XiaoMi-AI文件搜索系统
World File Search System预后
独立于分子特征的预后因素-IRIS
Raffone A.，Working A.，Raimondo D.，Neola D.，M.M.，Saint A.和Al。 （2022）。 淋巴结侵袭性侵入性癌：预后因素独立性强烈地分子签名。 165（1），192-197 [10.1016/j.ygyno.202.01.013]Raffone A.，Working A.，Raimondo D.，Neola D.，M.M.，Saint A.和Al。（2022）。淋巴结侵袭性侵入性癌：预后因素独立性强烈地分子签名。165（1），192-197 [10.1016/j.ygyno.202.01.013]
Vista+/CD8+状态与上皮卵巢癌的预后相关
1生物学，真菌学，病理学和生物标志物实验室（LR16ES05），突尼斯科学学院，突尼斯大学，突尼斯大学，突尼斯大学，突尼斯，2 precision医学/个性化医学/个性化医学/个性化医学和肿瘤学研究实验室（LR21SP01），TUNIS，TUNIS99，TUNIS99突尼斯，突尼斯大学，埃尔·马纳尔，突尼斯，突尼斯，4医学系，血液学 - 肿瘤学系，纽约，纽约，美国，美国，美国，生物分子，毒液和Theranotic应用程序5实验室（LR20IPT01）突尼斯，突尼斯大学7教职员工，突尼斯大学，埃尔·马纳尔，突尼斯，突尼斯，突尼斯，8生物化学实验室，拉拉伯塔医院，突尼斯，突尼斯，突尼斯，9，外科肿瘤学系，萨拉赫·阿齐兹研究所，突尼斯，突尼斯，突尼斯，突尼斯，突尼斯，突尼斯，10次，传播和免疫学的实验室 - LINIS INSTERION -LINIS INTERIS INTIST02 TUNIS 02，TUNIS 02，TINIS 02马纳尔（Manar
增强信任在保持有用的生活预后模型
摘要。准确估算工业系统中剩余的使用寿命（RUL）对于优化维护策略和规定资产寿命至关重要。数据驱动的RUL模型利用机器学习（ML）算法从操作数据中提取模式，从而在捕获复杂关系中进行例外。尽管RUL预后模型的进步发展，但机器学习算法的黑盒性质仍为工业用户带来挑战，阻碍了信任和采用。明显的人工智能（XAI）方法通过使复杂的模型透明和可解释来提供有希望的解决方案。本文着重于应用XAI方法来增强对RUL预后的机器学习模型的信任。我们强调对解释机制的定量评估，包括一致性和鲁棒性等指标。我们的研究有助于制定更可信赖和可靠的预测维护策略。我们评估了XAI方法的规定RUL模型，该模型应用于工业型数据的现实情况。我们的发现旨在为工业从业人员提供宝贵的见解，并指导他们选择RUL预后技术。
可解释的基于神经成像的痴呆诊断和预后的人工智能
*用于制备本文的数据是从阿尔茨海默氏病神经成像计划（ADNI）数据库（adni.loni.usc.edu）获得的。因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。可以在以下网址找到ADNI调查人员的完整列表：
基于集体人工智能的 AD 诊断和预后深度分级
摘要。准确诊断和预后阿尔茨海默病对于开发新疗法和降低相关成本至关重要。最近，随着卷积神经网络的进步，已经提出了使用结构 MRI 自动执行这两项任务的方法。然而，这些方法往往缺乏可解释性和泛化性，并且在性能方面受到限制。在本文中，我们提出了一种新颖的深度框架来克服这些限制。我们的框架由两个阶段组成。在第一阶段，我们提出了一个深度分级模型来提取有意义的特征。为了增强这些特征对领域转移的鲁棒性，我们引入了一种创新的集体人工智能策略来进行训练和评估步骤。在第二阶段，我们使用图卷积神经网络来更好地捕获 AD 特征。我们基于 2074 个受试者的实验表明，与最先进的方法相比，我们的深度框架在不同数据集上对 AD 诊断和预后都具有竞争力。
鉴定吸烟相关肺癌的预后生物标志物
肺癌是影响人类的最严重的恶性肿瘤之一。根据《最新世界癌症报告》 [2022]，肺癌在男性的发病率和死亡率中排名第一，在女性中的发病率和死亡率中排名第二（1,2）。基于形成肺癌的不同细胞类型，可以将其分为小细胞肺癌（SCLC）（约占病例的15％）和非小细胞肺癌（NSCLC）（约为病例的85％）。NSCLC可以进一步分为三种类型：肺腺癌（LUAD）（30-40％的病例），肺鳞状细胞癌（LUSC）（占病例的20-25％）和大细胞癌（LCC）（LCC）（LCC）（LCC）（15-20％）（15-20％）（15-20％）（3）（3）。由于早期肺癌通常缺乏明显的症状，因此在疾病进展过程中，大约40％的NSCLC患者被诊断为转移（4）。此外，对肺癌的早期诊断和有效的预后治疗方法仍受到限制，导致这些患者的5年生存率低于15％（5,6）。因此，进一步
C1ORF174在结直肠癌中的诊断和预后价值
摘要简介：结直肠癌（CRC）是致命的癌症之一，表明需要鉴定新的生物标志物以在早期阶段检测患者。RNA和microRNA测序，以鉴定差异表达的基因（DEG），然后在CRC患者中进行验证。方法：从631个样品中的全基因组RNA测序，包括398例患者和233例正常病例，从癌症基因组地图集（TCGA）中提取。使用deseq套件在R中鉴定了DEG。使用Kaplan -Meier分析评估生存分析以鉴定预后生物标志物。通过机器学习算法（例如深度学习，决策树和支持向量机）来确定预测性生物标志物。评估了生物学途径，蛋白质蛋白质相互作用（PPI），DEG的共表达以及DEG和临床数据之间的相关性。此外，使用Combioroc包装评估诊断标记。最后，CRC患者的实时PCR验证了候选TOPE评分基因。结果：生存分析揭示了五个新型的预后基因，包括KCNK13，C1ORF174，CLEC18A，SRRM5和GPR89A。39个上调，40个下调的基因和20个miRNA通过SVM检测到高精度和AUC。KRT20和FAM118A基因的上调以及LRAT和ProZ基因的下调在晚期阶段的系数最高。此外，我们的发现表明，三个miRNA（miR-19b-1，miR-326和miR-330）在晚期阶段上调。C1ORF174作为一种新基因。组合曲线分析表明，C1ORF174-AKAP4-DIRC1-SKIL-SCAN29A4的组合可以将其视为具有敏感性，特异性和AUC值0.90、0.94和0.92的诊断标记。结论：机器学习算法可用于识别与疾病发病机理有关的关键失调基因/miRNA，从而导致早期患者的检测。我们的数据还证明了C1ORF174在结直肠癌中的预后价值。
心脏结节病患者心房颤动的患病率和预后价值
1次血管生物学和医学系，国王多多大学医学院研究生院，2-1-1 Hongo，东京邦克约 - 库，东京113-8421，日本； 2日本川川市Kameda医疗中心心脏病学系； 3日本苏亚国家脑脑和心血管中心心血管医学系； 4日本哈马马村的Hamamatsu大学医学院内科III心脏病学系； 5日本苏亚大学医学院医学院心血管医学系； 6日本科比大学医学院内科医学系心血管医学系； 7日本名古屋伦纳大学医学院心脏病学系； 8日本高知的高知大学心脏病学和老年医学系； 9日本萨加米哈拉基塔萨托大学医学院心血管医学系； 10荷兰莱顿莱顿大学医学中心心脏病学系；和11日本医学研究与发展核心研究机构进化医学科学技术（AMED-CREST），日本东京医学研发机构，日本东京
基于机器学习的调查调查用于预测预后和
此预印本版的版权持有人于2023年8月29日发布。 https://doi.org/10.1101/2023.08.28.555146 doi：Biorxiv Preprint
