XiaoMi-AI文件搜索系统
World File Search System鉴别能力
全身动态成像和动力学建模
免疫疗法，尤其是检查点抑制剂，例如抗 - 程序性细胞死亡蛋白1（抗 - PD-1）抗体，通过增强免疫系统的capabil-靶向和杀死癌细胞，通过增强了癌症来进行转移癌症治疗。但是，预测免疫疗法反应仍然具有挑战性。18 F-阿拉伯糖基鸟嘌呤（[[18 F] F-arag）是一种靶向活化T细胞的分子成像示踪剂，可以通过非侵袭性定量来促进肿瘤微环境中免疫细胞活性的无创量化疗法的反应评估。这项研究的目的是获得[18 F] F-ARAG的总体药代动力学的初步数据，作为免疫反应评估的潜在定量生物标志物。方法：该研究由90分钟的4个健康受试者和1名非小细胞肺癌患者进行90分钟的总体动态扫描，这些患者在抗-PD-1免疫疗法之前和之后进行了扫描。使用Akaike信息标准模型选择的隔室建模用于分析各种器官中的示踪剂动力学。此外，分析了原发性肺肿瘤和4个纵隔淋巴结的7个子区域。进行了实用的鉴别能力分析，以评估动力学参数估计的可靠性。计算了SUV平均值，组织与血液SUV比（SUVR）和Logan Plot Slope（K Logan）的相关性，并计算了总分布量（V T），以识别动力学建模的潜在替代物。结论：我们的发现强调了[18 f] f-arag动态成像作为量化结果：k logan和suvr与v t之间观察到很强的相关性，这表明它们可以用作V t的有前途的替代物，尤其是在血液量低的器官中。此外，实用的识别能力分析表明，动态[18 f] f-arag PET扫描可能会缩短为60分钟，同时为所有感兴趣的器官保持定量准确性。研究表明，尽管[18 F] F-ARAG SUV图像可以提供有关免疫细胞分布，动力学建模或图形分析方法的见解，以便在治疗后准确定量免疫反应。尽管SUV平均值显示治疗后肿瘤的不同子区域的变化，但SUVR，K Logan和V t在所有分析的肿瘤的分析子区域均具有较高的实用性认同。
多部分量子态最优局部鉴别的界限
量子非局域性是多体量子系统的一个典型现象，它没有任何经典对应物。纠缠是最具代表性的非局域量子关联之一，它不能仅通过局域操作和经典通信（LOCC）来实现 1、2。众所周知，量子纠缠的非局域性质可用作许多量子信息处理任务的资源 3。量子非局域现象也可以出现在多体量子态鉴别中，这是量子通信中有效信息传输的重要过程。一般来说，正交量子态可以肯定地加以区分，而非正交量子态则无法做到这种区分。沿着这个思路，需要状态鉴别策略来至少以某个非零概率 4 – 7 鉴别非正交量子态。然而，当可用的测量仅限于 LOCC 测量 8 时，多体量子系统的某些正交态无法肯定地加以区分。由于在没有可能的测量限制时正交态总是能够被确定地区分，LOCC 测量的这种有限的鉴别能力揭示了量子态鉴别中固有的非局部现象。量子态鉴别的非局部现象也可能出现在鉴别多体量子系统的非正交态时；众所周知，某些非正交态不能仅使用 LOCC 9 – 11 进行最佳鉴别。因此，多体量子态 12 – 19 的最佳局部鉴别受到了广泛关注。然而，实现最佳局部鉴别仍然是一项具有挑战性的任务，因为很难对 LOCC 进行很好的数学表征。克服这一困难的一个有效方法是研究最佳局部鉴别的最大成功概率的可能上限。为了更好地理解最佳局部鉴别，建立实现这种上限的良好条件也很重要。最近，在二体量子态的局部最小误差鉴别中建立了最大成功概率的上限。此外，还给出了该上界饱和的必要充分条件20。在这里，我们考虑任意维数的多部分量子态之间的无歧义鉴别（UD）21 – 24，并为最佳局部鉴别的最大成功概率提供上限。此外，我们提供了实现该上界的必要充分条件。我们还建立了该上界饱和的必要充分条件。最后，我们使用多维多部分量子系统中的示例来说明我们的结果。本文组织如下。在“结果”部分，我们首先回顾多体量子系统中可分离算子和可分离测量的定义和一些性质。我们进一步回顾了UD的定义并提供了一些最优UD的有用性质（命题1）。作为本文的主要结果，我们给出了利用一类作用于多体希尔伯特空间的Hermitian算子实现最优局部鉴别的最大成功概率的上界（定理1）。此外，我们给出了Hermitian算子实现该上界的必要充分条件（定理2和推论1）。我们还建立了该上界饱和的必要充分条件（推论2）。我们通过多维多体量子系统中的例子说明了我们的结果（例子1和2）。在“方法”部分，我们提供了定理1的详细证明。在“讨论”部分，我们总结了我们的结果并讨论了与我们的成果相关的可能的未来工作。
使用 ai 对心血管风险进行机会性评估...
背景 心血管疾病的一级预防依赖于使用汇集队列方程 (PCE) 和 PREVENT 等评分进行准确的风险评估。然而，这些评分所需的输入变量通常在电子健康记录 (EHR) 中不可用，而常规收集的数据（例如非造影胸部 CT）中的信息可能会进一步提高性能。在这里，我们测试基于胸部 CT 心脏和主动脉结构特征的风险预测模型是否为现有的预测主要不良心血管事件 (MACE) 的临床算法增加了价值。方法我们开发了一个 LASSO 模型，使用描述国家肺部筛查试验中 13,437 个肺癌筛查胸部 CT 的心腔和主动脉分割的结构放射组学特征来预测 12 年随访中的致命 MACE。我们将这个放射组学模型与外部测试集中的 4,303 名在 Mass General Brigham 站点进行胸部 CT 检查并且没有糖尿病史、之前 MACE 或他汀类药物治疗的个体的 PCE 和 PREVENT 评分进行了比较。使用一致性指数评估了对事件性 MACE 的鉴别。我们使用二元阈值来确定 PCE/PREVENT 评分（≥7.5% 风险）或放射组学评分（≥5.0% 风险）符合他汀类药物使用条件或不符合条件的患者的 MACE 发生率。结果根据所有变量是否可用于计算 PCE 或 PREVENT 评分进行分层。结果在外部测试集中（n = 4,303；平均年龄 61.5 ± 9.3 岁；47.1% 为男性），8.0% 在平均 5.1 年的随访中发生过 MACE。放射组学风险评分显著提高了 PCE 以外的鉴别能力（c 指数 0.653 vs. 0.567，p < 0.001），并且在缺少输入的个体中表现类似。根据放射组学和 PCE 评分均符合他汀类药物治疗条件的患者，其 MACE 发生率比仅根据 PCE 评分符合条件的患者高 2.6 倍（PCE 合格个体中，每 1,000 人年发生 29.5 [20.5, 39.1] 起事件 vs. 11.2 [8.0, 14.4] 起事件）。在缺失输入的患者中，根据放射组学评分符合他汀类药物治疗条件的患者发生 MACE 的概率比不符合他汀类药物治疗条件的患者高 1.8 倍（每 1000 人年发生 29.5 [21.9, 37.6] 起事件 vs. 16.7 [14.3, 19.0] 起事件）。与 PREVENT 评分相比，也发现了类似的结果。左心室容积和短轴长度对心肌梗死的预测能力最强，而左心房球形度和表面积体积比对中风的预测能力最强。结论基于单张胸部 CT，基于心脏形状的风险预测模型能够预测超出临床算法的心血管事件，并且在缺少标准心血管风险计算器输入的患者中表现出类似的表现。根据放射组学评分，高风险患者可能受益于强化一级预防（例如他汀类药物处方）。