全过程医疗质量管理是指医院对患者诊疗全流程的每个环节、每个处置都处于受控的状态,把影响医疗质量的可能性降到最低,以取得最佳的医疗效果。全过程医疗质量管理除了对终末质量(大约占质控点的20%)进行控制外,重点是对过程中质量(大...全过程医疗质量管理是指医院对患者诊疗全流程的每个环节、每个处置都处于受控的状态,把影响医疗质量的可能性降到最低,以取得最佳的医疗效果。全过程医疗质量管理除了对终末质量(大约占质控点的20%)进行控制外,重点是对过程中质量(大约占质控点的80%)进行控制。如何把全过程医疗质量管理与IT技术更好地结合起来,利用临床数据存储库(Clinical Data Repository,CDR)的建立来实现对医疗质量的实时管控,已成为当前医院信息化建设的主要任务。展开更多
减小HIV感染者体内病毒储存库的规模是实现HIV功能性治愈的基础。"Shock and kill"(赶尽杀绝)策略首先激活静息的病毒储存库,进而通过强化的联合抗逆转录病毒治疗或联合治疗性免疫以清除这些病毒储存库。HIV可在中枢神经系统...减小HIV感染者体内病毒储存库的规模是实现HIV功能性治愈的基础。"Shock and kill"(赶尽杀绝)策略首先激活静息的病毒储存库,进而通过强化的联合抗逆转录病毒治疗或联合治疗性免疫以清除这些病毒储存库。HIV可在中枢神经系统内的血管旁巨噬细胞、小胶质细胞和星状细胞形成潜伏感染,这些脑内病毒储存库也须要被清除。然而,中枢神经系统是隔离于外周其他部位的独立的HIV药理学避难所。不但如此,脑内潜伏感染的细胞也与体内主要的病毒储存库记忆性T细胞不同。由于大脑的独特环境,使得清除或减少这些脑内病毒储存库十分困难。本文将就目前对于中枢神经系统病毒储存库的认识加以介绍,对清除脑内储存库所面临的困难进行讨论,并对清除病毒储存库的潜在方法进行总结,为实现HIV功能性治愈提供一定的思路与方法。展开更多
现有的有监督可见光-近红外行人重识别方法需要大量人力资源去除手工标注数据,容易受到标注数据场景的限制,难以满足真实多变应用场景的泛化性。因此,文中提出基于语义伪标签和双重特征存储库的无监督跨模态行人重识别方法。首先,提出...现有的有监督可见光-近红外行人重识别方法需要大量人力资源去除手工标注数据,容易受到标注数据场景的限制,难以满足真实多变应用场景的泛化性。因此,文中提出基于语义伪标签和双重特征存储库的无监督跨模态行人重识别方法。首先,提出基于对比学习框架的预训练方法,利用可见光行人图像和其生成的辅助灰度图像进行训练。利用该预训练方法获取对颜色变化具有鲁棒性的语义特征提取网络。然后,使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类方法生成语义伪标签。相比现有的伪标签生成方法,文中提出的语义伪标签在生成过程中充分利用跨模态数据之间的结构信息,减少跨模态数据颜色变化带来的模态差异。此外,文中还构建实例级困难样本特征存储库和中心级聚类特征存储库,充分利用困难样本特征和聚类特征,让模型对噪声伪标签具有更强的鲁棒性。在SYSU-MM01、RegDB两个跨模态数据集上的实验验证文中方法的有效性。展开更多
文摘全过程医疗质量管理是指医院对患者诊疗全流程的每个环节、每个处置都处于受控的状态,把影响医疗质量的可能性降到最低,以取得最佳的医疗效果。全过程医疗质量管理除了对终末质量(大约占质控点的20%)进行控制外,重点是对过程中质量(大约占质控点的80%)进行控制。如何把全过程医疗质量管理与IT技术更好地结合起来,利用临床数据存储库(Clinical Data Repository,CDR)的建立来实现对医疗质量的实时管控,已成为当前医院信息化建设的主要任务。
文摘减小HIV感染者体内病毒储存库的规模是实现HIV功能性治愈的基础。"Shock and kill"(赶尽杀绝)策略首先激活静息的病毒储存库,进而通过强化的联合抗逆转录病毒治疗或联合治疗性免疫以清除这些病毒储存库。HIV可在中枢神经系统内的血管旁巨噬细胞、小胶质细胞和星状细胞形成潜伏感染,这些脑内病毒储存库也须要被清除。然而,中枢神经系统是隔离于外周其他部位的独立的HIV药理学避难所。不但如此,脑内潜伏感染的细胞也与体内主要的病毒储存库记忆性T细胞不同。由于大脑的独特环境,使得清除或减少这些脑内病毒储存库十分困难。本文将就目前对于中枢神经系统病毒储存库的认识加以介绍,对清除脑内储存库所面临的困难进行讨论,并对清除病毒储存库的潜在方法进行总结,为实现HIV功能性治愈提供一定的思路与方法。
文摘现有的有监督可见光-近红外行人重识别方法需要大量人力资源去除手工标注数据,容易受到标注数据场景的限制,难以满足真实多变应用场景的泛化性。因此,文中提出基于语义伪标签和双重特征存储库的无监督跨模态行人重识别方法。首先,提出基于对比学习框架的预训练方法,利用可见光行人图像和其生成的辅助灰度图像进行训练。利用该预训练方法获取对颜色变化具有鲁棒性的语义特征提取网络。然后,使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类方法生成语义伪标签。相比现有的伪标签生成方法,文中提出的语义伪标签在生成过程中充分利用跨模态数据之间的结构信息,减少跨模态数据颜色变化带来的模态差异。此外,文中还构建实例级困难样本特征存储库和中心级聚类特征存储库,充分利用困难样本特征和聚类特征,让模型对噪声伪标签具有更强的鲁棒性。在SYSU-MM01、RegDB两个跨模态数据集上的实验验证文中方法的有效性。
