数据生成的迅速增加,结合了大型数据集的不切实际性以及机器学习任务的日益增长的复杂性,促进了分布式学习技术的发展。在其中,联邦学习(FL)由于其隐私保护方法而受到了极大的关注,在这种方法中,多个客户在不共享本地数据的情况下协作训练全球模型。但是,FL面临着几个关键的挑战,包括数据异质性,高计算成本和效率低下。这些问题在客户数据分布是非IID,计算资源有限的现实情况下变得更加明显,并且可以限制通信。本论文通过开发用于个性化联合学习(PFL)的有效算法和受到限制的联邦学习来解决这些挑战。所提出的方法旨在处理异质数据,最大程度地减少计算开销并降低沟通成本,同时保持强大的理论保证。具体而言,论文介绍了三个关键贡献:(1)PFL MF,一种基于低级矩阵优化的新型PFL公式,利用burer-Monteiro分解以实现个性化,而无需依赖预定义的距离指标。(2)PERMFL,一种用于多层PFL的算法,该算法介绍了针对团队和单个设备的个性化决策变量,从而在具有分层客户端结构的情况下有效地优化了。(3)FedFW,一种用于约束FL的无预测算法,该算法强调了通过稀疏信号交换的低计算成本,隐私保存和通信效率。通过解决FL中的关键问题,例如数据异质性,计算成本和通信瓶颈,拟议的算法推进了联合学习的领域,为实地世界应用提供了可靠的可扩展解决方案。
自从被迫退休后,她的心脏问题(心力衰竭/CRT 设备/家族性高胆固醇血症)促使她成为一名医疗志愿者,在个人和组织层面提供支持。她是欧洲心脏病学会患者论坛的成员、拉德堡德大学医院心脏病学患者咨询委员会的成员,也是 Harteraad(心脏病患者组织)的患者代表。参与了荷兰大型 CVRM 试验的多个项目团队。
(法国多发性硬化症注册中心,旨在为研究目的收集法国多发性硬化症患者群体的影像数据、临床数据和生物样本)和 FLI 2(法国生命成像,致力于建立一个国家分布式电子基础设施来管理和处理医学影像数据)。这些共同努力旨在自动分割 MS 患者的 MRI 扫描,以帮助临床医生进行日常工作。该挑战赛于 2021 年 9 月 23 日在 MICCAI 2021 会议上举行。更具体地说,本次挑战赛要解决的问题如下。传统 MRI 广泛用于疾病诊断、患者随访、治疗监测,更广泛地用于了解 MS 的自然史。越来越多的文献对通过比较一个时间点与另一个时间点来在 T2/FLAIR 上描绘新的 MS 病变感兴趣。这种标记物比病变的总数量和体积更为重要,因为新病变的积累可以让临床医生了解某种抗炎 DMD(疾病改良药物)是否对患者有效。药物疗效的唯一指标确实是中枢神经系统内没有新的 T2 病变。但是,手动执行新病变计数是一项非常复杂且耗时的任务。因此,自动检测这些新病变将成为评估患者疾病活动性的一大进步。基于第一次 MSSEG 挑战赛的成功,我们组织了一次由 MICCAI 赞助的在线挑战赛,这次的主题是新的 MS 病变检测 3。这次挑战赛使我们能够 1)估计 2016 年至 2021 年期间取得的进展,2)扩大患者数量,以及 3)关注新病变这一关键临床标记物。我们对一个大型数据库(100 名患者,每人有两个时间点)执行了评估任务,该数据库是从 OFSEP 队列汇编而成,其中包含来自不同中心和扫描仪的 3D FLAIR 图像。与之前的挑战一样,我们在专用平台 (FLI-IAM) 上进行了评估,以自动化评估并消除挑战者看到进行评估的图像而产生的潜在偏见。
在过去的 10 年中,已批准用于治疗多发性硬化症 (MS) 局部炎症过程的疾病调节药物的数量从 3 种增加到 10 种。这种广泛的选择为个性化医疗提供了机会,目标是使每个患者都无需进行临床和放射学活动。这种新模式需要优化纵向 MRI 上新 FLAIR 病变的检测。在本文中,我们描述了一个完整的工作流程 - 我们开发、实施、部署和评估的流程 - 以便于在 MS 患者的纵向 MRI 上监测新 FLAIR 病变。该工作流程旨在供法国的医院和私人神经科医生和放射科医生使用。它由三个主要组件组成:(i) 一个软件组件,允许自动且安全地匿名化并将 MRI 数据从临床图片档案和通信系统 (PACS) 传输到处理服务器(反之亦然); (ii) 一个全自动分割核心,可以从 T1 加权、T2 加权和 FLAIR 脑部 MRI 扫描中检测出患者的局部纵向变化,以及 (iii) 一个专用的网络查看器,为放射科医生和神经科医生提供新病变的直观可视化。我们首先介绍这些不同的组件。然后,我们在 54 对纵向 MRI 扫描上评估了该工作流程,这些扫描由 3 位专家(1 位神经放射科医生、1 位放射科医生和 1 位神经科医生)在使用和不使用所提出的工作流程的情况下进行分析。我们表明,我们的工作流程为临床医生在检测新的 MS 病变方面提供了宝贵的帮助,无论是在准确性方面(不使用工作流程时每位患者和每位专家检测到的病变平均数量为 1.8,使用工作流程时为 2.3,p = 5.10 − 4 ),还是在专家投入的时间方面(平均时间差 2 ′ 45 ′′,p = 10 − 4 )。检测到的病变数量的增加对 MS 患者被归类为稳定或活跃有影响,即使是最有经验的神经放射科医生也是如此(不使用工作流程时平均敏感度为 0.74,使用工作流程时平均敏感度为 0.90,无差异 p 值 = 0.003)。因此,这对 MS 患者的治疗管理有潜在影响。
动脉粥样硬化性心血管疾病是指脂肪和纤维物质在动脉内膜堆积,形成斑块并逐渐侵入动脉管腔,最终导致组织缺血和心脏和血管的一系列病理改变[1]。动脉粥样硬化心血管疾病是全球死亡的主要原因,据统计,2015年有超过1700万人死于动脉粥样硬化心血管疾病,约占总死亡人数的1/3[1]。动脉粥样硬化心血管疾病的危险因素很多,不良的饮食和生活习惯、基础疾病等因素会加速动脉粥样硬化心血管疾病的发生和进展[2]。由于动脉粥样硬化心血管疾病的死亡率极高且预后不良,因此预防其发病、减缓其进展至关重要。近年来,环境污染等问题日益严峻,越来越多的证据表明环境污染物的暴露与动脉粥样硬化心血管疾病的进展存在相关性[3]。草甘膦又名 N-膦甲基甘氨酸,是草甘膦类除草剂的主要有效成分 [4]。由于其广谱活性和有效的杂草抑制作用,该类除草剂目前在 140 个国家和地区使用,是全球使用最广泛的除草剂 [5]。草甘膦类除草剂的广泛使用导致草甘膦广泛暴露,可在空气、食物、土壤和水中检测到 [6]。环境中的草甘膦可通过皮肤接触、吸入和食入等各种途径进入人体 [7]。以前人们认为,尽管草甘膦在环境中暴露,但它对人体健康的危害很小,因为其除草作用主要抑制植物中的莽草酸途径,而该途径在脊椎动物中并不存在 [5]。然而,随着研究的进展,越来越多的证据表明草甘膦对脊椎动物也有不利影响。一项关于豚鼠的研究发现,草甘膦损害了它们的生长和生殖功能[8]。另一项关于虹鳟鱼的研究发现,长期暴露于环境中低浓度的草甘膦会影响其后代的发育和代谢[9]。此外,近年来进行的几项大规模横断面研究表明,草甘膦与糖尿病、抑郁和肝功能障碍等不良事件显著相关[10-12]。但目前关于草甘膦与ASCVD之间关联的研究有限。经查阅文献,我们仅发现将草甘膦暴露与心血管疾病(CVD)联系起来的报道,并且这些报道得出了负面结果[13]。同样,现有关于有机磷(OP)暴露与心血管疾病之间关联的研究也得出了相互矛盾的结论。缅甸的一项研究表明,长期接触有机磷农药的工人患心血管疾病的风险显著高于未接触有机磷农药的工人[14]。相反,美国的一项横断面研究结果表明,长期接触有机磷农药与心血管疾病之间无统计学显著相关性。
麦当劳标准(Thompson等,2018),MS的诊断结合了临床,成像和实验室证据。神经系统检查与成像[磁共振成像(MRI)或光学相干断层扫描]和神经生理测试(视觉诱发电位)结合使用。在MRI上患有临床症状和病变的患者中,脑脊液通过腰椎穿刺收集。在脑脊液流体中存在寡克隆条带证实了MS的诊断(Thompson等,2018)。磁共振成像技术,例如双重反转恢复,相位敏感的反转恢复和使用梯度回声序列的磁化的快速采集来突出大脑皮层的MS病变。这些区域是由T1,T2或流体衰减反转恢复(Flair)方法获得的MRI图像中存在的高强度白质区域(Hitziger等,2022)。在图1a上,有一个示例MRI T1图像,带有两个病变,这些损伤显示为白质的高强度区域(Sarica和Seker,2022年)。在长轴中至少有3毫米的高强度区域被认为是病变(Thompson等,2018)。监测该疾病的演变,但治疗的效率也通过在年度随访MRI图像上出现或没有新病变来分析(Martínez-Heras等人,2023年)。在MRI图像上对脱髓鞘区域的手动识别和划定(图1B)具有一些缺点,耗时,需要合格的人员。其结果取决于专家解释MRI图像的经验。除了人为因素的主观性外,还可能发生差异,这是由于不同分辨率或具有各种质量的MRI图像而发生的。为了减少这些缺点,已经提出了几种用于诊断和监测MS的自动解决方案(Shoeibi等,2021)。通过在深度学习算法中使用神经网络与纹理分析相结合(Componick等,2021a),获得了与专家注释相当的结果。纹理分析是医学图像处理中的一种已知且有前途的技术,可在检测硬化病变方面具有显着的结果(Elahi等,2020; Boca等,2023)。通常,尝试通过那些特征来检测病变,这些特征是强度,照明,几何变换或噪声变化的图像不变的。为此,量化了像素强度和像素分布的相互关系,因此获得了许多特征。这些功能可以分为以下类别:第一阶特征(灰度直方图分析),二阶特征(灰度依赖矩阵),光谱特征和分形特征(小波变换和傅立叶变换)。用随机纹理识别的像素被归类为噪声(Friconnet,2021)。为了提高信号噪声比并降低噪声,将包括数学过滤组成的预处理操作应用于MRI图像。为例,高斯带通滤波器用于消除背景噪声(Kumar等,2023)。放射线学的方法由于出现了用于检测医学图像病变的自动方法(Lambin等,2012),因此有必要开发一种方法来通过自动检测方法来分析和评估结果的可重复性和质量。放射素学已逐渐应用于病理损害,诊断,差异诊断和MS预后的分析。开发了使用放射线特征的机器学习(ML)模型来检测MS病变(Peng等,2021)。
摘要简介:对比增强超声(CEU)是一种用于评估laplaque Neovanculination(IPN)的体内成像工具(IPN),是易感动脉粥样硬化斑块的越来越多研究的标志物。本研究旨在评估使用CEU量化颈动脉IPN的可行性,并识别和表征颈动脉斑块中的新血管造成。医院的道德委员会批准了这项研究,并在检查前从所有患者那里获得了知情的CEU的知情个人同意。材料和方法:在CEUS上研究了71名颈动脉粥样硬化斑块(95张斑块)的患者。通过视觉解释和定量分析评估了斑块中的对比度增强。在3点尺度上对新血管内化(IPN)测试进行了分级。使用专用软件进行CEUS图像分析对IPN进行量化。结果:发现具有不同类型的回声的斑块的CEU定量参数显着不同。定量参数在软,硬和混合斑块中也有所不同。发现使用CEU的颈动脉IPN定量可行。根据CEU测得的定量参数为不同回声类型的颈动脉IPN提供了多个参考。这可以帮助识别和监测不稳定的动脉粥样硬化斑块。结论:CEU有可能成为临床应用中的重要工具,特别是用于诊断颈动脉粥样硬化斑块的特征和脆弱性。关键词:动脉粥样硬化,动脉粥样硬化斑块,对比增强的超声,对比敏感性,新生血管造成的动脉粥样硬化的特征是由于脂质和钙形成斑块引起的动脉的限制,这些动脉和钙形成的斑块会阻碍氧化型的正常流动,例如氧气流动,例如,造成了氧化型的含量 cardi> cardi> cardial fight of Cardi> cardi> cardi> cardi> cardi>
多发性硬化症(MS)是一种以脱髓鞘和轴突变性为特征的慢性中枢神经系统疾病。该疾病在症状,疾病病程和结局中表现出异质性(1)。MS是一个全球问题,非创伤性神经残疾是年轻人残疾的主要原因。该疾病的患病率正在增加,全世界有280万人估计与MS相处(美国约90万人)(2-4)。在复发MS中,女性受影响的频率几乎是男性的三倍,而发病的平均年龄约为30年(4-6)。MS表型被定义为复发复发的MS(RRMS),主要进行性MS(PPM),主动次级进行性MS(SPM)和非复发SPM(7)。rrms是最常见的表型,影响了约85%的MS患者。这种情况的特征是神经系统的交替发作
背景和目标:机器学习框架已经展示了其在处理复杂数据结构方面的潜力,并在包括脑成像在内的许多领域取得了显著成果。然而,训练这些模型需要大量的数据。这在生物医学领域尤其具有挑战性,因为由于获取的可及性、成本和病理相关的多变性,可用的数据集有限且通常不平衡。为了克服这一挑战,可以使用生成模型来生成新数据。方法:在本研究中,提出了一个基于生成对抗网络的框架来创建多发性硬化症 (MS) 中的合成结构脑网络。该数据集包括 29 名复发缓解型和 19 名继发进展型 MS 患者。使用 T1 和扩散张量成像 (DTI) 采集来获取每个受试者的结构脑网络。对新生成的脑网络质量的评估是通过 (i) 分析其结构特性和 (ii) 研究它们对分类性能的影响来执行的。结果:我们证明了高级生成模型可以直接应用于结构脑网络。我们从数量和质量上表明,新生成的数据与真实数据相比没有显著差异。此外,使用生成的样本扩充现有数据集可提高分类性能( 퐹 1 푠푐표푟푒 81%),而基线方法( 퐹 1 푠푐표푟푒 66%)则没有。结论:当需要基于连接组的数据增强时,我们的方法为生物医学应用定义了一种新工具,为通常的基于图像的数据增强技术提供了一种有效的替代方案。
多发性硬化症(MS)是中枢神经系统(CNS)的一种相对常见的发病和神经退行性疾病,通常在20至40岁之间被诊断出。女性的影响是男性的2-3倍[1,2]。它涉及免疫系统的参与,轴突和神经胶质的急性炎症性损伤,炎后 - 体神经胶质变性和神经变性[1]。复发复发的MS(RRMS)是最常见的MS类型,占发病时案例的85-90%,尤其是年轻人。其课程的特征是神经障碍的完全或部分可逆发作(称为复发)以及运动,感觉,视觉和自主系统的差异参与[3]。疾病改良疗法(DMT)的时代始于1990年代。在21世纪,已经引入了许多新药,这些药物不仅在有效性方面,而且在安全方面都改善了治疗。由于大多数DMT是免疫抑制性的,因此它们可能与更高的癌症风险有关。