XiaoMi-AI文件搜索系统
World File Search System结节
AIBx，人工智能模型对甲状腺结节进行风险分层 1
此预印本的版权所有者此版本于 2021 年 2 月 16 日发布。；https://doi.org/10.1101/2021.02.13.21251688 doi: medRxiv preprint
作者更正：人工智能定义基于蛋白质的甲状腺结节分类
OpenAccess 本文根据 Creative CommonsAttribution4.0国际许可协议授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否进行了更改。本文中的图像或其他第三方材料包含在文章的知识共享许可中，除非在材料的致谢中另有说明。如果材料未包含在文章的知识共享许可中，并且您的预期用途不被法定法规允许或超出允许用途，则您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/ 。
巨大肝癌术后转移靶免治疗长期生存1例并文献复习
Figure 7.Chest CT scan 16 months after surgery: (A) Lung window shows multiple small nodular lesions in both lungs, with a high possibility of bilateral lung metastases, changes compared to previous scan not significant.(B) Bone window shows bone destruction at the posterior edge of the T8 vertebral body and its attachments, indicating a high possibility of bone me- tastasis; (C) and (D) are upper abdominal MR scans 16 months after surgery, showing a nodular abnormal signal shadow with a long diameter of approximately 33mm in the left adrenal area, with slight uneven enhancement.The nodular abnormal signal shadow in the left adrenal area has significantly increased compared to before, indicating a high possibility of metastatic tumor 图 7.术后 16 个月胸部 CT ， (A) 肺窗示双肺多发小结节灶，考虑双肺转移瘤可能性大，较前变化不明显， (B) 骨窗 示约 T8 椎体后缘及附件骨质破坏，骨转移可能性大； (C) (D) 术后 16 个月上腹 MR ，左侧肾上腺区可见长径约 33 mm 的结节状异常信号影，不均匀轻度强化，左侧肾上腺区结节状异常信号影，较前明显增大，考虑转移瘤可能性大
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
胸部MRI图像的定量分析，用于良性恶性诊断肺固体结节
方法：招募了总共333例肺结核（训练队列中的233例，在验证队列中为100例）。从MRI图像（CE T1W和T2W）中提取了总共2,824个放射线特征。逻辑回归（LR），幼稚的贝叶斯（NB），支持向量机（SVM），随机森林（RF）和极端梯度提升（XGBOOST）分类器用于构建预测模型，并在应用最佳预测模型后为每个患者获得了放射线学分数（RAD分数）。临床因素和RAD分数共同基于多元逻辑回归分析构建了一个nom图模型，并使用接收器操作特征曲线（AUC）下的区域评估了五个预测模型的诊断性能。
校正：Pujic等。谷胱甘肽结节中共生乳牙的蛋白质组。微生物2022，10，651
本文的原始版本包含在控制蛋白质实验的错误上，该实验不是氮固定的BAP-种植培养物（不带NH 4 +），而是氮恢复BAP +（包含5 mm NH 4 +）培养。我们通过在整个文本中将“ n-replete”替换为“ n-replete”来纠正此错误。校正的示例如下：在摘要中：通过将这些蛋白质在Alnus Glutinosa nodules中比较相对于N-复制纯培养物的蛋白质分析，以碳源为碳源和硝基源为氮基因，从而对这些蛋白质进行比较越丰富。有250种蛋白质在折叠变化（FC）≥2阈值时明显过多，而在体外氮气中具有相同特征的1429。在材料和方法中：作为参考，用一系列针（21g，23g，25g，27g）注射后，将F. alni细胞接种，并在250 ml的BAP培养基中生长10天（对应于250 mL指数期的结束），并用ammonium（5 mm）（5 mm）在500 mL Erllenmeyereyer -eff tomes phss中喂食。找不到囊泡。如下所述：使用氮剂量的丙酸式纯纯培养物作为参考，在折叠变化≥2250蛋白（补充表S1）下生产的三种生物学重复（补充表S1），其中100个具有FC≥4.38（表1）。和此处：在F. alni蛋白中，氮酶蛋白是最多的氮蛋白，在10个最高10的最高含量为7中，用作参考氮气复发纯培养物。如图1：图1。frankia alni基因组的圆形图与结节中的蛋白质过多相对于沿基因组沿着基因组的氮纯培养（FC≥2）而言。如补充材料表S1的标题：表S1：在结节中鉴定的弗兰基亚蛋白清单，氮气纯培养物及其光谱计数。和此处的致谢：感谢Elise Lacroix为温室管理（Universition for Lyon Univers）和Aude Herrera-Belarossi（Lyon Univers）提供氮气 - 珠子 - 毛细血管弗兰基亚细胞。
住院的结节病患者合并性心力衰竭的影响：一项基于人群的队列研究
背景：关于伴随心力衰竭（HF）对住院结节病患者院内结局的影响的数据很少。我们旨在调查与Concomi Tant HF相关的因素及其对住院结节病患者对院内结局的影响。方法：我们在进行这项研究中利用了2018 - 2020年国家住院样本（NIS）数据库。多变量的逻辑和线性回归模型用于检查与HF的因素以及结节病患者与医院相关的结局。结果：总共鉴定出36,864例住院患者，其中24.78％（n = 9135/ 36,864）伴随HF。与伴随HF相关的因素是年龄（AOR 1.03; 95％CI：1.02 - 1.03，P值≤0.001），黑色种族（AOR 1.74; 95％CI：1.47 - 2.05，P值≤0.001），不是女性（AOR 0.79; 95％CI：0.79; 95％CI：0.69 – 0.69 - 0.9 – 0.9 – hy and and y iase and p value 0.69 - 0.91，p value and p valuestm and p value 0.69 - 0.91，p Value 5 as＆p althm and p althm and p value。 2.50; 95％CI：2.10 - 2.98，P值≤0.001）特别是心房颤动和心室心动过速。与此人群中伴随HF相关的合并症是高脂血症，肥胖，冠状动脉疾病，心脏器械植入史和慢性肾脏疾病阶段1-4。伴随的HF不是院内死亡率或住院时间（LOS）的独立预测指标。然而，年龄（AOR 1.04; 95％CI，1.03 - 1.06;P≤0.001）和心律失常负担（AOR 2.08; 95％CI，1.47 - 2.95;P≤0.001），特别是心脏心动过速和纤维化患者，伴随脑膜内的患者是独立的。结论：传统的心血管危险因素与住院的结节病患者伴随HF有关。此外，结节症患者中的HF伴随HF与院内死亡率或LOS没有显着相关。
认识 Veye Lung Nodules，您的肺部 AI 助手......
无论是在常规临床实践中还是肺癌筛查中，分析和报告 CT 胸部扫描的肺结节都是繁琐且容易出错的。监测结节进展尤其耗时，因为它需要手动分析和扫描比较。这就是为什么我们创建了一个实用的 AI 医疗解决方案来管理肺结节，随时准备减轻您的负担。了解 Veye 肺结节。
引用风扇J，Tao L，Zhan W，Li W，Kuang L，Zhao Y和Zhou W（2024）对比造影剂的定性和定量参数的诊断值
分化的甲状腺癌（DTC）（1）包括乳头状甲状腺癌（PTC），卵泡甲状腺癌（FTC）及其变异亚型（2），是最常见的内分泌恶性肿瘤，并且最近几年的发病率迅速增加。DTC通常具有良好的预后，碘131治疗和甲状腺抑制剂已被证明对10年生存率的患者有益，范围为80％至95％（3，4）。然而，大约5％-20％的病例可能由于基因突变引起的肿瘤生物学变异，导致不同的亚型和预后不良，这可能与高度浸润性肿瘤的生物学特征有关（5）。因此，甲状腺结节的鉴别诊断仍然很明显。对比增强超声（CEU）可以实时评估组织的微循环灌注（6），提供准确可靠的数据，并且可以避免由个体差异引起的诊断错误（7）。由于甲状腺正常组织中的微容器的丰度，它显示出造影剂后的快速和均匀增强。然而，甲状腺结节具有不同的血管生成模式，并且CEUS上的表现可能不同（8）。先前的研究报道了甲状腺结节的CEUS特征，但是，大多数是基于结节内部（9-11），而CEUS上甲状腺结节的增强模式仍然没有足够的能力来诊断甲状腺癌（12）。到目前为止，只有一项研究重点介绍了结节周围区的CEU特征（13）。这项研究的目的是通过研究甲状腺结节的内部和外围区域的定性和定量参数来评估CEU在DTC的鉴别诊断中的价值。
thoraxjnl-2019-214104.full.pdf
摘要背景评估 CT 检测到的肺结节的恶性肿瘤风险是临床管理的核心。人工智能 (AI) 的使用为改善风险预测提供了机会。在这里，我们比较了一种人工智能算法，即肺癌预测卷积神经网络 (LCP-CNN) 与英国指南中推荐的布洛克大学模型的性能。方法回顾性地收集了英国三家医院偶然发现的 5-15 毫米肺结节数据集，用于验证研究。每个结节的真实诊断基于组织学（任何癌症都需要）、分辨率、稳定性或（仅适用于肺淋巴结）专家意见。1187 名患者中有 1397 个结节，其中 229 名（19.3%）患者中的 234 个结节为癌症。在预定义的分数阈值下比较了布洛克模型和 LCP-CNN 的模型判别力和性能统计数据。结果 LCP-CNN 的曲线下面积为 89.6%（95% CI 87.6 至 91.5），而 Brock 模型的曲线下面积为 86.8%（95% CI 84.3 至 89.1）（p≤0.005）。使用 LCP-CNN，我们发现 24.5% 的结节得分低于最低癌症结节评分，而使用 Brock 评分时这一比例为 10.9%。使用预定义的阈值，我们发现 LCP-CNN 给出了一个假阴性（0.4% 的癌症），而 Brock 模型给出了六个（2.5%），同时两个模型的特异性统计数据相似。结论与 Brock 模型相比，LCP-CNN 评分具有更好的辨别力，并且可以识别出更大比例的良性结节而不会遗漏癌症。这有可能大幅减少所需的监测 CT 扫描比例，从而节省大量资源。