XiaoMi-AI文件搜索系统
World File Search System疾病诊断
Lim - 表观遗传学在头部疾病诊断和预后中的应用......
缩写：AcCC，腺泡细胞癌；AdCC，腺样囊性癌；EOLP，糜烂性口腔扁平苔藓；F，冰冻；Fe，女性；FFPE，福尔马林固定石蜡包埋；FoM，口底；HNSCC，头颈部鳞状细胞癌；HPV，人乳头瘤病毒；M，男性；MEC，粘液表皮样癌；N，数量；NEOLP，非糜烂性口腔扁平苔藓；NR，未报告；OKC，口腔角化囊肿；OL，口腔白斑；OLP，口腔扁平苔藓；OP，口腔癌前病变；OPSCC，口咽鳞状细胞癌；OSCC，口腔鳞状细胞癌；PA，多形性腺瘤；PBMC，外周血单核细胞；R，范围；rOSCC，复发性口腔鳞状细胞癌； SGT，涎腺肿瘤；WA，沃辛瘤。
MKECL：医学知识增强的对比度学习，用于几次疾病诊断
抽象人工智能（AI）辅助疾病预测由于其支持临床决策的能力而获得了广泛的研究兴趣。现有作品主要将疾病预测作为多标签分类问题，并使用历史电子病历（EMR）来培训监督模型。然而，在现实世界中，这种纯粹的数据驱动方法提出了两个主要挑战：1）长尾巴问题：常见疾病的EMR过多，并且对于罕见疾病的EMR不足，因此对不平衡的数据集进行培训可能会导致在诊断中忽略偏见模型的偏见模型； 2）很容易误诊疾病：某些疾病很容易区分，而另一些疾病则更加困难。一般分类模型而不强调容易诊断的疾病可能会产生错误的预测。为了解决这两个问题，我们在本文中提出了一种医学知识增强的对比学习方法（MKECL）方法。MKECL将医学知识图和医学许可考试纳入建模中，以弥补有关稀有疾病的足够信息；为了处理难以诊断的疾病，MKECL引入了一种对比度学习策略，以分离容易被误诊的疾病。此外，我们建立了一个名为Jarvis-D的新基准，其中包含从各种医院收集的临床EMR。对实际临床EMR的实验表明，拟议的MKECL优于现有的疾病预测方法，尤其是在几乎没有射击和零拍的情况下。
心血管疾病诊断：使用机器学习和深度学习模型的整体方法
抽象背景在全球范围内心血管疾病的发病率和死亡率是医疗保健行业的主要问题。精确预测心血管疾病至关重要，机器学习和深度学习的使用可以帮助决策和增强预测能力。目的本文的目的是通过结合机器学习和深度学习来引入一种用于精确心血管疾病预测的模型。方法，除本地收集的数据集外，具有70,000和1190记录的两个公共心脏病分类数据集，我们的实验中使用了600个记录。然后，本文提出了一种使用机器学习和深度学习的模型。除了KNN和XGB之外，提议的模型采用了CNN和LSTM作为深度学习模型的代表，作为机器学习模型的代表。每个分类器定义了输出类，然后将多数投票用作整体学习者来预测最终的输出类。结果，根据所有数据集的所有评估指标，提出的模型获得了最高分类性能，这表明其在预测心血管疾病的可能性方面的适用性和可靠性。关键词心脏，心血管疾病，机器学习，深度学习，组合模型
使用多层感知神经网络和BAT优化算法来增强皮肤疾病诊断
Hasanain Hayder Razzaq doi：https：//doi.org/10.33545/2707661x.2024.v5.i2b.102抽象的皮肤癌源自构成皮肤主要成分的细胞。这些细胞生长，分裂形成新细胞，并随着老化和死亡而替换旧细胞。然而，这个过程有时会出现故障，导致产生不必要的新细胞或旧细胞死亡，从而导致大量被称为肿瘤的组织。在这项研究中，我们专注于使用公开可用的ISIC数据集中的皮肤图像诊断七种类型的皮肤病。作为一种创新，采用了一种称为Google Net的卷积神经网络体系结构，以进行最佳特征提取。随后，使用带有传输学习的三层感知器网络对特征进行了分类。在分类之前，使用BAT优化算法在单独的特征选择阶段选择有效特征。然后将这些优化的特征送入感知到的网络进行分类。所提出的方法的准确性为98％，与基线方法相比，提高了5％。关键字：皮肤疾病，感知到神经网络，蝙蝠优化算法1。引入匹配治疗方法以诊断速度和准确性对当今医学界患者的生活质量和治疗结果至关重要。由于皮肤癌和皮肤疾病中有分化模式和类似症状的错误的机会很高，因此诊断提出了挑战。dl辅助皮肤科医生以0.87的AUC实现了最佳性能。常规的诊断方法大部分时间都取决于专家的经验，有时结果是错误的且耗时的。因此，这种情况证明了在皮肤图像分析的这一领域中改进的技术的依赖性，以提高诊断精度[1]。在这种情况下，人工智能技术，尤其是神经网络，赋予医学成像中自动化和有效分析的可能性。仍然，挑战仍然存在于最佳特征选择和减少计算复杂性。这项工作提出了一个具有多层感知神经网络和BAT优化算法的模型，以有效地解决并为皮肤疾病诊断提供准确的解决方案[2,3]，这些问题需要在现实生活中解决方案中解决方案。已经完成了各种工作以提高皮肤病诊断的性能。在研究中，黑色素瘤危险使用了在皮肤镜图像训练的DL模型。dl算法表现出很高的诊断精度，并证明它们可以与经验丰富的皮肤科医生达成平等。当前的研究的目的是批判性地评估DL在诊断黑色素瘤并探索其与皮肤科医生的相互作用方面的性能。通过多个数据库进行系统搜索确定了37项研究，其中27个具有足够的数据将其包括在荟萃分析中。结果：DL特异性的灵敏度为82％，为87％，AUC为0.92。与皮肤科医生相比，DL模型的表现更好，AUC为0.87，而皮肤科医生的AUC为0.83。这些发现表明，DL可以在黑色素瘤诊断中支持皮肤科医生，尽管进一步的大规模研究对于克服医学AI诊断的挑战是必要的。
社论：深度学习方法及其在神经和精神疾病诊断中的脑成像应用
基于神经影像学的生物标志物已广泛用于治疗各种神经和精神疾病，尽管在个体层面上基于脑图像的准确诊断仍然难以实现（Masdeu，2011；Sui 等人，2020）。近年来，深度学习技术在计算机视觉和自然语言处理等领域取得了显著成功，因为它们能够从大量数据中学习复杂的模式（Zhang 等人，2020；Quaak 等人，2021）。将深度学习应用于神经影像辅助诊断虽然前景光明，但也面临着诸如数据标记不足、解释困难、数据异质性和多模态集成等挑战（Yan 等人，2022）。本研究主题重点介绍了使用神经影像学治疗脑部疾病的前沿深度学习研究的开发和应用，标志着为应对这些挑战而做出的集体努力。研究主题包括脑肿瘤（Chen 等人；Zhang 等人）和痴呆（Ma 等人）亚型的鉴别诊断、早期检测（Lang 等人；Huang 等人；Chattopadhyay 等人；Nie 等人；Liu 等人）和神经系统和神经精神疾病的干预（Yu 和 Fang）以及颅内液体分割（Puzio 等人）。采用了各种神经成像模式，包括结构磁共振成像 (MRI)、扩散张量成像 (DTI)、功能磁共振成像 (fMRI)、脑电图 (EEG) 和计算机断层扫描 (CT)。开发和评估了各种先进的深度神经网络架构，包括卷积和图神经网络 (CNN、GNN)、多模态神经成像特征融合、视觉转换器和复合架构。
冠状动脉疾病诊断压力测试期间心率变化引起的 QT 间期时间滞后
背景：QT 间期对心率 (HR) 突然变化的缓慢适应可增强心室异质性，并已被认为是心律失常风险的标志。大多数关于 QT 率适应滞后的研究都是针对阶梯式 HR 变化进行的。然而，在移动条件下，很难在心电图记录中诱发或观察到突然的心率变化。目的：我们旨在评估与压力测试中响应斜坡式 HR 变化的 QT 滞后相关的指数的效力以评估 CAD 风险。方法：我们量化了实际 QT 序列和无记忆预期 QT 序列之间的滞后，该滞后是通过将双曲线回归模型拟合到瞬时 QT 和 HR 测量值中获得的，在可以假设它们的行为平稳的阶段。所提出的方法被用于分析 448 名具有不同冠状动脉疾病 (CAD) 风险水平的患者子集的心电图压力测试。在运动和恢复阶段分别估计 QT 滞后。结果：运动期间估计的 QT 滞后增加（从 25 秒增加到 36 秒）和恢复期间减少（从 57 秒减少到 39 秒）与更高的 CAD 风险相关。这些滞后之间的差异表明 CAD 风险分层具有显著能力。结论：可以通过压力测试量化响应心率变化的 QT 滞后。响应斜坡式心率变化的 QT 滞后值与从突然心率变化量化的 QT 滞后值范围相当，并且对分层 CAD 风险具有临床意义。
人工智能与神经科学在神经系统疾病诊断方面的融合——范围审查
摘要：人工智能 (AI) 是计算机科学的一个领域，它涉及使用机器模拟人类智能，以便这些机器获得类似于人脑的解决问题和决策能力。神经科学是研究大脑结构和认知功能的科学。神经科学和人工智能相互关联。这两个领域相互帮助，共同进步。神经科学理论为人工智能领域带来了许多独特的改进。生物神经网络导致了复杂的深度神经网络架构的实现，这些架构可用于开发多种应用，例如文本处理、语音识别、对象检测等。此外，神经科学有助于验证现有的基于人工智能的模型。人类和动物的强化学习启发了计算机科学家开发用于人工智能系统的强化学习算法，使这些系统能够在没有明确指令的情况下学习复杂的策略。这种学习有助于构建复杂的应用程序，如基于机器人的手术、自动驾驶汽车、游戏应用程序等。反过来，由于人工智能能够智能分析复杂数据并提取隐藏模式，因此它成为分析非常复杂的神经科学数据的完美选择。大规模基于人工智能的模拟有助于神经科学家测试他们的假设。通过与大脑的接口，基于人工智能的系统可以提取大脑信号和根据信号生成的命令。这些命令被输入到机械臂等设备中，这有助于瘫痪的肌肉或其他人体部位的运动。人工智能在分析神经影像数据和减少放射科医生的工作量方面有多种用例。神经科学的研究有助于神经系统疾病的早期发现和诊断。同样，人工智能可以有效地应用于神经系统疾病的预测和检测。因此，本文对人工智能和神经科学之间的相互关系进行了范围界定审查，强调人工智能和神经科学之间的融合，以检测和预测各种神经系统疾病。
加快罕见疾病诊断：呼吁弥合临床和功能基因组学之间的差距。
摘要全世界约有4亿人患有罕见疾病。尽管整个外显子组和整个基因组测序的进步大大促进了罕见疾病的诊断，但总体诊断率仍低于50％。此外，如果实现准确的诊断，则该过程平均需要4。8年。减少疾病诊断所需的时间是受罕见疾病影响的患者的最关键需求之一。从这个角度来看，我们描述了与罕见疾病诊断相关的当前挑战，并讨论了几种尖端的功能基因组筛查技术，这些技术有可能快速加速区分导致疾病的致病变异的过程。关键字：罕见疾病诊断，功能基因组学，大量平行基因组测定，合并的CRISPR筛查
生成对抗网络在基于结构和功能 MRI 的脑部疾病诊断分类中的应用综述
基于结构和功能 MRI（磁共振成像）的机器学习诊断分类一直很有前景，但要发挥其潜力还面临许多障碍。虽然传统的机器学习模型无法捕捉复杂的非线性映射，但深度学习模型往往会过度拟合模型。这是因为神经影像学中存在数据稀缺和类别不平衡的问题；从人类受试者那里获取数据的成本很高，在临床人群中更是如此。由于生成对抗网络 (GAN) 能够通过学习底层分布来增强数据，因此它为这个问题提供了一个潜在的解决方案。在这里，我们提供了 GAN 的方法入门，并回顾了 GAN 在从神经影像数据（例如功能性 MRI）中对精神健康障碍进行分类的应用，并展示了迄今为止取得的进展。我们还强调了尚未解决的方法论和可解释性方面的差距。这为该领域如何向前发展提供了方向。我们认为，由于用户有多种方法可供选择，因此用户与方法开发人员进行互动至关重要，以便后者可以根据用户的需求定制其开发。神经成像领域的方法开发人员和用户之间的这种结合可以丰富该领域。