XiaoMi-AI文件搜索系统
World File Search System病变
无虹膜相关角膜病变治疗的未来方向
a 荷兰马斯特里赫特大学 MERLN 技术研究所 - 启发再生医学 b 荷兰马斯特里赫特马斯特里赫特大学眼科诊所、马斯特里赫特大学医学中心 c 挪威奥斯陆奥斯陆大学医院医学生物化学系 d 挪威奥斯陆奥斯陆大学医院眼科系 e 德国科隆科隆大学医学院和大学医院眼科系 f 法国巴黎巴黎城市大学 APHP 内克尔大学医院 - 儿童疾病眼科系 g 法国巴黎索邦巴黎城市大学科德利埃研究中心 h 英国纽卡斯尔皇家维多利亚医院眼科系 i 英国纽卡斯尔纽卡斯尔大学生物科学研究所 j 芬兰坦佩雷坦佩雷大学医学与健康技术学院 k 英国伦敦伦敦大学学院眼科研究所 l意大利米兰圣拉斐尔医院眼科修复实验室角膜和眼表科 m 保加利亚瓦尔纳医科大学眼科和视觉科学系 n 比利时埃德海姆安特卫普大学医院眼科系 o 美国马萨诸塞州波士顿哈佛医学院 Schepens 眼科研究所 p 爱尔兰戈尔韦大学再生医学研究所 q 意大利布雷西亚布雷西亚大学眼科诊所医学和外科专业、放射科学和公共卫生系 r 意大利威尼斯威尼托银行基金会 s 德国科隆科隆大学科隆分子医学中心 t 瑞典林雪平林雪平大学生物医学和临床科学系眼科分部
评估糖尿病性视网膜病变的深度学习系统
4。Huang，X.，Wang，H.，She，C.，Feng，J。等：人工智能促进了糖尿病性视网膜病的诊断和筛查。 内分泌学领域。 13，946915（2022）5。 das，S.，Kharbanda，K.，Raman，S.M.R.，Dhas，e。：基于分割的底面图像特征的深度学习体系结构，用于糖尿病性视网膜病的分类。 生物医学信号处理和控制68，102600（2021）6。 Haloi M，Dandapat S，SinhaR。用于渗出量的高斯尺度空间方法可检测，分类和严重性预测。 ARXIV预印ARXIV：1505.00737，2015。 7。 Alban M，Gilligan T.使用荧光素血管造影照片自动检测糖尿病性视网膜病。 斯坦福教育的报告。 2016。 8。 Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。 2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。 IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉Huang，X.，Wang，H.，She，C.，Feng，J。等：人工智能促进了糖尿病性视网膜病的诊断和筛查。内分泌学领域。13，946915（2022）5。das，S.，Kharbanda，K.，Raman，S.M.R.，Dhas，e。：基于分割的底面图像特征的深度学习体系结构，用于糖尿病性视网膜病的分类。生物医学信号处理和控制68，102600（2021）6。Haloi M，Dandapat S，SinhaR。用于渗出量的高斯尺度空间方法可检测，分类和严重性预测。ARXIV预印ARXIV：1505.00737，2015。7。Alban M，Gilligan T.使用荧光素血管造影照片自动检测糖尿病性视网膜病。斯坦福教育的报告。2016。8。Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。 2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。 IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉IEEE，2018：2724-2727。9。Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。2019年信息与通信技术与系统（ICT）第12届国际会议。IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉IEEE，2019：152-157。10。刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉
SARS-CoV-2 变体 B.1.640.1 的高度融合和细胞病变
摘要 在整个 COVID-19 大流行期间，特性不明的 SARS-CoV-2 变体时有出现。一些变体具有独特的表型和突变，可以进一步表征病毒的进化和 Spike 功能。在 Omicron 扩张之前，2021 年至 2022 年间，非洲和欧洲报告了约 1,100 例 B.1.640.1 变体病例。在这里，我们分析了 B.1.640.1 分离株及其 Spike 的生物学特性。与祖先 Spike 相比，B.1.640.1 携带了 14 个氨基酸替换和缺失。B.1.640.1 逃脱了一些抗 N 端结构域和抗受体结合结构域单克隆抗体的结合，以及来自恢复期和接种疫苗个体的血清的中和。在细胞系中，感染产生大量合胞体和高度细胞病变效应。在原发性气道细胞中，B.1.640.1 复制率低于 Omicron BA.1，并且比其他变体引发了更多的合胞体和细胞死亡。B.1.640.1 Spike 单独表达时具有高度融合性。这是由位于 Spike S2 域的两个特征不明显且不常见的突变 T859N 和 D936H 介导的。总之，我们的结果突出了超融合性 SARS-CoV-2 变体的细胞病变，该变体在 Omicron BA.1 出现后被取代。（本研究已在 ClinicalTrials.gov 注册，注册号为 NCT04750720。）
基于深度学习的多模态数据糖尿病视网膜病变检测方法
摘要 — 糖尿病视网膜病变 (DR) 是一种复杂的疾病，结合来自患者病史、实验室结果或基因数据等多种来源的信息可以增进理解。眼科医生或自动化系统可以通过人工检查识别 DR。由于其成本效益和时间效率，糖尿病视网膜病变的自动检测已成为患者和医疗保健提供者的首选。这项研究的新颖之处在于开发了一种使用多模态数据融合预测糖尿病视网膜病变的模型，通过在长短期记忆 (LSTM) 网络中实现的早期融合技术，结合眼底视网膜图像、光学相干断层扫描 (OCT) 和电子健康记录 (EHR)。我们的模型利用多模态数据与局部二值模式 (LBP) 的早期融合，已展示出最佳性能，实现 AUC 值 0.99。这种高精度表明，整合来自各种数据源的信息可以显著提高模型检测糖尿病视网膜病变阳性和阴性病例的能力，从而增强我们对研究结果的可靠性的信心。
糖尿病足部及踝部护理、周围神经病变
E10.37X9, E10.36, E10.39, E10.40, E10.41, E10.42, E10.43, E10.44, E10.49, E10.51, E10.52, E10.59, E10.610, E10.618, E10.620, E10.621, E10.622, E10.628, E10.630, E10.638, E10.641, E10.649, E10.65, E10.69, E10.8, E10.9, E10.A0, E10.A1, E10.A2, E11.00, E11.01, E11.10, E11.11, E11.21、E11.22、E11.29、E11.311、E11.319、E11.3211、E11.3212、E11.3213、E11.3219、E11.3291、E11.3292、E11.3293、E11.3299、 E11.3311、E11.3312、E11.3313、E11.3319、E11.3391、E11.3392、E11.3393、E11.3399、E11.3411、E11.3412、E11.3413、E11.3419、E11.3491、 E11.3492、E11.3493、 E11.3499、E11.3511、E11.3512、E11.3513、E11.3519、E11.3521、E11.3522、E11.3523、E11.3529、E11.3531、E11.3532、E11.3533、E11.3539、 E11.3541、E11.3542、E11.3543、E11.3549、E11.3551、E11.3552、E11.3553、E11.3559、E11.3591、E11.3592、E11.3593、E11.3599、E11.37X1、 E11.37X2， E11.37X3、E11.37X9、E11.36、E11.39、E11.40、E11.41、E11.42、E11.43、E11.44、E11.49、E11.51、E11.52、E11.59、E11.610、E11.618、 E11.620、E11.621、E11.622、E11.628、E11.630、E11.638、E11.641、E11.649、E11.65、E11.69、E11.8、E11.9、E13.00、E13.01、E13.10、E13.11、 E13.21、E13.22、 E13.29, E13.311, E13.319, E13.3211, E13.3212, E13.3213, E13.3219, E13.3291, E13.3292, E13.3293, E13.3299, E13.3311, E13.3312, E13.3313, E13.3319, E13.3391, E13.3392, E13.3393, E13.3399, E13.3411, E13.3412, E13.3413, E13.3419, E13.3491, E13.3492, E13.3493, E13.3499, E13.3511,E13.3512,E13.3513,E13.3519,E13.3521,E13.3522,E13.3523,E13.3529,E13.3531,E13.3532,E13.3533,E13.3539,E13.3541,E13.3542,E13.3543,E13.3549,E13.3551,E13.3552,E13.3553,E13.3559,E13.3591,E13.3592,E13.3593,E13.3599,E13.37X1,E13.37X2,E13.37X3, E13.37X9、E13.36、E13.39、E13.40、E13.41、E13.42、E13.43、E13.44、E13.49、E13.51、E13.52、E13.59、E13.610、E13.618、E13.620、E13.621、E13.622、E13.628、E13.630、E13.638、E13.641、E13.649、E13.65、E13.69、E13.8、E13.9 以及绩效期间 (CPT) 的患者就诊次数：11042、11043、11044、11055、11056、11057， 11719, 11720, 11721, 11730, 11740, 97161, 97162, 97163, 97164, 97597, 97802, 97803, 99202, 99203, 99204, 99205, 99212, 99213, 99214, 99215, 99304, 99305, 99306, 99307, 99308, 99309, 99310, 99341, 99342, 99344, 99345, 99347, 99348, 99349, 99350 不含远程医疗修饰符（包括但不限于）：GQ、GT、POS 02、FQ、93、POS 10 且非分母排除：临床医生记录患者不符合下肢神经系统检查测量的资格，例如患者双侧截肢；患者的病情不允许他们准确响应神经系统检查（痴呆、阿尔茨海默氏症等）；患者之前曾记录过糖尿病周围神经病变，并伴有保护性感觉丧失：G2178
使用微创技术切除颅内病变……
摘要目的位于皮质下区域的病变难以安全进入。管状牵开器越来越多地被成功使用，通过最大限度地减少脑牵开创伤和径向分布压力来进入病变，并发症少。双目手术显微镜和单目外窥镜均可用于通过管状牵开器观察病变。我们提出了最大规模的多外科医生、多机构系列研究，以确定经皮质-经管状方法切除颅内病变的有效性和安全性，同时实现显微镜和外窥镜可视化。方法我们回顾了一系列多外科医生、多机构病例，包括使用 BrainPath（NICO，印第安纳州印第安纳波利斯）或 ViewSite 脑通路系统（VBAS，Vycor Medical，佛罗里达州博卡拉顿）管状牵开器（n = 113）进行经皮质-经管状颅内病变切除术。结果共进行了 113 例颅内病变经管状切除术。患者的病变种类多样，包括 25 例海绵状血管瘤（21.2%）、15 例胶质囊肿（13.3%）、26 例胶质母细胞瘤（23.0%）、2 例脑膜瘤（1.8%）、27 例转移瘤（23.9%）、9 例神经胶质瘤（7.9%）和 9 例其他病变（7.9%）。病变深度低于皮质表面的平均深度为 4.4 cm，平均病变大小为 2.7 cm。81 例（71.7%）患者实现了全切除。永久性并发症发生率为 4.4%。一名患者（0.8%）出现一次术后早期癫痫发作（术后 < 1 周）。没有患者出现晚期癫痫发作（> 1 周随访）。术后平均住院时间为 4.1 天。结论管状牵开器为切除颅内病变提供了微创手术通道。它们为神经外科器械库提供了一种有效的工具，可以切除皮质下病变且并发症发生率低。
剪切波弹性图可改善乳房病变...
乳头状瘤（28）51.8±39.2 186.7±88.3 454.0±273.3 3.4±4.2 0.95±0.28 1.28 1.3±1.8 Pash（22）36.3±28.3 139.8±79.8±79.6 438.7±247.7±247.5 3.1±3.1±3.8 0.95 n.8 0.95 n.8 0.27.95 n.8 0.27（1.65）。 97.1±70.6 203.5±184.1 574.9±106.2 3.9±3.0 1.1±0.11 1.1±0.11 1.5±1.3非典型（14）51.2±34.3 192.3 192.3±105.3 303.4±303.4±305.7 5.1±9.9 0.75±9.9 0.75±0.48 2.48 2.48 2.7±5.6 duct.9±5.6 duct ^ uct.9±5.6 duct uccect。 231.8±86.7 501.0±270.8 2.5±2.1 0.95±0.19 0.5±0.5腺瘤（4）47.9±29.1 99.2±56.2±56.2 655.4±165.2 22.2 22±22.7 1.28±0.28±0.28±0.28±0.28±0.23 10.5±1.5±13.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0. 0. 0. 0. 0.2.0 3.0±2）10.2）10.29.0±99.29.0±9±9±9±9±9±9±9±9±9±9± 708.5±238.7 10±11.3 1.24±0.25 7±8.5 p值c .03 .02 .03 .03 .03 .01 .06恶性（204）IDC（136）161.6±65.1 212.3±124.9 640.9 640.9 640.9±197.9±197.3 15.3 15.2.2 1.2 1.2 1.2±15.2±15.2±15.2±15.2±1.2±1.2±1.2±1.2±1.2 ic.9.2±15.2±1.2±1.2±1.2±1.2±1.2±1.2±1.2±±1 1 1。 (27) 174.7±68.3 227.8±139.1 593.0±278.2 17.0±18.4 1.16±0.23 8.2±10.1 ILC (24) 168.8±56.2 241.1±128.9 567.6±268.8 14.6±25.0 1.14±0.19 7.3±14.6 DCIS （15）94.6±74.5 253.3±172.6 503.8±291.7 7.3±5.9 1.11±0.23 3.7±3.7其他（2）154.1±48.5 97.5 97.2±90.6 811.4±142.4±142.3 100±76.4 1.50±76.4 1.50±76.4 1.50±0.13 699±46.76.76.76.7 699±46.76.7 46.7 69±46.76.7 69±46.76.7 69±46.76.7 69±46.7 69应该
光子计数检测器CT用于肝病变检测 - ...
目的：这项研究的目的是评估来自光子计算检测器的最佳能量水平（VMI）的最佳能量水平，用于计算出的探测器（CT），以检测肝脏病变作为幻影大小和辐射剂量的函数。材料和方法：在120 kVp的双源光子计数检测器CT上成像拟人型腹部腹部幻影和病变。使用了五个具有病变到背景的损伤，差异为-30 HU和-45 HU，使用了+30 HU和+90 HU的3个损伤。病变直径为5 - 10毫米。环以模拟中型或大型患者。中等大小的体积CT剂量指数分别为5、2.5和1.25 MGY，大小分别在5和2.5 mgy中成像。每个设置的年龄为10次。对于每个设置，VMI从40到80 KEVAT 5 KEV增量进行重建，并以4（QIR-4）的强度水平的量子迭代重建重建。病变的可检测性作为面积，其高斯通道差异为10个。结果：总体而言，在65和70 keV处发现最高可检测性，用于在介质和大型幻影中的损伤和高肌电损伤，而与辐射剂量无关（AUC范围为0.91 - 1.0，培养基为0.91 - 1.0，分别为0.94 - 0.99，分别为0.94 - 0.99。最低的可检测性在40 keV处发现，而辐射剂量和幻影大小（AUC范围为0.78 - 0.99）。在40 - 50 keV中，可检测性的降低更为明显，而降低辐射剂量时，可检测性的可检测性降低是40 - 50 keV。在相等的辐射剂量下，与中型幻影相比，大尺寸的检测随VMI能量的函数差异更强（12％vs 6％）。结论：VMI能量之间不同幻像大小和辐射剂量的VMI能量之间的低阳离子和超霉菌病变的可检测性不同。
基于人工智能的2型糖尿病视网膜病变筛查效果
根据国际糖尿病联合会的数据，2019 年全球约有 4.63 亿糖尿病患者，预测到 2045 年这一数字将增至 7 亿[1]。糖尿病视网膜病变（DR）是糖尿病最常见、最严重的并发症之一，是导致劳动人口失明的主要眼病[2–4]。据报道，不同国家的糖尿病患者中 DR 的患病率为 10%～61% [5]。但研究表明，早期对 DR 进行合理的干预和治疗，可取得良好的预防病情发展的效果，并显著降低失明率[6–8]。不幸的是，居住在县城、乡镇、村庄和边缘地区的人们往往缺乏足够的健康知识。等到这些人被发现患有DR时，往往已发展到严重阶段，造成了不可逆的视力损害，不仅影响患者的生活质量，也增加社会和家庭的经济负担，往往导致家庭陷入贫困。因此，扩大DR筛查区域，开展有针对性的防盲治盲，可以大大减少可治愈盲。遗憾的是，我国眼科医生数量不足，尤其在基层医疗机构，根据2016年中华医学会第21次全国眼科学会的数据显示，我国20%的县级医院没有设立眼科，即使设立眼科的机构，眼底病专科医生也寥寥无几，这些地区眼科医生与患者之比为1：3000[9]，极不平衡。因此，加大糖尿病患者筛查力度，提高人们对 DR 的知晓率、治疗率和控制率已成为我国主要公共卫生挑战之一[10–12]。基于人工智能（AI）的辅助手段对 DR 诊断高效、廉价、操作简便[13]。EyeWisdom 是智源慧图公司（Vistel）于 2017 年开发的基于人工智能算法的眼底疾病辅助诊断系统，主要包括针对 DR 的辅助诊断系统 EyeWisdom DSS 软件和以眼科多疾病筛查为核心功能的系统 EyeWisdom MCS 软件[14]。EyeWisdom 可通过人工智能算法根据受试者的眼底照片和病史筛查 DR、青光眼、年龄相关性黄斑变性等近 20 种不同的眼部疾病。它不仅可以直观地对筛查结果提供建议，还可以显示微血管瘤、视网膜出血、硬性渗出、棉绒斑等9种典型DR病变，帮助临床医生确认检查结果。此外，这款眼底图像分析软件是一款云端产品，结合互联网和5G技术，可实现实时远程医疗，从读取图像到输出结果仅需10秒。EyeWisdom AI算法已在临床实践中进行了训练，并通过EyePACS数据库获得的视网膜图像进行了验证[15]。但目前尚无关于眼底病诊断和分级疗效的报道
