XiaoMi-AI文件搜索系统
World File Search System胸部
乳酸脱氢酶在胰腺癌和胸部肿瘤中的表达及其临床意义
肿瘤细胞的能量代谢被认为是癌症的标志之一，因为它不同于正常细胞，主要包括有氧糖酵解、脂肪酸氧化和谷氨酰胺分解。大约一百年前，瓦尔堡观察到癌细胞即使在常氧条件下也喜欢有氧糖酵解，这有利于它们的高增殖率。驱动这一现象的关键酶是乳酸脱氢酶 (LDH)，本综述描述了与这种酶相关的预后和治疗机会，重点关注治疗策略和预期寿命有限的肿瘤（即胰腺癌和胸腔癌）。胰腺癌组织中 LDH-A 的表达水平与临床病理特征相关：LDH-A 在胰腺癌发生过程中过表达，在更具侵袭性的肿瘤中表现出明显更高的表达。同样，LDH 水平是腺癌或鳞状细胞肺癌患者以及恶性胸膜间皮瘤患者预后不良的标志。此外，血清 LDH 水平可能在这些疾病的临床管理中发挥关键作用，因为它们与肿瘤负荷引起的组织损伤有关。最后，我们讨论了以 LDH 为治疗策略的有希望的结果，报告了最近的临床前和转化研究，支持将 LDH 抑制剂与当前/新型化疗药物联合使用，这些化疗药物可以协同靶向肿瘤中存在的含氧细胞。
研究论文 人工智能在胸部 X 光片上诊断 COVID-19 疾病症状中的应用：系统评价
本系统评价的重点是利用人工智能 (AI) 在 X 射线图像的帮助下检测 COVID-19 感染。方法：2022 年 1 月，作者使用特定的医学主题词和过滤器搜索了 PubMed、Embase 和 Scopus。所有文章均由两位审稿人独立审阅。所有因误解而产生的冲突均由第三位独立研究人员解决。在评估摘要和文章的实用性、消除重复并应用纳入和排除标准后，发现六项研究符合本研究的条件。结果：由于作者的方法不同，各个研究的结果也不同。敏感性为 72.59%–100%，特异性为 79%–99.9%，精确度为 74.74%–98.7%，准确度为 76.18%–99.81%，曲线下面积为 95.24%–97.7%。结论：用于评估 COVID-19 诊断过程中胸部 X 光检查的 AI 计算模型应达到足够高的敏感性和特异性。它们的结果和性能应该是可重复的，以使它们对临床医生来说是可靠的。此外，这些额外的诊断工具应该比目前可用的程序更实惠、更快捷。基于 AI 的系统的性能和计算应考虑临床数据。
通过胸部 X 光片测量骨密度
通过胸部 X 光片进行预测：一项多中心研究 主要研究员：佐藤洋一 名古屋大学医学院 共同研究员：山本则夫 宫本整形外科医院 稻垣直哉 慈惠大学柏医院 家崎雄介 国立医院组织 名古屋医疗中心 高原俊介 兵库县立加古川医疗中心 尽管全世界患有骨质疏松症的患者数量正在增加，但目前的诊断和治疗还不够充分。在这项研究中，我们开发了一个深度学习模型来通过胸部 X 光片预测骨矿物质密度 (BMD) 和 T 值，胸部 X 光片是最常见、最容易获得且成本最低的医学影像检查方法之一。本研究中使用的数据集包含 17,899 张图像，这些图像对应于 2010 年至 2021 年期间在六家医院接受双能 X 射线吸收仪 (DXA) 和胸部 X 光检查的 10,102 名患者。对于学习标签，我们使用 (1) 髋部和腰椎的 BMD (g/cm2) 和 (2) 基于髋部或腰椎 T 分数的诊断（正常、骨质减少和骨质疏松症）。然后，我们通过胸部 X 光片、年龄和性别的集成学习来训练深度学习模型，以使用回归和 T 分数进行多类分类来预测 BMD。我们评估了以下两个指标来评估深度学习模型的性能：(1) 预测和真实 BMD 之间的相关性和 (2) 预测类别和真实类别之间 T 分数的一致性。BMD 预测的相关系数为髋部 = 0.75，腰椎 = 0.63。正常、骨质减少和骨质疏松诊断的 T 分数预测曲线下面积分别为 0.89、0.70 和 0.84。这些结果表明，所提出的深度学习模型可能适用于通过预测胸部 X 光片的 BMD 和 T 分数来筛查骨质疏松症患者。
在日常临床实践中成功实施基于人工智能的胸部X光计算机辅助检测系统
因其成本低、扫描时间短、适应症广泛等优势，已成为一种诊断工具 [1]。在日常实践中，胸部 X 光片通常用于健康检查、术前风险评估、住院前的常规筛查以及对有症状的心肺疾病患者的评估 [2]。由于胸部 X 光片通常不包含明显的异常，但其分析需要仔细检查复杂的结构，因此读者忽视异常的风险很大 [1,3]。大量检查带来的繁重工作量给放射科医生带来了进一步的困难。因此，基于人工智能的计算机辅助诊断 (AI-CAD) 可以作为第二意见，提高放射科医生诊断的效率和准确性 [1,4,5]。此外，人工智能还可以在日常实践中帮助转诊临床医生进行胸部 X 光检查 [6,7]。当临床医生观察胸部X光片时，可能无法获得官方放射学报告。在这种情况下，使用X光片做出的医疗决定是基于转诊临床医生而不是放射科医生的解读，这种情况可能尤其发生在门诊或急诊室。根据经验水平，转诊临床医生有时可能对自己对胸部X光片的解释缺乏信心，并且可能无意中没有咨询肺病学或胸外科专家[8]。此外，他们可能会因为担心忽视患者的问题而要求进行不必要的CT扫描或后续影像检查。目前，对AI的期望越来越高，转诊临床医生意识到AI可能能够支持他们的决策过程[9,10]。许多
在临床环境中部署和验证用于检测异常胸部X光片的人工智能系统
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
放射科医生训练的 AI 模型，用于识别不理想的胸部
五种用于识别导致 CXR 不理想情况的不同原因的 AI 模型具有很高的灵敏度、特异性和准确性，可用于识别未包括的解剖结构、不当暴露、大量患者旋转、低肺容量以及遮挡肺部或纵隔可见性的上覆解剖结构造成的不理想情况。所有 5 种 AI 模型的性能在不同患者年龄组、性别和放射线投影中保持一致。使用来自我们内部多机构联盟的 CXR 数据，我们能够从端到端训练五个 AI 模型。这一过程包括数据识别、报告整理、参考数据标记标准，以便在 3278 个 CXR 子集上进行模型训练和测试，整个过程在不到 8 周的时间内没有任何数据科学家或工程师的帮助。同时，我们能够将训练数据集限制在三个站点，并在其余两个站点的 CXR 上建立“本地”通用性。
与高分辨率多层胸部X光片相比，人工智能对胸部X光片病理检测的价值
2. Bluemke DA、Moy L、Bredella MA、Ertl- Wagner BB、Fowler KJ、Goh VJ 等人。《评估人工智能放射学研究：作者、审稿人和读者的简要指南——来自放射学编辑委员会》。北美放射学会；2020 年。
人工智能软件对犬胸部X光片中确诊胸腔积液的检测准确性
图 1 人工智能模型正确分类为胸腔积液的 X 光片示例。A、右侧位（kVp 80，mAs 6.5）和 B、腹背位（kVp 90，mAs 6.5）X 光片投影，显示一只单侧有轻微胸腔积液征兆的狗。侧位投影（箭头）上肺部前腹侧有囊泡图案。游离液体在心脏腹侧积聚，增加了纵隔脂肪的 X 光不透明度（箭头）。这只狗在手术中被确认有左前肺叶扭转和胸腔积液
NBEM文凭 - 结核和胸部疾病
i。知识获取：在结核和胸部疾病文凭课程结束时，学生应该能够：证明了常见肺部疾病的合理知识，它们的临床表现，包括紧急情况和调查程序以确认其诊断。应获得有关呼吸疾病流行病学方面的全面知识。b。展示了用于治疗呼吸道疾病的各种治疗方式的全面知识。c。描述常用药物的作用方式，它们的剂量，副作用/毒性，适应症和障碍和相互作用。d。描述常用的管理模式，包括用于治疗各种疾病的医学和外科手术。e。管理常见的呼吸紧急情况，并了解呼吸道疾病患者重症监护的基本护理。f。在道德和刻苦地练习呼吸医学领域，表现出同理心，并对患者及其家人采用人道的方法。g。认识呼吸医学的国家优先事项，并在包括结核病在内的国家卫生计划的实施中发挥重要作用。h。应该灌输良好的阅读习惯并发展搜索医学文献并发展医学研究的基本概念的能力。II。 道德与交流： b。 c。学生应发展沟通技巧，以便能够与患者，亲戚，同龄人和护理人员互动以及有效的教学。II。道德与交流：b。c。学生应发展沟通技巧，以便能够与患者，亲戚，同龄人和护理人员互动以及有效的教学。学生应该能够充当团队的一部分，与同事建立合作的态度，并与患者，临床医生或其他同事互动，以提供最佳的诊断或意见。学生应始终采用道德原则，并在与患者，亲戚和其他健康人员打交道时保持适当的礼节，并尊重患者的权利，包括信息权和第二意见。
