XiaoMi-AI文件搜索系统
World File Search System肺炎
人工智能在急诊科 COVID-19 肺炎放射诊断中的应用
1. Tsikala VM、Atalla E、Georgakas J 等人。用于研究、诊断和治疗 COVID-19 患者的新兴技术。Cell Mol Bioeng。2020；13(4):249–257。2. Weizman Y、Tan AM、Fuss FK。使用可穿戴技术增强对冠状病毒 (COVID-19) 大流行的应对。公共卫生。2020；185:221-222。3. Wilmink G、Summer I、Marsyla D 等人。实时数字接触者追踪：开发一种用于控制疗养院和长期护理机构中 COVID-19 疫情的系统 (预印本)。JMIR 公共健康监测。2020；6(3):e20828。4. Hare N、Bansal P、Bajowala SS 等人。 COVID-19：揭开远程医疗的面纱。《过敏临床免疫实践杂志》。2020；8(8):2461。5. Berlyand Y、Raja AS、Dorner SC 等人。人工智能如何改变急诊科的运作。《Am J Emerg Med》。2018；36(8):1515-1517。6. Grant K、McParland A、Mehta S、Ackery AD。急诊医学中的人工智能：具有革命性潜力的可克服障碍。《Ann Emerg Med》。2020；75(6):721-726。7. Chase VJ、Cohn AEM、Peterson TA、Lavieri MS。使用预测方法预测急诊科人流量，为非危机事件创建“激增响应”。《Acad Emerg Med》。2012；19(5):569-576。 8. Liu N, Koh ZX, Chua ECP 等。通过不平衡临床数据预测急性心脏并发症的风险评分。IEEE J Biomed Heal Informatics。2014;18(6):1894-1902。9. Levin S、Toerper M、Hamrock E 等。与急诊严重程度指数相比，基于机器学习的电子分诊可以更准确地根据临床结果区分患者。Ann Emerg Med。2018;71(5):565-574.e2。
人工智能驱动的 COVID-19 肺炎整体量化、分期和预后
Guillaume Chassagnon，医学博士 *，1,2,3，Maria Vakalopoulou，PhD ∗，4,5,6，Enzo Battistella，MSC *，4,6,7，Stergios Christodoulidis，Phd DD 8,9博士8,9，MD 1，MD 1，MD 1，Stefany El Hajj，MD 1，Florian Bompard，MD 1，MD 1，MD 1，MD 1，Chahinez Hani，MD 1，Ines Saab，Ines Saab，MD 1，MD 1，Ali'enor Campredon，Md 1. Freche，MD 1，Maxime Barat，MD 1,2，Aurelien Lombard，MSC 10，Laure Fournier，MD PhD 2,11，Hippolyte Monnier，MD 11，T´eodor Grand，MD 11，Jules Gregory，MD 2,12 2,14，Pierre-Yves Brillet，医学博士15,16，St´ephane Tran BA，MD 15,16，Val´erie Bousson，MD PhD 2,17，Ahmed Mekki，MD 18,19,20，Robert-Yves Carlier，MD Phd 18,19,20 4,6,10
免疫检查点抑制剂诱发肺炎的患者的长期结局
摘要引入免疫检查点抑制剂（ICI）对许多恶性肿瘤患者的结局改善。然而，这些治疗与免疫相关的不良事件有关，包括肺部毒性（肺炎）。肺炎与显着的短期发病率和死亡率有关，但长期结局并未得到很好的描述。Methods We used the Vanderbilt Synthetic Derivative, a deidentified electronic health record database of >2.5 million patients seen at Vanderbilt, to identify patient charts that included treatment with pembrolizumab, nivolumab, ipilimumab, ipilimumab and nivolumab, atezolizumab or durvalumab by keyword search and ICD-10 codes for acute respiratory failure and/or支气管肺泡灌洗。我们手动审查了这些图表，并确定了78名符合可能肺炎标准的受试者，其中包括出现症状（呼吸困难，缺氧，咳嗽）和/或CT成像与此诊断一致的患者。我们收集了有关人口统计学，ICI疗法，医院入院和长期生存的数据。78例患者（48名男性；中位年龄为64岁（范围28-81）），52例患者至少需要与肺炎相关的至少1名医院入院。共有25名患者的短期结局不佳（包括6例临终关怀，11例出院康复和9例死亡）。在患者年龄（p = 0.96），性别（p = 0.60），吸烟状态（p = 0.63）或癌症类型（p = 0.13）时，与这些结果没有关联。随访的中位持续时间为8.3个月（0.2-110.6个月范围），最后随访的患者还活着29例（37％）。入院的患者更有可能死亡（p = 0.002），并且不太可能接受额外治疗（p <0.0001）或生存≥12个月而没有疾病的证据（p = 0.02）。对于潜在的肺合并症患者，长期结局没有差异。讨论ICI肺炎具有引起住院和不良预后（包括死亡）的可能性很大。尽管肺部合并症患者的预后似乎没有差异，但需要入院的患者的预后较差。
使用胸部X射线通过卷积神经网络对Covid-19肺炎的诊断
这项研究强调需要改善诊断方案并提高意识，以有效地管理Covid-19及其并发症，尤其是肺炎，以减轻医疗保健系统负担的负担，这强调了早期识别肺炎的早期识别的重要性重要性，以减轻与造成影响和快速症状的战略方法，以减轻造成影响和快速症状。引入了一种用于检测Covid-19肺炎的新型模型，利用在开源平台上可用的胸部X射线图像和卷积神经网络，并在二进制分类设置中进行了精确的诊断。遵循两个步骤，以提高分类精度并避免过度拟合：（1）在保持分类方案的平衡时放大数据集； （2）结合正则化技术并进行超参数优化。该模型非常适合在本地部署有限的能力，而无需互联网访问。由于网络大小，模型容量大大降低。与文献进行了比较，最终模型的性能更好，并且需要更高的参数，同时达到99.63％的分类准确性，对于二进制案例，模型灵敏度为93.75％。这些模型可以上传到数字平台，以快速诊断并弥补缺乏专业人员和RT-PCR（逆转录聚合酶链反应）。
在中断免疫检查点抑制剂后三年多的检查点抑制剂肺炎的复发
我们的医院。她在房间空气上的氧饱和度为96％。在没有发烧或关节炎或皮肤病变迹象的两个肺田中都可以听到细裂纹。实验室测试显示，白细胞计数为8,100/μL，C反应蛋白（CRP）水平22.0 mg/dl（正常范围：<0.3 mg/dl），乳酸脱氢酶（LDH）的LE VEL（LDH）为195 IU/L（正常范围：110-224 IU/L），SP-D级别，SP-D级别，<229 ng：<229 ng e <229 ng e <229（<229）（<229 ng s n of 229 ng s n of 229（<229）。 Ng/mL）和KL-6水平为131 U/ml（NOR MAL范围：<500 u/ml）。抗氨基酰基-TRNA合成酶（ARS）抗体，抗核抗体，蛋白酶3（PR-3）和MyE洛哌迪酶（MPO）抗营养性细胞质抗体为阴性。胸部X射线显示在双侧下肺场（图1A）中显示网状泥泞，胸部的计算机断层扫描（CT）显示出有多个具有支气管扩张的巩固和周围的地面玻璃粘着不相差（GGOS）（GGOS）在两个肺中（图2A）。这些发现与ILD的Radiogra phic模式中的CRYP切换组织肺炎（COP）类似于。她的痰液和支气管灌洗液（左B9）没有细菌学发现。经支气管肺活检标本（左B9）的病理发现显示，组织肺炎，导致CIP诊断为CTCAE 2级。ni卷被停用，她接受了类固醇脉搏疗法（甲基强酮1000 mg，持续3天），然后接受predniso lone（PSL）40 mg/天（1 mg/kg/day）。放射线学发现在开始类固醇治疗后六天被证明是显着的（图1B），并且在15周内逐渐降低了类固醇剂量。在完成CIP并完成PSL锥度完全缓解后五天，她抱怨胸痛和发烧。Influenza antigen test was negative and laboratory tests showed a white blood cell count of 9,600 /μL (neutrophils: 81.9%, eosino phils: 2.7%, lymphocytes: 9.1%), CRP level 25.8 mg/dL, LDH level 190 IU/L, Sp-D level 144 ng/mL, KL-6 level 113 U/mL procalcito nin水平0.11 ng/ml（正常范围：<0.11 ng/ml）和βD葡萄糖水平7.6 pg/ml（正常范围：<20 pg/ml）。她再次被诊断出患有肺炎，并接受了抗生素疗法（tazo bactam/piperacillin Hydrate）的治疗，但她的病情没有改善。她被诊断出患有CIP的复发（图1C，2B），并在类固醇脉冲治疗后被卫生后40 mg/天被重新启动，这导致了显着改善。在2020年4月，PSL逐渐减少到5.0 mg/天的十天后，她抱怨胸部不适，并经历了第二次CIP的反复出现（图1D，2C）。PSL增加到30 mg/天，然后在6个月内逐渐变细至10 mg/天。在2021年4月，CT扫描显示右上和中叶（图2D）的GGO（图2D）表明无症状的CIP在没有必要的情况下解决了无需戒指的ggos。在2022年11月将PSL剂量逐渐减少到7.5 mg/天之后，患者经历了CIP的弯曲，导致2023年1月呼吸困难。（图1E），PSL剂量增加到10 mg/天。从那以后，患者接受10 mg/天的PSL剂量时，CIP没有进一步的复发（图1F）。
基于变分深度嵌入的主动学习用于肺炎诊断
机器学习的工作原理与人类训练大脑的方式类似。一般来说，先前的经验通过激发大脑中的特定神经细胞并增加它们之间的链接权重来为大脑做好准备。机器学习还通过对训练集进行训练，不断改变模型中的权重来完成分类任务。它可以进行大量的训练，并在特定领域实现比人脑更高的识别准确率。在本文中，我们提出了一种主动学习框架，称为基于变分深度嵌入的主动学习 (VaDEAL)，作为一种以人为中心的计算方法，以提高诊断肺炎的准确性。由于主动学习 (AL) 通过标记最有价值的查询来实现标签高效学习，我们提出了一种新的 AL 策略，该策略结合了聚类来提高采样质量。我们的框架由 VaDE 模块、任务学习器和采样计算器组成。首先，VaDE 对整个数据集执行无监督的维度减少和聚类。端到端任务学习器在训练模型的目标分类器的同时，获取 VaDE 处理样本的嵌入表示。采样计算器将通过 VaDE 计算样本的代表性，通过任务学习计算样本的不确定性，并通过计算当前样本和先前样本之间的相似性约束来确保样本的整体多样性。通过我们新颖的设计，不确定性、代表性和多样性分数的组合使我们能够选择最具信息量的样本进行标记，从而提高整体性能。通过在大型数据集上进行的大量实验和评估，我们证明了我们提出的方法优于最先进的方法，并且在肺炎诊断中具有最高的准确率。
使用带有卷积神经网络的量子电路进行肺炎检测⋆
摘要。图像分类已成为机器学习方法中最重要的领域之一。人脸识别、物体检测、无人驾驶汽车或机器人以及疾病识别都是已经产生影响的领域。将卷积神经网络 (CNN) 层引入图像分类和物体检测也带来了实质性的改进。使用低维滑动核，CNN 能够毫不费力地从图像中提取特征。当将量子电路（量子计算的基本元素）添加到此内核时，它会变得非常复杂，经典上难以处理的内核。量子电路和 CNN 的这种混合组合可用于早期检测肺炎，这是在疾病损害感染者肺部之前治愈疾病的重要步骤。在本文中，我们提出了一种混合 CNN 模型，该模型基于 CNN 模型架构，并在胸部 X 光片图像上实施量子电路以诊断肺炎疾病。我们使用来自公共存储库的数据，其中包含超过 5K 张图像，在分类环境中应用了经典和量子算法。我们的结果表明，将量子电路与经典 CNN 结合使用后，其性能显著提高，准确率更高。该模型在检测肺炎方面的表现表明，所提出的基于量子卷积神经网络的模型在实践中可以有效地对规则和不规则的 X 射线图像进行分类。
在肺炎链球菌中利用CRISPR-CAS9用于基因组编辑D39V
抽象的CRISPR-CAS系统通过检测和切割侵入外源DNA，提供对病毒和质粒的适应性免疫的细菌和古细菌。修改版本可以被用作一种生物技术工具，用于在目标基因座上进行精确基因组编辑。在这里，我们开发了一种复制质粒，该质粒构成了CRISPR-CAS9系统，用于在机会性人体病原体肺炎链球菌中进行的ounterselection通过ounterselection进行RNA可编程的基因组编辑。特别是，我们删除了一种方法，用于制作目标无标记的基因敲除和大范围的缺失。引入了精确的双链断裂（DSB）后，将细胞的DNA修复机理（HDR）的DNA修复机理（HDR）剥削以选择成功的转化剂。这是通过将模板DNA碎片转换而成的，该模板DNA碎片会重新组合基因组中并消除对Cas9核酸内切酶靶标的识别。接下来，可以通过在非疗法温度下种植对复制的温度敏感的质量轻松治愈新工程的应变。这允许连续的基因组编辑。使用此系统，我们设计了一个菌株，其中三个主要的毒力因子已删除。此处开发的方法可能会适用于其他革兰氏阳性细菌。
基于CRISPR的测试提供真菌肺炎的更快，更准确的诊断
该工具在Tulane开发的工具与大学卫生网络/多伦多大学，肺炎儿童健康研究（PERCH）研究的样品进行了测试，以及国际Mycose预防，研究，研究，实施，网络和培训（Imprint）联盟（Impint）。