XiaoMi-AI文件搜索系统
World File Search System组织学
通过心血管磁共振检测到迷你甘蔗中的组织学对局灶性心肌纤维化的检测
Minjie Lu Fuwai医院号167号北利希路，Xicheng区，北京，中国邮政法典：100037电话：13681042002电子邮件：coolkan@163.com融资和致谢：这项工作得到了中国国家自然科学基金会[赠款编号81971588]；中国医学科学院关键实验室（种植）的建筑研究项目[赠款编号2019PT310025]；高级医院临床研究的青年关键计划[2022-GSP-QZ-5赠款]；国家外国专家人才项目[赠款编号G2021194020L]；北京联合医学院的本科教育改革项目[赠款编号2023ZLGL 026]；和国家高级医院临床研究资金（2022-GSP-QN-17）。 我们非常感谢Vanessa Ferreira博士，Stefan Piechnik博士和Qiang Zhang博士对这项研究的宝贵指导和贡献。 vanessa Ferreira是牛津大学心血管医学高级研究员，并感谢英国Kusuma Trust的资金。 利益冲突：无声明Minjie Lu Fuwai医院号167号北利希路，Xicheng区，北京，中国邮政法典：100037电话：13681042002电子邮件：coolkan@163.com融资和致谢：这项工作得到了中国国家自然科学基金会[赠款编号81971588]；中国医学科学院关键实验室（种植）的建筑研究项目[赠款编号2019PT310025]；高级医院临床研究的青年关键计划[2022-GSP-QZ-5赠款]；国家外国专家人才项目[赠款编号G2021194020L]；北京联合医学院的本科教育改革项目[赠款编号2023ZLGL 026]；和国家高级医院临床研究资金（2022-GSP-QN-17）。我们非常感谢Vanessa Ferreira博士，Stefan Piechnik博士和Qiang Zhang博士对这项研究的宝贵指导和贡献。vanessa Ferreira是牛津大学心血管医学高级研究员，并感谢英国Kusuma Trust的资金。利益冲突：无声明
使用受激拉曼组织学和深度神经网络进行近实时术中脑肿瘤诊断
* 通讯作者：Daniel A. Orringer，医学博士，纽约大学，530 First Ave.，SKI 8S，纽约，NY 10016；电话 212-263-0904，Daniel.Orringer@nyulangone.org。‡ 现地址：美国加利福尼亚州旧金山市加利福尼亚大学旧金山分校神经外科系 作者贡献：TCH、SC-P. 和 DAO 构思了这项研究、设计了实验并撰写了论文，并得到了 BP、HL、ARA、EU、ZUF、SL、PDP、TM、MS、PC 和 SSSK 的协助。作者 CWF 和 JT 制作了 SRH 显微镜。TCH、ARA、EU、AVS、TDJ、PC 和 AHS 分析了数据。TDJ 和 TCH 进行了统计分析。 DAO、SLH-J.、HJLG、JAH、COM、ELM、SES、PGP、MBS、JNB、MLO、BGT、KMM、RSD、OS、DGE、RJK、MEI 和 GMM 提供了手术标本以供成像。所有作者均审阅并编辑了手稿。
机器学习支持的分析改善了淀粉样蛋白沉积和活化的小胶质细胞的定量组织学评估
使用机器学习/人工智能自动分析组织学全扫描图像。目的：评估和验证使用DeepAthology Studio以高分辨率分析组织学幻灯片。方法：我们在Axiovision中使用宏比较了DeepAthology Studio和当前的标准方法，以分析不同年龄在不同年龄的APP-转基因小鼠中淀粉样蛋白（A）斑块和小胶质细胞。我们分析了每种方法的密度变量和总时间。此外，我们将通过ELISA测量的脑组织中的浓度与染色分析的结果相关联。结果：DeepAthology Studio表明，建立新分析的时间显着减少，总分析时间最多减少了90％。另一方面，两种方法在不同实验组的牙菌斑和活化的小胶质细胞密度中均显示出相似的定量结果。DeepAthology Studio显示出对小型斑块的更高灵敏度和准确性。此外，DeepAthology Studio允许在分散和密集包装中分类，这是我们的传统分析不可能的。结论：DeepAthology Studio大大降低了新分析所需的努力，该分析显示了与传统方法相当的结果。此外，它允许在单个分析中包含不同的对象（类别）或单元格类型，而传统方法是不可能的。
医疗药物临床标准
对于复发性、晚期或转移性疾病，ECOG 评分为 0-1，且对 PD-1 或 PD-L1 抑制剂没有禁忌症，可与阿特珠单抗和卡铂联合用于非鳞状组织学，与卡铂和帕博利珠单抗联合用于鳞状组织学，或与 tremelimumab-actl、durvalumab 和卡铂联合使用。 对于复发性、晚期或转移性疾病，作为 PD-L1 表达肿瘤的一线治疗，这些肿瘤对可操作的分子生物标志物呈阴性，并且对 PD-1 或 PD-L1 抑制剂没有禁忌症，且体能状态为 0-2，与派姆单抗和卡铂联合用于鳞状组织学，与卡铂和阿特珠单抗联合用于非鳞状组织学，或与 tremelimumab-actl、durvalumab 和卡铂联合用于鳞状组织学。 治疗复发性、晚期或转移性疾病
在总胆固醇水平和糖尿病的小鼠主动脉组织学特征中，非洲叶乙醇提取物的作用2
摘要本研究旨在确定非洲叶乙醇提取物对降低糖尿病2型糖尿病的小鼠总胆固醇水平和主动脉组织学的影响。本研究使用了一个完整的随机设计，具有阴性对照组（标准纯化的饲料），一个阳性对照组（HFD + Alloxan一水合物），一个辛伐他汀组和用乙醇提取物，以75、100和125 mg/kgbb的剂量用乙醇提取物，具有四个重复和治疗时间为7天。在高脂饮食之前，在第0天（HFD之后）和第8天之前测量了总胆固醇水平。通过100倍和400倍宏伟的光显微镜检查大鼠主动脉的组织学。总胆固醇水平和变化的数据进行了方差分析和邓肯测试。使用Welch的ANOVA测试分析了主动脉腔直径的数据。使用Kruskal-Wallis和Mann-Whitney测试分析了动脉粥样硬化评分。分析的结果表明，以不同剂量降低总胆固醇水平和动脉粥样硬化评分的非洲叶乙醇提取物的给药。总而言之，非洲叶乙醇提取物的剂量会影响糖尿病2型糖尿病的小鼠的总胆固醇水平和主动脉组织学，剂量125 mg/kgbb是最佳剂量，是可以降低胆固醇水平的最佳剂量，并可以降低总胆固醇水平，并修复糖尿病型糖尿病的主动脉组织学剂量。关键字：动脉粥样硬化；高脂饮食；高胆固醇血症
喂养金头鲷增加膳食细菌单细胞蛋白水平：对生长、血浆生物化学、肠道组织学和
Marchi, A., Bonaldo, A., Scicchitano, D., Candela, M., De Marco, A., Falciglia, S., 等人 (2023)。通过增加膳食细菌单细胞蛋白水平喂养金头鲷：对生长、血浆生物化学、肠道组织学和肠道微生物群的影响。水产养殖，565，1-11 [10.1016/j.aquaculture.2022.739132]。
SPIE 会议纪要
高光谱成像 (HSI) 可获取多达数百个波段，已被提议作为一种超越 RGB 成像的数字化组织学成像方式，以提供更多定量信息来协助病理学家检测样本中的疾病。虽然数字化 RGB 组织学相当标准化且易于获取，但与 RGB 相比，组织学 HSI 通常需要定制设备和更长的成像时间。在这项工作中，我们提供了相应的乳腺癌 RGB 数字化组织学和组织学 HSI 数据集，并开发了一个条件生成对抗网络 (GAN)，从正常细胞和癌细胞的标准 RGB 图像中人工合成 HSI。GAN 合成的 HSI 的结果很有希望，显示结构相似性 (SSIM) 约为 80%，平均绝对误差 (MAE) 为 6% 到 11%。需要进一步研究以确定在更大的数据集上从 RGB 图像生成 HSI 的能力。
固定和石蜡包埋的新鲜脑组织染色......
术中组织学对于手术指导和决策至关重要。然而，冷冻切片苏木精和伊红 (H&E) 染色的准确性较低，而金标准福尔马林固定石蜡包埋 (FFPE) H&E 染色时间过长，不适合术中使用。受激拉曼散射 (SRS) 显微镜已显示出具有脂质/蛋白质对比的脑组织学快速组织学，但很难产生与病理学家可解释的基于核酸/蛋白质的 FFPE 染色相同的图像。在这里，我们报告了一种半监督受激拉曼 CycleGAN 模型的开发，该模型使用未配对的训练数据将新鲜组织 SRS 图像转换为 H&E 染色。在 3 分钟内，可以生成与真实 H&E 完美匹配的受激拉曼虚拟组织学 (SRVH) 结果。盲检结果表明，经认证的神经病理学家能够在 SRVH 上区分人类神经胶质瘤的组织学亚型，但在常规 SRS 图像上却很难区分。SRVH 可提供比冷冻 H&E 更好的术中诊断，速度和准确性都更高，可扩展至其他类型的实体肿瘤。
在外部验证中，MRI 放射组学预测脑转移瘤原发性肿瘤组织学的能力有限
摘要背景。越来越多的研究表明，使用从成像数据中提取的放射组学特征可以预测各种恶性肿瘤的组织学或遗传信息。本研究旨在通过内部和外部验证来研究基于 MRI 的放射组学在预测脑转移瘤原发性肿瘤中的作用，并使用过采样技术来解决类别不平衡问题。方法。这项经 IRB 批准的回顾性多中心研究包括肺癌、黑色素瘤、乳腺癌、结直肠癌和其他原发性实体的组合异质组（5 类分类）的脑转移瘤。2003 年至 2021 年期间从 231 名患者（545 个转移瘤）获取了本地数据。分别对来自公开的斯坦福 BrainMetShare 和加州大学旧金山分校脑转移瘤立体定向放射外科数据集的 82 名患者（280 个转移瘤）和 258 名患者（809 个转移瘤）进行了外部验证。预处理包括脑提取、偏差校正、配准、强度归一化和半手动二元肿瘤分割。从每个序列（8 次分解）的 T1w（± 对比度）、液体衰减反转恢复 (FLAIR) 和小波变换中提取了 2528 个放射组学特征。使用原始数据和过采样数据的选定特征训练随机森林分类器（5 倍交叉验证），并使用准确度、精确度、召回率、F1 分数和受试者工作特征曲线下面积 (AUC) 在内部/外部保留测试集上进行评估。结果。过采样并没有改善内部和外部测试集上整体不令人满意的性能。不正确的数据分区（训练/验证/测试分割之前的过采样）会导致对模型性能的严重高估。结论。应严格评估放射组学模型从成像中预测组织学或基因组数据的能力；外部验证至关重要。