XiaoMi-AI文件搜索系统
World File Search System甲状腺
人类肿瘤细胞从乳腺和结肠的文章生存能力和放射敏感性受甲状腺高原提取物HP01
测定。使用γH2AX测定法分析了DNA双链断裂的数量，而通过流式细胞仪检查了细胞周期分布。对于两种肿瘤细胞系的抑制作用和细胞毒性作用均以10 µg/ml HP01的浓度开始。用HP01处理导致电离辐射后肿瘤细胞的克隆生成抑制（6 Gy）。肿瘤细胞中DNA双链断裂（DSB）的数量随着HP01处理而增加，但是辐射诱导的DNA DSB的修复不影响。细胞周期分析表明，除辐射外，HP01在MCF-7和HT-29细胞中的G2/M停滞增强。总体而言，HP01不仅显示出抑制生长的作用，而且还表现出对人肿瘤细胞的放射敏作用。我们得出的结论是，HP01诱导的细胞积累可能是药物诱导的放射线敏感性的主要基本原理。因此，它是肿瘤疾病联合治疗的承诺候选者，并需要进一步研究。
改进的Pix2Pix生成对抗网络模型，以增强甲状腺结节分割
摘要 - 甲状腺结节是一种病变，医生通常需要高级诊断工具来检测和进行后续诊断。有监督的深度学习技术，尤其是生成的对抗网络（GAN），已被用来提取基本特征，检测结节并生成甲状腺面膜。但是，由于识别癌症区域和训练模式崩溃的高成本，这些方法在获得培训数据方面面临重大挑战。因此，本研究提出了一个GAN模型的改进，即用于甲状腺结节分割的像素到像素（Pix2Pix）模型，在该模型中，将发生器与监督损失功能合并，以解决GAN训练期间的不稳定性。该模型使用了具有u-Net体系结构启发的编码码头结构的生成器来产生掩码。该模型的歧视者由多层卷积神经网络（CNN）组成，以比较真实和生成的面具。此外，使用三个损失函数，即二进制跨透明镜丢失，软骰子丢失和jaccard损失，并结合损失gan来稳定GAN模型。基于结果，提出的模型从超声甲状腺结节图像中实现了97％的癌症区域检测准确性，并使用稳定模型对其进行了分割，其发电机损耗函数值为0.5。简而言之，这项研究表明，与半监视分割模型相比，改进的PIX2PIX模型在结节分割精度方面产生了更大的灵活性。关键字 - 甲状腺结节分割，超声图像，深度学习，生成对抗网络，pix2pix，损失功能
黑色素瘤中的前哨节点活检仍然是宝贵的临床工具。对Dixon等人的评论。原发性皮肤甲状腺瘤 - 2024年的管理。J。Clin。医学2024，13，1607
在本期刊的最近一篇文章中概述了2024年原发性皮肤黑色素瘤的建议[1]。但是，读者应意识到，其中一些建议与全球当前的实践不符，该建议基于在仔细考虑所有可用证据后制定的国家和国际准则。特别关注的是，使用前哨节点活检（SNB）进行分期没有任何价值。相反，Dixon等人。主张独家使用原发性黑色素瘤和患者的六种特征来估计预后和指导管理：布雷斯洛的厚度，年龄，溃疡状态，亚型，性别和现场。他们将这六个功能称为“ Bausss BioMarker”。我们完全同意Dixon等人的观点。这些都是重要的临床病理学特征，每个临床病理特征具有预后意义。但是，Dixon等。将Bausss的信息与SNB相提并论，尽管从未提出SNB应该取代主要黑色素瘤作为单一预后因素的特征。SNB被广泛接受为管理较高风险原发性皮肤黑色素瘤的患者的安全，有效和有价值的工具，这是由几项大型的前瞻性临床试验确定的[2-4]。SNB在最早可能的时间中检测到新诊断的原发性黑色素瘤的患者的淋巴结转移，确定了SN中患有微转移性疾病的患者，这些患者可能会从辅助治疗中受益最大的现代全身疗法，这些辅助治疗具有有效的现代全身疗法，这些疗法已被证明可以降低进展到IV期疾病的风险[5]。它也具有治疗价值，大大降低了节点场复发的风险。作者讨论了Bausss和SNB的预后特征的相对C统计数据。C统计是一种数学计算，用于指示特定模型或测试的准确性。它的得分在1.0到0.0之间，C统计量为1.0，表明完美的测试始终可以预测一定的结果，值为
猫中的甲状腺功能亢进
如果患者不适，请提供常规的医疗服务。因此，我们需要在您推荐无线电碘之前，通常在您的本地实践之前进行临床检查和各种测试。对于新诊断的没有明显肾脏问题的新诊断的患者，可以提供放射性碘，而不必先试用治疗（如第6页）。甲状腺功能亢进使肾脏因血流增加而更有效地发挥作用。但是，甲状腺功能亢进症治疗，当甲状腺水平和血液流动恢复正常时，肾功能总是会降低。试验药物已被依靠来确定肾脏功能在甲状腺水平正常时检查肾脏的健康。现在可以理解，在大多数情况下，这是不再需要的，因为肾功能的变化程度通常仅是温和的。具有边缘或低于正常肾功能的猫通常仍然受益于碘，因为甲状腺功能亢进会加速肾脏损伤。
射管内和周围超声放射素学区分开良性和恶性甲状腺结节：多中心研究
医生的判断（5）。为了克服这一限制，Wildman-Tobriner等人进行的研究。深入研究了人工智能（AI）在优化美国放射学院（ACR）TI-RADS的潜力。他们强调，AI技术的整合可以提高特异性（6）。放射素学可以从传统图像中深入提取和量化肉眼无法察觉的微妙特征，从而为临床决策提供了更客观和更定量的基础（7）。这种创新不仅减少了人为因素的影响，而且还将甲状腺结节的诊断推向了更准确和更有效的轨道。放射线分析是一种基于计算机的基于计算机的图像分析技术，该技术广泛用于器官疾病的诊断，分级，分期和预后预测，例如甲状腺，乳房，胸部和肺，肝，肾脏，肾脏和妇科（8）。几项研究确定，结合放射素学方式可以进一步改善与临床和超声信息结合使用的基本诊断性能。Yoon等人建立的预测模型。（9）使用多元逻辑回归分析分析表明，接收器操作特征（ROC）曲线（AUC）的恶性甲状腺结节（AUC）由组合放射线与临床变量组合的模型明显高于仅临床变量物（0.839 vs. 0.839 vs. 0.583）的模型。Liang等。Liang等。（10）比较了四个Ti-Rads分数的放射线分数，发现放射线分数模型比使用任何Ti-Rads得分模型增加了更多的好处。
甲状腺癌进展的综合单细胞和空间转录图鉴定了预后成纤维细胞亚群
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年1月9日发布。 https://doi.org/10.1101/2025.01.08.631962 doi：biorxiv preprint
使用跟踪转甲状腺素淀粉样心肌病的临床前进展
是作者/资助者，已授予 medRxiv 永久展示预印本的许可。 （未经同行评审认证）预印本此版本的版权持有者于 2024 年 12 月 24 日发布。；https://doi.org/10.1101/2024.08.25.24312556 doi：medRxiv 预印本
在甲状腺结节分类中增强诊断精度：一种自动化超声图像分析的深度学习方法
Willis（CW）的圆圈是一种关键的脑结构，可支持附带血流以维持脑灌注并补偿最终的闭塞。CW内高风险血管的曲折性增加已被视为脑血管疾病进展的标志物，尤其是在颈内动脉（ICA）等结构中。这部分是由于年龄相关的斑块沉积或动脉僵硬。从磁共振（MR）飞行时间（TOF）图像分割的血管的可靠曲折度测量值需要精确的曲率估计，但存在的方法在噪音或稀疏分段数据中遇到困难。我们引入了一种开放源，端到端管道，该管道使用单位速条拟合进行准确的曲率估计，并为ICA提供基于稳健的曲率曲折度指标，并结合了样条拟合质量的指标。我们使用理论数据对此进行测试，并将此方法应用于来自22名参与者的TOF数据。我们表明，即使在噪音限制的高度限制下，我们的指标也能够捕获曲折的曲折，并遭受不同类型的异常动脉卷积。我们发现，我们的ICA曲折度与年龄和超声测量的颈动脉内膜培养基厚度相关。这最终具有重要的翻译意义，能够可靠地产生曲折的曲折和估计脑血管疾病。我们在GitHub存储库中提供开源代码。©
桥接甲状腺癌组织之间的域间隙
深度学习技术越来越多地用来以高准确性对医学成像数据进行分类。尽管如此，由于训练数据通常有限，这些模型可能缺乏足够的可推广性来预测不同领域中产生的未见测试数据，并具有可观的性能。本研究的重点是甲状腺组织病理学图像分类，并研究了只有156个患者样品训练的生成对抗网络[GAN]是否可以产生高质量的合成图像以充分增强训练数据并改善整体模型的可推广性。利用stylegan2方法，生成网络生成的图像产生了频率创造距离（FID）分数为5.05的图像，匹配的最新gan会导致具有可比数据集尺寸的非医疗域。当对从三个单独的域中采购的外部数据进行测试时，使用这些GAN生成的图像对训练数据进行培训数据增加了模型，将总体精度和AUC分别提高了7.45％和7.20％，而基线模型则分别提高了7.45％和7.20％。最重要的是，在训练有素的病理学家进行分类时，在少数群体图像，肿瘤亚型上观察到了这种绩效改善。
公共第17卷的临床甲状腺科®2024年12月12日
甲状腺癌。。。。。。。。。。。。。。。。。。。。。。。。3左甲状腺素剂量和甲状腺癌幸存者中第二种癌症的风险增加，由于有效治疗，大多数甲状腺癌患者在诊断出甲状腺癌后长寿，即使癌症未完全治愈。一些研究表明，与普通人群相比，甲状腺癌患者患第二次癌症（SPC）的风险更高。这项研究的目的是评估左甲状腺素剂量和在甲状腺癌幸存者中发展SPC的风险之间的关系。Kim MS等。 根据左丝虫剂剂量，甲状腺癌幸存者随后的原发性癌症的风险：一项全国范围的研究。 内分泌Metab（Seoul）2024; 39：288-299; doi：10.3803/enm.2023.1815。 PMID：38437824。Kim MS等。根据左丝虫剂剂量，甲状腺癌幸存者随后的原发性癌症的风险：一项全国范围的研究。内分泌Metab（Seoul）2024; 39：288-299; doi：10.3803/enm.2023.1815。PMID：38437824。