XiaoMi-AI文件搜索系统
World File Search System鉴别诊断
对比增强超声检查的定量分析在良性和恶性骨盆肿瘤的鉴别诊断中的临床价值
是女性最常见的十大癌症之一（1）。其中，卵巢癌被认为是“沉默的杀手”，因为大多数患者的症状很少或在晚期阶段被诊断出（III和IV）（2,3）。因此，早期发现，诊断和治疗对于总体上对这种疾病和妇女健康的管理至关重要。传统的超声检查和多普勒超声检查在检查较小的病变方面的用途有限，改善恶性肿瘤的早期诊断对于增强治疗的功效至关重要。对比增强的超声检查（CEU）已被广泛应用于肝脏，甲状腺，乳腺癌和肾脏疾病的诊断中，由于其高敏感性和特异性，其肿瘤的诊断价值一直被一致识别（4-7）。然而，到目前为止，只有少数研究对骨盆肿瘤的鉴别诊断进行了定性或定量分析。此外，良性和恶性病变中有定量指数的交叉，每个指数缺乏均匀的标准（8,9）。定性分析也容易受到相当大的主观和操作差异的影响，这限制了其临床应用（10）。在这项研究中，对鉴定良性和恶性骨盆肿瘤病变的多个指标进行了全面的定量分析。总体而言，这项研究的发现有可能提高CEU的诊断准确性，并可以作为肿瘤临床管理的更可靠的参考。我们按照明星报告清单介绍本文（可在https：// qims。amegroups.com/article/view/10.21037/qims-23-582/rc）。
使用可解释的 MRI 机器学习算法 MUQUBIA 对神经退行性痴呆症进行鉴别诊断
基于生物标志物对最常见痴呆症形式的鉴别诊断变得越来越重要。机器学习 (ML) 可能能够应对这一挑战。本研究的目的是开发和解释一种 ML 算法，该算法能够根据社会人口统计学、临床和磁共振成像 (MRI) 变量区分阿尔茨海默氏痴呆、额颞叶痴呆、路易体痴呆和认知正常对照受试者。包括来自 5 个数据库的 506 名受试者。使用 FreeSurfer、LPA 和 TRACULA 处理 MRI 图像以获得脑体积和厚度、白质病变和扩散指标。MRI 指标与临床和人口统计数据结合使用，以基于称为 MUQUBIA（脑白质生物标记物多模态量化）的支持向量机模型进行鉴别诊断。年龄、性别、临床痴呆评分 (CDR) 痴呆分期工具和 19 个成像特征构成了最佳的判别特征集。该预测模型在测试组中的总体曲线下面积为 98%，总体精度 (88%)、召回率 (88%) 和 F1 分数 (88%) 较高，在神经病理学评估患者子集中的标签排名平均精度得分 (0.95) 较高。MUQUBIA 的结果通过 SHapley Additive exPlanations (SHAP) 方法进行解释。MUQUBIA 算法使用具有成本效益的临床和 MRI 信息成功地对各种痴呆症进行了良好的分类，并且通过独立验证，有可能协助医生进行临床诊断。
基于 MRI 的阿尔茨海默病和额颞叶痴呆的深度分级鉴别诊断
阿尔茨海默病和额颞叶痴呆是神经退行性痴呆的常见形式。这两种疾病的临床病程中都存在行为改变和认知障碍，它们的鉴别诊断有时会给医生带来挑战。因此，专门用于这一诊断挑战的精确工具在临床实践中很有价值。然而，目前的结构成像方法主要侧重于每种疾病的检测，而很少侧重于它们的鉴别诊断。在本文中，我们提出了一种基于深度学习的疾病检测和鉴别诊断方法。我们建议在此应用中使用两种类型的生物标志物：结构分级和结构萎缩。首先，我们建议训练大量 3D U-Nets，以使用结构 MRI 作为输入，在本地确定健康人、阿尔茨海默病患者和额颞叶痴呆患者的解剖模式。该集合的输出是 2 通道疾病坐标图，可以将其转换为临床医生易于解释的 3D 分级图。该双通道疾病坐标图与多层感知器分类器相结合，用于不同的分类任务。其次，我们建议将我们的深度学习框架与基于体积的传统机器学习策略相结合，以提高模型的判别能力和稳健性。经过交叉验证和外部验证，我们基于 3319 个 MRI 的实验表明，与最先进的疾病检测和鉴别诊断方法相比，我们的方法产生了具有竞争力的结果。
定量能谱CT在产生醛固酮腺瘤和生产皮质醇的腺瘤的鉴别诊断中
APA和CPA的策略是不同的。在手术治疗方面，CPA是患病一侧的肾小球切除术，而APA在患病方面是完全肾上腺切除术，因此需要准确的鉴别诊断来指导临床治疗计划（2）。 但是，患有APA或CPA的患者显示出一些相似的临床症状和大量的常规成像表现重叠，这使分化很难。 尽管肾上腺静脉抽样（AVS）的经皮插管是APA诊断的“黄金标准”，但该程序的难度，成本和侵入性限制了其在临床实践中的广泛使用。 在传统的成像检查中，评估主要基于肿瘤的大小，密度，边界和增强度，帮助放射学家和临床医生区分肾上腺肿块是肾上腺瘤还是非腺瘤。 其他将ACA功能作为APA或CPA的功能进一步区分（3）。 作为成像技术，双能计算机断层扫描（DECT）或称为Spectrum CT具有为组织内部各种材料提供多种定量信息（4）的优点，以阐明良性和恶性肿瘤（5,6）。 DECT可以通过覆盖更广泛的能量参数来直接准确地反映病变中的血液供应和血管生成状态，从而提供更丰富的定性和定量诊断信息。 到目前为止，据我们所知，使用这种成像模式将APA与CPA区分开的几乎没有相关的报告。 COM/ARTICE/VIEW/10.21037/QIMS-22-1279/RC）。在手术治疗方面，CPA是患病一侧的肾小球切除术，而APA在患病方面是完全肾上腺切除术，因此需要准确的鉴别诊断来指导临床治疗计划（2）。但是，患有APA或CPA的患者显示出一些相似的临床症状和大量的常规成像表现重叠，这使分化很难。尽管肾上腺静脉抽样（AVS）的经皮插管是APA诊断的“黄金标准”，但该程序的难度，成本和侵入性限制了其在临床实践中的广泛使用。在传统的成像检查中，评估主要基于肿瘤的大小，密度，边界和增强度，帮助放射学家和临床医生区分肾上腺肿块是肾上腺瘤还是非腺瘤。其他将ACA功能作为APA或CPA的功能进一步区分（3）。作为成像技术，双能计算机断层扫描（DECT）或称为Spectrum CT具有为组织内部各种材料提供多种定量信息（4）的优点，以阐明良性和恶性肿瘤（5,6）。DECT可以通过覆盖更广泛的能量参数来直接准确地反映病变中的血液供应和血管生成状态，从而提供更丰富的定性和定量诊断信息。到目前为止，据我们所知，使用这种成像模式将APA与CPA区分开的几乎没有相关的报告。COM/ARTICE/VIEW/10.21037/QIMS-22-1279/RC）。我们研究的目的是探索APA和CPA之间能量谱参数的差异，筛选有意义的能量谱指标，并为两者的鉴别诊断提供了理论基础。我们按照明星报告清单介绍本文（可在https：//qims.amegroups。
在评估左心室，左心室和主动脉结构以及在男性阿拉伯人和黑色儿科运动员中的左心室结构和功能时，有助于从心脏病理中对生理重塑进行鉴别诊断的新工具
这是一篇文章的PDF文件，该文件在接受后经历了增强功能，例如添加了封面和元数据，并为可读性而格式化，但尚未确定记录的确定版本。此版本将在以最终形式发布之前进行其他复制，排版和审查，但是我们正在提供此版本以赋予本文的早期可见性。请注意，在生产过程中，可能会发现可能影响内容的错误，以及适用于期刊的所有法律免责声明。
用Rho相关激酶抑制剂的短期治疗可在体外保留角质形成细胞干细胞特征 21世纪的癫痫 审查和选择用于EV应用的锂离子电池的回收技术 - 生命周期视角 出生时胎龄严重的先天性心脏缺陷儿童生存的趋势：一项基于人群的研究，使用英格兰的行政医院数据 细菌发病机理和粘膜免疫在慢性尿路感染中的临床意义 在评估左心室，左心室和主动脉结构以及在男性阿拉伯人和黑色儿科运动员中的左心室结构和功能时，有助于从心脏病理中对生理重塑进行鉴别诊断的新工具 儿童局限性皮质醇斜率与婴儿虐待为婴儿之间的关系
1感染，免疫和炎症研究与教学部，UCL大奥蒙德街儿童健康研究所，伦敦吉尔福德街30号，英国吉尔福德街30英国3JH，4光学显微镜核心设施，UCL大奥蒙德街儿童健康研究所，伦敦吉尔福德街30号，伦敦WC1N 1EH，英国5 UCL基因组学，Zayed基因组学中心，儿童研究中心，吉尔福德街20号，英国伦敦WC1N 1DZ吉尔福德街20号。电话。： +44-（0）207905-2369;传真： +44-（0）207905-2882†这些作者共享第一个作者身份。‡这些作者分享了高级作者身份。§当前地址：UCL Great Ormond Street儿童健康研究所，分子和细胞免疫学的感染，免疫和炎症研究与教学部，英国伦敦WC1N 1EH吉尔福德街30号。
OHA 7549a 鉴别诊断和双相情感障碍
您可以获取其他语言、大号字体、盲文或您喜欢的格式的本文件。联系 Amanda Parish，电话：503-383-8142，或发送电子邮件至 amanda.b.parish@dhsoha.state.or.us。我们接受所有中继电话，或者您可以拨打 711。健康政策与分析 交付系统创新办公室 500 Summer St NE Salem, OR 97301 OHA 7549a (03/2020)
人工智能应用于胸部X光检查以鉴别诊断新冠肺炎
1 意大利帕维亚 27100 大学高等研究院 IUSS 大学学院科学、技术和社会系； salvatore@deeptracetech.com 2 DeepTrace Technologies SRL，地址：Conservatorio 17，20122 米兰，意大利； interlenghi@deeptracetech.com （MI）; polidori@deeptracetech.com (AP) 3 米兰大学健康生物医学科学系，Via Mangiagalli 31, 20133 米兰，意大利； caterina.monti@unimi.it（CBM）; davide.capra@unimi.it （华盛顿特区）; andrea.cozzi1@unimi.it （交流）; francesco.sardanelli@unimi.it (FS) 4 意大利蒙扎—圣赫拉尔多医院放射科，Via Pergolesi 33，20900 蒙扎，意大利； davide.ippolito@unimib.it （DI）; d.gandola1@campus.unimib.it （DG）5 放射科，IRCCS Policlinico San Donato，Via Morandi 30，20097 San Donato Milanese，意大利； schiaffino.simone@gmail.com 6 诊断成像和立体定向放射外科部，CDI Centro Diagnostico Italiano SpA，Via Saint Bon 20, 20147 Milan，意大利； marco.ali@cdi.it 7 米兰比可卡大学物理系，Piazza della Scienza 3, 20126 米兰，意大利 8 国家研究委员会生物医学成像和生理学研究所，Via Fratelli Cervi 93, 20090 Segrate，意大利 9 米兰比可卡大学医学和外科学院，Piazza dell'Ateneo Nuovo 1, 20126 米兰，意大利； cristina.messa@unimib.it 10 米兰比可卡大学 Tecnomed 基金会，Palazzina Ciclotrone—Via Pergolesi 33，20900 蒙扎，意大利 * 通讯地址：isabella.castiglioni@unimib.it † C. Salvatore、M. Interlenghi 和 CB Monti 对本文贡献相同。
人工智能驱动的鉴别诊断列表对诊断准确性的影响医生：一项开放标签随机对照研究
摘要：背景：展示了人工智能（AI）驱动的自动病史采集系统与人工智能驱动的鉴别诊断列表对医生诊断准确性的有效性。然而，考虑到人工智能驱动的鉴别诊断列表的负面影响，例如遗漏（医生拒绝人工智能建议的正确诊断）和犯错（医生接受人工智能建议的错误诊断），应评估不带人工智能驱动的鉴别诊断列表的人工智能驱动的自动病史采集系统对医生诊断准确性的有效性。目的：本研究旨在评估带或不带人工智能驱动的鉴别诊断列表的人工智能驱动的自动病史采集系统对医生诊断准确性的有效性。方法：这项随机对照研究于 2021 年 1 月进行，纳入了 22 名在大学医院工作的医生。参与者需要阅读 16 个临床案例，其中 AI 驱动的真实患者病史为每个病例生成最多三个鉴别诊断。参与者被分为两组：有和没有 AI 驱动的鉴别诊断列表。结果：两组的诊断准确率没有显著差异（分别为 57.4% 和 56.3%；p = 0.91）。在 AI 生成的列表中包含正确诊断的案例对医生的诊断准确性显示出最大的积极影响（调整后的优势比 7.68；95% CI 4.68–12.58；p < 0.001）。在使用 AI 驱动的鉴别诊断列表的组中，15.9% 的诊断是遗漏错误，14.8% 是犯错错误。结论：医生使用人工智能驱动的自动化病史的诊断准确性在有和没有人工智能驱动的鉴别诊断列表的组之间没有差异。
使用多尺度多类型特征生成对抗性深度神经网络对结构磁共振图像进行额颞叶痴呆、阿尔茨海默病和正常衰老的鉴别诊断
作为第一大和第三大常见的痴呆症，阿尔茨海默病（AD） ( Association et al., 2011 ) 和额颞叶痴呆（FTD） ( Bang et al., 2015 ) 经常被误认为是彼此。这是由于它们在临床表现、认知领域障碍、脑萎缩以及语言能力、行为和人格的进行性改变方面具有相似性（ Neary et al., 2005; Alladi et al., 2007; Womack et al., 2011 ）。尽管在建立完善的临床鉴别诊断指南方面付出了巨大努力，但诊断的准确性仍然不令人满意。具体而言，当使用 NINCDS-ADRDA 标准（ Neary et al., 1998 ）进行诊断时，区分 AD 患者和 FTD 患者的灵敏度可高达 93%；然而，由于大多数 FTD 患者也符合 NINCDS-ADRDA 的 AD 标准（Varma 等人，1999 年），因此 FTD 识别的特异性仅为 23%。由于临床实践中需要对不同痴呆亚型应用不同的对症干预治疗（Pasquier，2005 年），因此开发计算机辅助诊断系统以提高这两种痴呆症鉴别诊断的准确性至关重要。在 T1 加权磁共振成像 (MRI) 中观察到的脑萎缩模式已成功用于捕捉人脑的结构变化（Du 等人，2007 年；Davatzikos 等人，2011 年），特别是用于开发可以识别大脑痴呆病理类型的计算系统。已针对 AD 和 FTD 建立了带有 MRI 的计算机辅助诊断系统（Suk 等人，2014 年；Jiskoot 等人，2018 年）。除了与正常衰老进行二元分类外，T1 加权 MRI 还用于 AD 和 FTD 的鉴别诊断，通过区分这两种痴呆症的萎缩模式（例如受影响的区域和变化率）来进行鉴别诊断（Raamana 等人，2014 年）。人们探索了各种结构生物标志物来区分 AD 和 FTD，例如灰质 (GM) 体积减少（Rabinovici 等人，2008 年）、皮质变薄（Du 等人，2007 年）、基于整个大脑 GM 和白质 (WM) 体积分布的高维特征（Davatzikos 等人，2008 年），以及单个结构的萎缩和形状畸形（Looi 等人，2010 年）。之前大多数关于痴呆分类的计算机辅助诊断系统的研究都侧重于二元分类任务，例如 NC vs. FTD、NC vs. AD 或 FTD vs. AD，文献中很少有直接的多类痴呆分类方法。Raamana 等人比较了多种结构特征，例如体积、拉普拉斯不变量和表面位移