因，如疼痛时期，慢性骨盆疼痛，性交和不育的疼痛等症状。但是，还限制了子宫内膜异位症的早期诊断。本研究的目的是识别和验证子宫内膜异位症的关键生物标志物。下一代测序（NGS）数据集GSE243039是从基因表达综合（GEO）数据库中获得的，并确定了子宫内膜异位症和正常对照样品之间差异表达的基因（DEGS）。进行了DEG，基因本体（GO）和Reactome途径富集分析后。此外，构建了蛋白质蛋白质相互作用（PPI）网络，并使用人类积分蛋白质蛋白相互作用参考（HIPIE）数据库和Cytoscape软件分析模块，并鉴定出集线器基因。随后，使用miRNET和网络分析员工具构建了miRNA和集线器基因之间的网络，并预测了可能的关键miRNA和TFS。最后，使用接收器工作特性曲线（ROC）分析来验证集线器基因。在子宫内膜异位和正常对照样品之间筛选了总共958摄氏度，其中包括479个高度调节的基因和479个下调的基因。go and reactome途径富集分析的958摄氏度表明它们主要参与多细胞生物过程，发育过程，GPCR和肌肉收缩的信号传导。这项研究使用了生物信息学技术来探索潜在和新颖的生物标志物。对PPI网络和模块的进一步分析确定了10个中心基因，包括VCAM1，SNCA，PRKCB，ADRB2，FOXQ1，MDFI，ACTBL2，PRKD1，DAPK1和ACTC1。可能的目标miRNA，包括HSA-MIR-3143和HSA-MIR-2110以及包括TCF3和时钟在内的目标TFS。这些生物标志物可能会为子宫内膜异位症的早期诊断，治疗和监测提供新的想法和方法。
自闭症谱系障碍研究
自闭症谱系障碍 (ASD) 等神经发育疾病的早期诊断仍是一个尚未得到满足的需求。其中一个困难是识别与 ASD 表型相关的生物信号。视网膜电图 (ERG) 波形已被确定为可能对 ASD 等神经系统疾病进行分类的信号。ERG 波形源自光感受器和视网膜神经元对短暂闪光的响应而产生的电活动，为中枢神经系统提供了一个间接的“窗口”。传统上，波形是在时域中进行分析的，但最近，人们已成功地使用离散小波变换 (DWT) 对 ERG 进行了时频频谱 (TFS) 分析，以表征信号的形态特征。在本研究中，我们建议使用高分辨率 TFS 技术，即变频复合解调 (VFCDM)，根据两个信号闪光强度分解 ERG 波形，以建立机器学习 (ML) 模型来对 ASD 进行分类。其中包括 N = 217 名受试者（71 名 ASD 患者，146 名对照患者）在两种不同闪光强度，446 和 113 Troland 秒 (Td.s) 下的右眼和左眼的 ERG 波形。我们使用 DWT 和 VFCDM 分析了原始 ERG 波形。我们从 TFS 中计算特征并训练 ML 模型（例如随机森林、梯度提升、支持向量机）以将 ASD 与对照患者进行分类。使用独立于受试者的验证策略对 ML 模型进行了验证，我们发现具有 VFCDM 特征的 ML 模型优于使用 DWT 的模型，实现了 0.90 的受试者操作特性曲线下面积（准确度 = 0.81、灵敏度 = 0.85、特异性 = 0.78）。我们发现与较低频率相比，较高频率范围（80 – 300 Hz）包含更多与 ASD 分类相关的信息。我们还发现，右眼中更强的 446 Td.s 闪光强度提供了最佳分类结果，这支持对 ERG 波形进行 VFCDM 分析，作为辅助识别 ASD 表型的潜在工具。