Со и446: Электросчётчик СО-И446 – технический паспорт счетчика

• Убедитесь, что это подходит введя номер вашей модели.
• Гарантия один год. Мы проверяем каждый товар и на 100% гарантируем, что перед отправкой, если есть какие-либо недовольства, пожалуйста, свяжитесь с нами. Профессиональное изготовление, высокая точность, долговечность. Мы являемся фабрикой, специализирующейся на автозапчастях, прямых продажах, оптовых продажах.Если у вас есть какие-либо вопросы, вы можете задать нам.Мы ответим на ваше сообщение в течение 3-8 часов.Наши продукты также будут тщательно проверены перед отправкой, чтобы убедиться нет проблем перед отправкой.
• Гарантия один год.Мы проверяем каждый товар и на 100% гарантируем, что перед отправкой, если есть какие-либо недовольства, пожалуйста, свяжитесь с нами. Профессиональное изготовление, высокая точность, долговечность. Мы являемся фабрикой, специализирующейся на автозапчастях, прямых продажах, оптовых продажах.Если у вас есть какие-либо вопросы, вы можете задать нам.Мы ответим на ваше сообщение в течение 3-8 часов.Наши продукты также будут тщательно проверены перед отправкой, чтобы убедиться нет проблем перед отправкой.
• Гарантия один год. Мы проверяем каждый товар и на 100% гарантируем, что перед отправкой, если есть какие-либо недовольства, пожалуйста, свяжитесь с нами.Профессиональное изготовление, высокая точность, долговечность. Мы являемся фабрикой, специализирующейся на автозапчастях, прямых продажах, оптовых продажах.Если у вас есть какие-либо вопросы, вы можете задать нам.Мы ответим на ваше сообщение в течение 3-8 часов.Наши продукты также будут тщательно проверены перед отправкой, чтобы убедиться нет проблем перед отправкой.
• Гарантия один год. Мы проверяем каждый товар и на 100% гарантируем, что перед отправкой, если есть какие-либо недовольства, пожалуйста, свяжитесь с нами. Профессиональное изготовление, высокая точность, долговечность.Мы являемся фабрикой, специализирующейся на автозапчастях, прямых продажах, оптовых продажах.Если у вас есть какие-либо вопросы, вы можете задать нам.Мы ответим на ваше сообщение в течение 3-8 часов.Наши продукты также будут тщательно проверены перед отправкой, чтобы убедиться нет проблем перед отправкой.
• Примечание: – совпадение спецификаций OEM для обеспечения идеальной подгонки к соответствующим деталям – аттестация материалов для длительного и надежного использования – многопрофильные испытания, такие как прочность корпуса балансира, ограничение нагрузки на колесо, уплотнение и т. Д.переносятся для повышения качества каждого устройства – Пожалуйста, подтвердите, что ваш старый номер детали совпадает с одним из номеров деталей выше – Настоятельно рекомендуется профессиональная установка (в комплект не входит инструкция) – по любым вопросам, пожалуйста, свяжитесь с нами
• Срок поставки: посылки обычно прибывают через 5-10 рабочих дней после отправки. Срочные товары можно отправить в DHL и получить в течение 3-5 рабочих дней. Мы можем отправить товар в любую страну, если вы оплатите соответствующий фрахт.

Характеристики данного продукта

Глубокое обучение с мультимодальным представлением для прогнозирования прогноза рака | Биоинформатика

Абстрактные

Мотивация

Оценка будущего течения больных раком неоценима для врачей; однако современные клинические методы не позволяют эффективно использовать огромное количество мультимодальных данных, доступных для онкологических больных. Чтобы решить эту проблему, мы построили мультимодальную модель на основе нейронной сети для прогнозирования выживаемости пациентов для 20 различных типов рака с использованием клинических данных, данных экспрессии мРНК, данных экспрессии микроРНК и полных изображений слайдов (WSI) гистопатологии. Мы разработали неконтролируемый кодировщик для сжатия этих четырех модальностей данных в единый вектор признаков для каждого пациента, обрабатывая недостающие данные с помощью гибкого, мультимодального метода исключения. Методы кодирования были адаптированы к каждому типу данных – с использованием глубоких магистральных сетей для извлечения функций из клинических и геномных данных и сверточных нейронных сетей для извлечения функций из WSI.

Результаты

Мы использовали данные о панкреатите для обучения этим кодировкам признаков и прогнозирования общей выживаемости при единичном раке и панкреатите, достигнув в целом C-индекса 0,78. Эта работа показывает, что можно построить модель прогноза рака, которая также предсказывает прогноз в отдельных очагах рака. Кроме того, наша модель обрабатывает несколько модальностей данных, эффективно анализирует WSI и гибко представляет мультимодальные данные пациентов в неконтролируемом информативном представлении. Таким образом, мы представляем мощный автоматизированный инструмент для точного определения прогноза, что является ключевым шагом на пути к индивидуальному лечению онкологических больных.

1 Введение

Оценка прогрессирования опухоли или прогнозирование могут существенно помочь врачам в принятии решений об уходе и лечении онкологических больных. Чтобы определить прогноз для этих пациентов, врачи могут использовать несколько типов данных, включая клинические данные, геномное профилирование, гистологические изображения слайдов и рентгенографические изображения, в зависимости от участка ткани. Тем не менее, многомерный характер некоторых из этих модальностей данных затрудняет для врачей интерпретацию этих мультимодальных биомедицинских данных вручную для определения лечения и оценки прогноза (Gevaert et al. , 2006, 2008). Далее, наличие неоднородности между пациентами гарантирует, что индивидуальная характеристика опухолей имеет важное значение для улучшения процесса лечения (Alizadeh et al. , 2015). Предыдущие исследования показали, как молекулярные сигнатуры, такие как паттерны экспрессии генов, могут быть получены с помощью машинного обучения и позволяют прогнозировать результаты лечения и прогноз. Аналогичным образом, недавняя работа показала, что количественный анализ изображений гистопатологии с использованием алгоритмов компьютерного зрения может предоставить дополнительную информацию помимо того, что может быть обнаружено патологами (Madabhushi and Lee, 2016).Таким образом, автоматизированные системы машинного обучения, которые могут различать закономерности среди многомерных данных, могут быть ключом к более точной оценке агрессивности заболевания и исходов для пациентов. Другое значение неоднородности между пациентами заключается в том, что опухоли разных типов рака могут иметь общие общие черты. Таким образом, панкологический анализ крупномасштабных данных по широкому спектру видов рака может улучшить моделирование заболеваний, используя эти сходства панкологических заболеваний. Многоинституциональные проекты, такие как Атлас генома рака (TCGA) (Campbell et al., 2018; Мальта et al. , 2018; Weinstein et al. , 2013), в котором собраны стандартизованные клинические, многомерные данные и данные визуализации для широкого спектра видов рака, что имеет решающее значение для моделирования такого рода рака.

Однако автоматическое прогнозирование прогнозов остается сложной задачей, в основном из-за неоднородности и большой размерности имеющихся данных. Например, каждый пациент в базе данных TCGA имеет тысячи геномных характеристик (например, микроРНК или мРНК) и полные гистопатологические изображения слайдов с высоким разрешением (WSI).Тем не менее, согласно предыдущей работе, только часть характеристик геномного изображения имеет значение для прогнозирования прогноза. Таким образом, для успешной разработки мультимодальной модели прогнозирования прогнозов требуется подход, который может эффективно работать с клиническими, геномными и визуальными данными, по сути, мультимодальными данными. Здесь мы решаем эту сложную проблему, разрабатывая архитектуру глубокого обучения pancancer, используя методы неконтролируемого и репрезентативного обучения, а также разрабатывая архитектуру обучения, которая в полной мере использует крупномасштабные геномные данные и данные изображений.Основная цель этого вклада – использовать огромный объем доступных данных TCGA для разработки надежного представления характеристик опухоли, которое можно использовать для кластеризации и сравнения пациентов по множеству различных показателей. Используя методы неконтролируемого представления, мы разрабатываем модели выживаемости больных раком для онкологических больных, используя мультимодальные данные, включая клинические, геномные данные и данные WSI.

2 Фон

Прогнозирование прогноза можно сформулировать как проблему анализа выживания с цензурой (Cox, 2018; Luck et al. , 2017), предсказывая, когда и когда произойдет событие (например, смерть пациента) в течение заданного периода времени. Учитывая уникальное статистическое распределение времени выживания, они канонически параметризованы с использованием «функции риска», например, в стандартной регрессии Кокса.

В последние годы было предпринято множество попыток прогнозирования прогноза рака с использованием геномных данных. Например, Zhang et al. (2017) использовали расширенную регрессию Кокса для данных экспрессии гена TCGA, чтобы получить C-индекс, равный 0.725 в прогнозировании глиобластомы. Данные микроРНК, в частности, показали высокую актуальность в качестве меры для моделирования и прогноза заболеваний (Calin and Croce, 2006; Cheerla and Gevaert, 2017; Esquela-Kerscher and Slack, 2006; Liu et al. , 2017), с Кристинат и Krek (2015), достигнув C-индекса 0,77 на подмножестве данных о раке почек с использованием случайных лесных классификаторов. Однако, несмотря на высокую производительность моделей машинного обучения, основанных только на молекулярных данных, все еще есть возможности для улучшения; в конце концов, окружающая среда опухоли представляет собой сложную, быстро развивающуюся среду, которую трудно охарактеризовать только с помощью молекулярного профилирования (Alizadeh et al. , 2015; de Bruin et al. , 2013; Lovly et al. , 2016).

Недавно было показано, что использование данных WSI улучшает производительность и универсальность прогнозов. Поскольку WSI представляют собой изображения клеточной архитектуры и окружающей среды с высоким разрешением и потенциально только часть слайда, имеющая отношение к прогнозированию прогноза, большая часть литературы посвящена гибридным подходам, включающим аннотацию патологом областей интереса (ROI). Например, Wang et al. (2014) соответствуют характеристикам геномных моделей за счет использования 500 × 500 пикселей, выбранных врачом областей интереса и созданных вручную слайдов для прогнозирования прогноза. В последнее время глубокое обучение значительно повысило предсказательную силу. Например, Yao et al. (2016) могут значительно превзойти все методы, основанные на молекулярном профилировании, на двух наборах данных о раке легких, используя только выбранные врачом области интереса и сверточные нейронные сети (CNN). В других отчетах, включая Beck et al. (2011) и Bejnordi et al. (2017), показывая, что данные гистопатологического изображения содержат важную прогностическую информацию, которая дополняет молекулярные данные. Тем не менее, мультимодальные модели прогнозов все еще малоизучены (Momeni et al. , 2018a). Насколько нам известно, только в одной статье исследуется объединение геномных данных и данных изображений для прогноза, показывающих, что геномная модель рака легких (C-индекс 0,660) и модель на основе WSI с вручную аннотированными ROI (C-индекс 0,613) могут быть объединены для получения последний классификатор с C-индексом 0.691 (Чжу и др. , 2016).

Более того, описанные выше методы на основе WSI требуют, чтобы патолог вручную аннотировал области интереса, что является утомительной задачей. Возможно, самая сложная часть автоматизированного мультимодального прогнозирования – это автоматический поиск клинически значимых ROI. В смежной области классификации опухолей на основе WSI модель «слияния решений», которая случайным образом выбирает участки и объединяет их в гауссовскую смесь, дала точные прогнозы (Hou et al. , 2016).Более того, более поздняя работа была сосредоточена на использовании механизмов внимания, чтобы узнать, какие исправления важны (Momeni et al. , 2018b). Однако в прогнозировании истинно автоматизированные системы на основе WSI имели ограниченный успех. В одном отчете используется подход на основе слайдов, основанный на обучении без учителя – Zhu et al. В недавней статье (2017) используется кластеризация К-средних для характеристики и адаптивного отбора проб участков на изображениях слайдов, достигая 0,708 С-индекса по данным о раке легких, что почти соперничает с подходами с геномными данными.

Предыдущие исследования были сосредоточены в основном на наборах данных по одному раку, при этом упускалась возможность изучить общие черты и взаимосвязи между опухолями в разных тканях. И хотя в предыдущих статьях исследуются как геномные подходы, так и подходы, основанные на визуализации, было разработано несколько моделей, которые объединяют оба метода данных. Используя мультимодальные данные, а также разрабатывая более эффективные методы для автоматизации оценки WSI и извлечения полезной информации из слайдов, у нас есть потенциал для улучшения современного состояния.

В последние годы CNN использовались для значительного улучшения задач машинного обучения (LeCun et al. , 2015), включая оценку пропущенных значений в геномных данных (Qiu et al. , 2018) и прогнозирование прогностических факторов на основе WSI (Момени и др. , 2018b). Ключевым компонентом успеха CNN является их способность работать с неструктурированными данными большой размерности, в частности с данными изображений (Wang et al. , 2017). Например, CNN могут точно классифицировать сцены по изображениям, изучая набор гибких иерархических функций (Zhou et al., 2014). Даже если большинство входных пикселей полностью «выпадают» для некоторых выборок, эту модель все равно можно обучить точному прогнозированию и справиться с неопределенностью (Wager et al. , 2013).

Задача прогнозирования прогнозов более неструктурирована, чем традиционные задачи глубокого обучения; вместо классификации по относительно небольшим изображениям (например, 224 × 224 для ImageNet) мы должны прогнозировать время выживания на основе комбинации клинических, геномных и WSI изображений с гораздо более высоким разрешением.Кроме того, пациенты охватывают широкий спектр типов рака и часто не имеют визуализационных, клинических или геномных данных, что затрудняет применение стандартных CNN. Обучение без учителя показало большие перспективы (Fan et al. , 2018). Изучая неконтролируемые корреляции между функциями визуализации и геномными особенностями, можно преодолеть нехватку меток данных. Точно так же методы обучения представлению могут позволить нам использовать сходства и отношения между модальностями данных (Kaiser et al., 2017). В прогнозировании прогноза очень важно, чтобы модель отображала одинаковых пациентов в одно и то же абстрактное представление таким образом, чтобы не зависеть от модальности и доступности данных. Мы предлагаем использовать обучение без учителя и репрезентативное обучение для решения многих проблем, затрудняющих прогнозирование прогнозов с использованием мультимодальных данных.

3 Материалы и методы

3.1 Наборы данных и инструменты

Нашим основным источником данных являются предварительно обработанные и скорректированные данные из проекта PanCanAtlas TCGA (Campbell et al., 2018; Мальта et al. , 2018; Weinstein et al. , 2013). Этот набор данных содержит данные для 1881 микроРНК, данные экспрессии генов для 60 383 генов, широкий спектр клинических данных, из которых мы использовали переменные расы, возраста, пола и гистологического уровня, а также данные WSI для более чем 11 000 пациентов. Таблица 1 описывает распределение данных более подробно. Многие пациенты не имеют всех доступных данных, а это означает, что нужны классификаторы и архитектуры, которые могут обрабатывать недостающие данные. У каждого пациента фиксируется время смерти, которое подвергается цензуре справа максимум до 11 000 дней после постановки диагноза на всех участках рака. 20 видов рака, которые мы исследуем, имеют существенно разные паттерны выживания, как видно на рисунке 1. Мы полагаемся на пакет Python openslide для эффективного чтения и анализа WSI и среду PyTorch для создания моделей нейронных сетей. Для обучения наших моделей мы используем графический процессор NVIDIA ™ GTX 1070.

Распределение данных TCGA, включая отсутствующие данные

Тип данных .	Кол-во ящиков .	Количество пропавших без вести .	Отсутствует процент (%) .
Данные экспрессии генов	10 198	962	8,62
Данные экспрессии MicroRNA	10 125	1035	9,27
Данные слайдов WSI	10914	246	2,2
Клинические данные	7512	3648	32. 69
Целевые данные выживания (время смерти)	11121	39	0,35
Пациенты с полными данными	6404	4756	42,62

Тип данных .	Кол-во ящиков .	Количество пропавших без вести .	Отсутствует процент (%) .
Данные по экспрессии генов	10198	962	8.62
Данные экспрессии MicroRNA	10125	1035	9,27
Данные слайдов WSI	10914	246	2,2
Клинические данные	7512	3648	32,69
Целевые данные выживания (время смерти)	11121	39	0,35
Пациенты с полными данными	6404	4756	42. 62

Распределение данных TCGA, включая отсутствующие данные

Тип данных .	Кол-во ящиков .	Количество пропавших без вести .	Отсутствует процент (%) .
Данные экспрессии генов	10 198	962	8,62
Данные экспрессии MicroRNA	10 125	1035	9,27
Данные слайдов WSI	10914	246	2,2
Клинические данные	7512	3648	32.69
Целевые данные выживания (время смерти)	11121	39	0,35
Пациенты с полными данными	6404	4756	42,62

Рис. 1.

Кривые выживаемости Каплана – Мейера для всех участков рака в TCGA, демонстрирующие, что общая выживаемость зависит от ткани. Первый график содержит 10 видов рака с наивысшей средней общей выживаемостью, второй график содержит 10 видов рака с самым низким средним показателем общей выживаемости

Рис. 1.

Кривые выживаемости Каплана – Мейера для всех участков рака в TCGA, демонстрирующие, что общая выживаемость зависит от ткани. Первый график содержит 10 видов рака с наивысшей средней общей выживаемостью, второй график содержит 10 видов рака с самым низким средним значением общей выживаемости

Набор данных TCGA из 11 160 пациентов был разделен на наборы данных для обучения и тестирования в соотношении 85/15, стратифицируя по типу рака, чтобы обеспечить одинаковое распределение раковых заболеваний как в тренировочной, так и в тестовой выборке.

3.2 Глубокое обучение репрезентации без учителя

Чтобы обучить модель панканака прогнозированию прогноза, мы сначала пытаемся сжать несколько модальностей данных в один вектор признаков, представляющий пациента. Предыдущая работа выявила значительные взаимные корреляции между различными типами данных (например, экспрессия генов, клинические данные, данные микроРНК и изображения) (Gevaert et al. , 2012; Momeni et al. , 2018a), и изучение этих отношений в неконтролируемая мода может значительно улучшить процесс прогнозирования прогнозов.Таким образом, мы используем структуру обучения представлению, чтобы руководить нашим подходом. Хотя такие подходы, как автоэнкодеры с разделенным мозгом, вызывают конвергенцию между различными мультимодальными представлениями функций, они полагаются на ошибку реконструкции, которая может быть не лучшим выбором для разнородных источников данных. Вместо этого мы полагаемся на метод, вдохновленный Chopra et al. (2005 г.), в котором два разных представления объектов передаются через сиамскую сеть для создания представлений объектов. Для видов с одного и того же объекта косинусное сходство между этими представлениями функций максимизировано, тогда как для видов с разных объектов косинусное сходство минимизировано.Чтобы гарантировать стабильность, используется формулировка с учетом потерь на шарнирах, так что представления различных объектов штрафуются только в том случае, если они попадают в пределы поля M представлений одного и того же объекта. Это заставляет разные представления информации об одном пациенте иметь одинаковые векторы признаков, избегая при этом коллапса режима, когда все признаки предсказывают один и тот же вектор для всех пациентов.

Рис.2.

Структура неконтролируемой модели: потерю сходства можно визуализировать как проецирование представлений различных модальностей в одном и том же пространстве. В каждой модальности используется своя сетевая архитектура. Для клинических данных мы используем слои FC с сигмовидной активацией, для геномных данных мы используем сети глубоких магистралей (Srivastava et al. , 2015), а для изображений WSI мы используем архитектуру SqueezeNet (Iandola et al. , 2016) (подробности архитектуры см. В основном тексте).Эти архитектуры генерируют векторы признаков, которые затем объединяются в единое представление и используются для прогнозирования общей выживаемости.

Рис. 2.

Структура модели без учителя: потерю сходства можно визуализировать как проектирование представлений различных модальностей в одном и том же пространстве. В каждой модальности используется своя сетевая архитектура. Для клинических данных мы используем слои FC с сигмовидной активацией, для геномных данных мы используем сети глубоких магистралей (Srivastava et al., 2015), а для образов WSI мы используем архитектуру SqueezeNet (Iandola и др. , 2016) (подробности архитектуры см. В основном тексте). Эти архитектуры генерируют векторы признаков, которые затем объединяются в единое представление и используются для прогнозирования общей выживаемости

3.3 Прогнозирование прогнозов

3.4 Архитектура модели

Мы используем выделенную архитектуру CNN для каждого типа данных. Для клинических данных мы используем полностью связанные (FC) слои (рис. 2) с сигмовидной активацией и выпадением в качестве кодеров. Для данных генов и микроРНК мы используем сети магистралей в качестве архитектуры (Srivastava et al., 2015). Из-за сложности и масштаба изображений WSI мы используем архитектуру CNN для кодирования данных изображения. Теперь эти архитектуры описаны более подробно.

Источники данных о пациентах с геномом и микроРНК представлены плотными, большими одномерными векторами, и нейронные сети не являются традиционным выбором для таких задач, например Чаще используются машины опорных векторов или случайные леса (Daemen et al. , 2008, 2009). Однако, чтобы дифференцированно оптимизировать сходство и потерю Кокса, мы должны использовать CNN для прогнозирования этих характеристик.Недавние усовершенствования современных технологий сделали подходы глубокого обучения конкурентоспособными с другими подходами. Таким образом, мы используем сети глубоких магистралей для обучения 10-уровневых предикторов глубоких признаков без ущерба для градиентного потока с помощью нейронного стробирования (Srivastava et al. , 2015). В магистральных сетях используется сигмоидальная вентиляция в стиле LSTM для управления градиентным потоком между глубокими слоями, что позволяет бороться с проблемой «исчезновения» и «взрыва» градиента в очень глубоких нейронных сетях с прямой связью (рис.2).

Для представления и кодирования WSI нам необходимо разработать методы машинного обучения, которые могут эффективно «резюмировать» WSI. Однако высокое разрешение WSI затрудняет обучение на их основе. Таким образом, должен быть задействован элемент стохастической выборки и фильтрации. В этой работе мы используем относительно простой подход к выборке ROI. Мы выбираем 200 фрагментов 224 × 224 пикселей с максимальным разрешением, затем вычисляем «цветовой баланс» каждого фрагмента; то есть насколько среднее значение цвета (R, G, B) отклоняется от среднего значения (R, G, B) всего WSI с использованием среднеквадратичной ошибки.Затем мы выбираем верхние 20% из этих 200 патчей (или 40 патчей) в качестве ROI; это гарантирует, что «нерепрезентативные» пятна, принадлежащие белому пространству и чрезмерному окрашиванию, игнорируются. Эти 40 областей интереса представляют в среднем 15% области ткани в пределах WSI. Затем мы применяем модель SqueezeNet (Iandola и др. , 2016) к этим 40 областям интереса, при этом последний слой заменяется предсказателем кодирования признаков длиной 512. Архитектура подробно представлена ​​на рисунке 3. Эта модель подключена к более широкой сети, как показано на рисунке 2, и обучается с использованием условий подобия и потерь Кокса.Поскольку модель SqueezeNet разработана с расчетом на эффективность, мы можем обучать большой процент патчей WSI без ущерба для производительности. Мы настроили гиперпараметры этих архитектур моделей на проверочном наборе, чтобы найти окончательные параметры модели (рис. 2 и 3). Чтобы оценить производительность нашей модели, мы используем показатель соответствия (C-индекс) в тестовом наборе данных.

Рис. 3.

Архитектура модели SqueezeNet. Архитектура SqueezeNet состоит из набора пожарных модулей, перемежаемых слоями maxpool.Каждый пожарный модуль состоит из слоя сжатия (со сверточными фильтрами 1 × 1) и слоя расширения (со смесью сверточных фильтров 1 × 1 и 3 × 3). Эта архитектура пожарного модуля помогает уменьшить пространство параметров для более быстрого обучения. Мы заменили последний слой softmax исходной модели SqueezeNet на предсказатель кодирования признаков длиной 512

Рис. 3.

Архитектура модели SqueezeNet. Архитектура SqueezeNet состоит из набора пожарных модулей, перемежаемых слоями maxpool.Каждый пожарный модуль состоит из слоя сжатия (со сверточными фильтрами 1 × 1) и слоя расширения (со смесью сверточных фильтров 1 × 1 и 3 × 3). Эта архитектура пожарного модуля помогает уменьшить пространство параметров для более быстрого обучения. Мы заменили последний слой softmax исходной модели SqueezeNet на предиктор кодирования признаков длиной 512

3.5 Мультимодальное исключение

Dropout – это широко используемый метод регуляризации в архитектурах глубоких нейронных сетей, в которых некоторые случайно выбранные нейроны выпадают во время обучения, вынуждая другие нейроны вмешиваться, чтобы делать прогнозы для отсутствующих нейронов.Этот метод приводит к меньшему переоснащению и большему обобщению (Srivastava et al. , 2014). Мы разработали вариант исключения и мультимодального исключения, чтобы улучшить способность сети справляться с отсутствующими данными. В этом методе вместо того, чтобы отбрасывать нейроны, мы отбрасываем целые векторы признаков, соответствующие каждой модальности, и увеличиваем веса других модальностей, соответственно, аналогично нашей предыдущей работе (Momeni et al. , 2018a). Это применяется к каждой выборке данных во время обучения с вероятностью P для каждой модальности, чтобы заставить сеть создавать представления, устойчивые к отсутствующим модальностям данных.Мы экспериментировали с рядом различных значений для P , прежде чем остановились на 25% в качестве оптимального.

3,6 Визуализация

T-распределенное стохастическое вложение соседей, или T-SNE, – это широко используемый метод визуализации, который отображает точки в многомерных векторных пространствах в более низкие измерения (Maaten and Hinton, 2008). В отличие от других методов уменьшения размерности, таких как анализ главных компонентов (PCA), T-SNE дает более визуально интерпретируемые результаты путем преобразования сходства векторов в совместные вероятности, генерируя визуально различные кластеры, которые представляют закономерности в данных.Здесь мы используем T-SNE для кластеризации и показываем отношения между нашими векторами признаков длиной 512, представляющими пациентов. Поскольку T-SNE требует больших вычислительных ресурсов, мы сначала использовали PCA для проецирования этих векторов в 50-мерное пространство, а затем применили T-SNE, чтобы отобразить их в 2D-пространстве.

4 Результаты и обсуждение

4.1 Представления обучения без учителя

Сначала мы оценили неконтролируемое обучение представлению архитектуры нашей модели путем визуализации кодировок когорты пациентов с панкологическим раком (рис.4). Кластеры пациентов со схожими представлениями признаков, как правило, имеют одни и те же черты (раса, пол и тип рака), даже несмотря на то, что модель не была специально обучена этим переменным. Таким образом, модель CNN без присмотра изучила взаимосвязь между такими факторами, как пол, раса и тип рака, в различных модальностях. Эти результаты предполагают, что неконтролируемая модель может эффективно суммировать информацию из мультимодальных данных, а предложенное нами неконтролируемое кодирование может действовать как «профиль пациента» панкологического рака.

Рис. 4.

Отображение T-SNE векторов признаков. Отображение T-SNE векторов признаков для 500 пациентов в тестовой выборке. Векторы признаков длиной 512 были сжаты с использованием PCA (50 признаков) и T-SNE в 2D-пространство. Этим репрезентациям удается запечатлеть отношения между пациентами; например пациенты одного пола, как правило, группировались вместе (изображение слева), и в меньшей степени пациенты одной расы и одного типа рака также имели тенденцию группироваться (в центре и справа), даже если эти клинические признаки не были предоставлены пациентам. модель

Рис.4.

Отображение T-SNE векторов признаков. Отображение T-SNE векторов признаков для 500 пациентов в тестовой выборке. Векторы признаков длиной 512 были сжаты с использованием PCA (50 признаков) и T-SNE в 2D-пространство. Этим репрезентациям удается запечатлеть отношения между пациентами; например пациенты одного пола, как правило, группировались вместе (изображение слева), и в меньшей степени пациенты одной расы и одного типа рака также имели тенденцию группироваться (в центре и справа), даже если эти клинические признаки не были предоставлены пациентам. модель

4.2 Оценка отказа от мультимодальных перевозок

Затем мы оценили использование мультимодального исключения при интеграции мультимодальных клинических данных, экспрессии генов, микроРНК и WSI на 20 участках рака для прогнозирования выживаемости пациентов. Мы обучаем модели для 80 эпох, и мы видим сходимость моделей в пределах этого промежутка (рис. 5). Этот анализ также показал, что C-индекс проверки улучшается при использовании мультимодального исключения во время обучения (рис. 5), указывая на то, что случайное выпадение векторов признаков во время обучения улучшает способность сети строить точные представления на основе отсутствующих мультимодальных данных.

Рис. 5.

Оценка мультимодального отсева: скорость обучения в терминах C-индекса модели в наборе данных валидации для прогнозирования прогноза по 20 участкам рака, объединяющим мультимодальные данные. Модель сходится через 40 эпох и показывает, что мультимодальный отсев улучшает эффективность валидации.

Рис. 5.

Оценка мультимодального отсева: скорость обучения с точки зрения C-индекса модели в наборе данных валидации для прогнозирования прогноза на 20 раковых участках. объединение мультимодальных данных.Модель сходится после 40 эпох и показывает, что мультимодальное исключение улучшает эффективность валидации

4.3 Прогнозирование рака панкреатита

Затем мы использовали нашу модель на тестовом наборе данных, чтобы предсказать прогноз в экспериментах с единичным раком и панконом. Мы сравнили различные комбинации методов, всегда включая клинические данные, и оценили использование мультимодального исключения. Мы заметили, что только для интеграции клинических данных и мРНК мультимодальный отказ от лечения не улучшил результаты.Для модели, которая тренируется со всеми модальностями, многие типы рака (15 из 20) имеют более высокий C-индекс по сравнению с тренировкой без мультимодального выбывания со средним улучшением на 2,8%. Аналогичные результаты наблюдаются при интеграции меньшего количества модальностей данных (таблица 2). Кроме того, модель панкологического рака, объединяющая клинические данные, мРНК, миРНК и WSI, достигает общего C-индекса 0,78 для всех видов рака с мультимодальным выбыванием по сравнению с 0,75 без выбывания. Также для других моделей рака поджелудочной железы, объединяющих две или три модальности данных, наблюдалось улучшение мультимодального исключения, за исключением интеграции клинических данных и данных мРНК (Таблица 2).

с использованием C-индекса по 20 изученным типам рака, с использованием различных комбинаций модальностей данных

Производительность модели с использованием C-индекса для 20 изученных типов рака с использованием различных комбинаций модальностей данных

4,4 Условия использования основных данных

Затем мы исследовали, используя различные комбинации модальностей вместе с клиническими данными, чтобы выяснить, являются ли геномные и визуальные модальности решающими для прогнозирования прогноза.Мы наблюдали, что miRNA является наиболее информативной модальностью, в то время как мРНК является наименее информативной в условиях панкологического рака при объединении всех модальностей (C-index 0,75 по сравнению с 0,60 для базовой модели панкорака, Таблица 2). Для единичных видов рака важны различные комбинации методов. Для восьми участков рака интеграция всех четырех методов является наилучшей с наиболее ярким примером KICH (C-индекс 0,95). Далее, для шести участков рака интеграция клинической, miRNA и WSI дает лучшую или равную производительность модели, объединяющей все четыре метода, предполагая, что мРНК также не важна в этих одиночных моделях рака для прогнозирования прогноза (Таблица 2).Например, лучшая модель для KIRP, OV и LUAD является результатом интеграции клинических, miRNA и WSI с C-индексом 0,86, 0,69 и 0,77, соответственно, что позволяет предположить, что эти три метода данных являются достаточными и необходимыми для определения прогноза этих участков рака.

4.5 Предтренинговая оценка по раку рака

Затем мы проверили, действительно ли обучение на данных о панкреатите улучшает прогноз выживаемости в каждом отдельном очаге рака. Чтобы проверить это, мы сравнили результаты мультимодального рака поджелудочной железы с результатами моделей, обученных на каждом участке рака, с использованием разделения 85–15 поездов и тестов, отдельно для мультимодальной модели отсева с использованием всех модальностей данных (т.е. Clin + miRNA + mRNA + WSI) и сравнили производительность для прогнозирования выживаемости с использованием точно таких же тестовых примеров для каждого очага рака. Это показало, что тренировка по раку на всех участках рака улучшает результаты, за исключением KIRC, где наблюдалось снижение на 6% (Таблица 3).

Сравнение тренировки по лечению рака с тренировкой по одному раку с использованием C-индекса, показывающее, что в случае интеграции клинической, miRNA, мРНК и WSI с использованием мультимодального исключения для всех, кроме одного очага рака (KIRC), тренировка по лечению рака работает одинаково или превосходит тренировку по каждому раку в отдельности

Сравнение тренировок по лечению рака с одиночным раком тренировка с использованием C-индекса, показывающего, что в случае интеграции клинической, miRNA, мРНК и WSI с использованием мультимодального исключения для всех, кроме одного очага рака (KIRC), тренировка панкорака работает одинаково или превосходит тренировку по каждому раку в отдельности

4,6 Сравнение с предыдущими работами

Вся предыдущая работа по прогнозированию прогнозов с использованием геномных данных и данных WSI была сосредоточена на конкретных типах рака и модальностях данных. Например, Кристинат и Крек (2015) достигли наивысшего C-индекса (0.77) по данным рака почек (TCGA-KIRC). Как видно из наших результатов, наш метод показал немного худшие результаты (0,740) на том же типе данных. Однако наш метод превосходит мультимодальный классификатор аденокарциномы легкого Zhu et al. (2016) (0,726 против 0,691C-индекса). В общем, не существует “ честного сравнения ”, которое можно провести между этим методом и предыдущим современным уровнем техники, особенно потому, что в большинстве предыдущих статей не учитываются пациенты с отсутствующими модальностями данных, в то время как наша предлагаемая модель может обучать и прогнозировать с помощью включены недостающие данные.Более того, наши методы позволяют достичь сопоставимых или лучших результатов предыдущих исследований за счет устойчивой обработки неполных данных и прогнозирования 20 различных типов рака.

5 Заключение

В этой статье мы демонстрируем мультимодальный подход к прогнозированию прогноза с использованием клинических, геномных данных и данных WSI. Во-первых, мы разработали неконтролируемый метод кодирования мультимодальных данных пациента в общее представление функций, которое не зависит от типа или способа данных.Затем мы проиллюстрировали, что эти неконтролируемые кодировки пациентов связаны с клиническими особенностями и что пациенты со схожими характеристиками имеют тенденцию группироваться вместе в «репрезентативном пространстве». Эти представления функций действуют как интегрированный мультимодальный профиль пациента, позволяя моделям машинного обучения систематически сравнивать и противопоставлять пациентов. Таким образом, эти кодировки могут быть полезны в ряде контекстов, от прогноза прогноза до рекомендаций по лечению.

Затем мы использовали эти представления функций для прогнозирования единичного рака и прогноза рака поджелудочной железы.На 20 участках рака TCGA наши методы достигают общего C-индекса 0,784. Кроме того, для типов рака с небольшим количеством образцов (например, KICH) наша модель прогнозирования может оценивать прогноз с относительно высокой точностью, используя неконтролируемые характеристики и информацию о других типах рака для преодоления дефицита данных.

Наша работа отличается несколькими отличиями, мы демонстрируем, как построить модель прогноза рака. Затем мы покажем использование мультимодальных данных, новых методов и методов обучения представлению, таких как многомодальное исключение, для создания моделей, которые могут хорошо обобщать и прогнозировать также в отсутствие одной или нескольких модальностей данных.В частности, изучая неконтролируемые взаимосвязи между клиническими, геномными и графическими данными, предлагаемая нами CNN вынуждена разработать уникальное, последовательное представление для каждого пациента. Наконец, мы предлагаем эффективный автоматический анализ WSI путем выборки ROI для каждого пациента, что составляет в среднем 15% поражений пациента.

6 Будущая работа

Хотя мы создали алгоритм для выбора патчей из образов WSI, наша работа по моделированию WSI может быть улучшена.Усовершенствование архитектуры CNN, используемой для кодирования слайдов биопсии, имеет решающее значение для дальнейшего повышения производительности. Дальнейшие исследования, вероятно, должны быть сосредоточены на изучении того, какие участки изображения важны, а не на случайной выборке участков. Кроме того, мы можем использовать более продвинутые, более глубокие архитектуры и расширенное расширение данных. Еще одна интересная возможность – использование трансферного обучения на моделях, предназначенных для обнаружения клеточной активности низкого уровня, такой как митозы (Загоруйко и Комодакис, 2016). Из-за хорошо установленной связи между митотической пролиферацией и раком это может помочь сосредоточить CNN на важных клеточных функциях.Далее, еще одна ключевая цель – интеграция более разнообразных источников данных. В этом исследовании нехватка ресурсов не позволила нам изучить другие данные геномных модальностей в TCGA, такие как метилирование ДНК (Gevaert, 2015; Litovkin et al. , 2014) и данные о количестве копий ДНК (Gevaert et al. , 2013; Gevaert and Plevritis, 2013), все из которых содержат потенциально неиспользованную прогностически значимую информацию.

Финансирование

Исследование, описанное в этой публикации, было поддержано Национальным институтом биомедицинской визуализации и биоинженерии Национальных институтов здравоохранения при награде R01EB020527, Национальным институтом стоматологических и черепно-лицевых исследований (NIDCR) при гранте U01DE025188 и Национальным институтом рака (NCI). под наградами U01CA199241 и U01CA217851.Авторы несут полную ответственность за содержание, которое не обязательно отражает официальную точку зрения Национальных институтов здравоохранения.

Конфликт интересов : не объявлен.

Список литературы

Ализаде

А.А.

2015

На пути к пониманию и использованию неоднородности опухоли

Nat. Мед

21,

846

853

Бек

А.H.

2011

Систематический анализ морфологии рака груди выявляет особенности стромы, связанные с выживаемостью

Sci. Пер. Мед

3

108ra113

Bejnordi

B.E.

2017

14-й Международный симпозиум IEEE по биомедицинской визуализации 2017 (ISBI 2017)

929

932

IEEE, Мельбурн, Австралия

Калин

Г.А.

Croce

C.M.

2006

Сигнатуры микроРНК при раке человека

Nat. Rev. Cancer

6

857

Кэмпбелл

J.D.

2018

Геном, сеть путей и иммунологические особенности, отличающие плоскоклеточный рак

Cell Rep

23

194

Cheerla

N.

Gevaert

O.

2017

Рекомендации по диагностике и лечению рака на основе микрорны

BMC Bioinform

18

32

Chopra

S.

2005

Я

Компьютерное общество IEEE, Лос-Аламитас, Калифорния

539

546

Christinat

Y.

Krek

W.

2015

Интегрированный геномный анализ определяет подклассы и признаки прогноза рака почки

Oncotarget

6

10521.

Cox

D.R.

2018

Анализ данных о выживаемости

Рутледж, Нью-Йорк

Daemen

A.

2008

Pacific Symposium on Biocomputing 2008

166

177

World Scientific

Сингапур

Daemen

A.

2009

Основанная на ядре интеграция данных всего генома для поддержки принятия клинических решений

Genome Med

1

39

de Bruin

E.C.

2013

Внутриопухолевая гетерогенность: уроки микробной эволюции и клинические последствия

Genome Med

5

101

Esquela-Kerscher

A.

Slack

F.J.

2006

Онкомиры – микроРНК, участвующие в развитии рака

Nat.Rev. Cancer

6

259

269

Вентилятор

H.

2018

Повторная идентификация неконтролируемого лица: кластеризация и точная настройка

ACM Trans. Мультимедийный компьютер. Commun. Заявление

14

83

Gevaert

O.

2015

Methylmix: пакет r для идентификации генов, управляемых метилированием ДНК

Биоинформатика

31

1839

1841

Gevaert

O.

Plevritis

S.

2013

Pacific Symposium on Biocomputing 2013

123

134

World Scientific

Сингапур

Gevaert

O.

2006

Прогнозирование прогноза рака груди путем интеграции клинических данных и микрочипов с байесовскими сетями

Биоинформатика

22

e184

e190

Gevaert

O.

2008

Pacific Symposium on Biocomputing 2008

279

290

World Scientific

Сингапур

Gevaert

O.

2012

Немелкоклеточный рак легкого: определение прогностических биомаркеров визуализации путем использования общедоступных данных микроматрицы экспрессии генов – методы и предварительные результаты

Радиология

264

387

396

Gevaert

O.

2013

Идентификация генов-драйверов рака яичников с использованием модульной сетевой интеграции данных multi-omics

Интерфейс Focus

3

Hou

L.

2016

2424

2433

Иандола

F.N.

2016

Kaiser

L.

2017

Одна модель, чтобы изучить их все

Внутр.J. Comput. Видение

Кацман

J.

2016

DeepSurv: персонализированная система рекомендаций по лечению, использующая глубокую нейронную сеть пропорциональных рисков Кокса. BMC Medical Research Methodology

1606

1

15

LeCun

Y.

2015

Глубокое обучение

Природа

521

436

Литовкин

К.

2014

Метилирование PITX2, HOXD3, RASSF1 и TDRD1 предсказывает биохимический рецидив рака простаты высокого риска

J. Cancer Res. Clin. Онкол

140

1849

1861

Лю

Ю.

2017

MiRNAs предсказывают прогноз пациентов с тройным отрицательным раком груди: метаанализ

PLoS One

12

e0170088

Lovly

C.M.

2016

Неоднородность опухоли и терапевтическая резистентность

Am, Soc. Clin. Онкол. Educ. Заказ

36

e585

e593

Удача

M.

2017

Maaten

L. v d.

Hinton

г.

2008

Визуализация данных с помощью t-sne

J. Mach. Учиться. Res

9

2579

2605

Мадабхуши

А.

Ли

г.

2016

Анализ изображений и машинное обучение в цифровой патологии: проблемы и возможности

Med. Изображение Анал

33

170

175

Мальта

T.M.

2018

Машинное обучение определяет особенности стволизма, связанные с онкогенной дедифференцировкой

Ячейка

173

338

354

Momeni

A.

2018a

438341

Springer Nature Switzerland, Хам, Швейцария

Momeni

A.

2018b

International MICCAI Brainlesion Workshop

407

415

Спрингер

Цю

Ю.Л.

2018

Srivastava

N.

2014

Dropout: простой способ предотвратить переоснащение нейронными сетями

J. Mach. Учиться. Res

15

1929

1958

Шривастава

R.K.

2015

Ставка

S.

2013

Обучение с отчислением как адаптивная регуляризация

Достижения в системах обработки нейронной информации

Curran Associates, Red Hook, NY

351

359

Ван

H.

2014

Новые маркеры изображений для классификации немелкоклеточного рака легкого и прогнозирования выживаемости

BMC Bioinform

15

310

Ван

S.

2017

Централизованные сверточные нейронные сети: разработка модели на основе данных для сегментации легочных узелков

Med. Изображение Анал

40

172

183

Вайнштейн

J.N.

2013

Проект пан-рака атласа генома рака

Nat. Genet

45

1113

Яо

J.

2016

International Conference on Medical Image Computing and Computer Assisted Intervention

649

657

Springer Nature Switzerland, Хам, Швейцария

Загоруйко

С.

Комодакис

Н.

2016

Zhang

X.

2017

Прогностическая модель для прогнозирования выживаемости при раке: двухэтапный подход

Генетика

205

89

100

Zhou

B.

2014

Изучение глубоких функций для распознавания сцен с использованием базы данных мест

Достижения в системах обработки нейронной информации

Curran Associates, Red Hook, NY

487

495

Zhu

X.

2016

2016 Международная конференция IEEE по биоинформатике и биомедицине (BIBM)

455

459

IEEE, Данверс, Массачусетс

Zhu

X.

2017

7234

7242

© Автор (ы) 2019. Опубликовано Oxford University Press.

Мужская обувь Мужская лакированная кожа с острым носком на шнуровке Деловые официальные свадебные туфли I446 Одежда, обувь и аксессуары vishawatch.com

Мужская лакированная кожа с острым носком на шнуровке Деловые вечерние свадебные туфли I446

Найдите много отличных новых и бывших в употреблении вариантов и получите лучшие предложения на мужские свадебные туфли I446 из лакированной кожи с острым носком на шнуровке для делового торжественного платья по лучшим онлайн-ценам на! Бесплатная доставка для многих товаров !.Состояние: Новое в коробке: Совершенно новый, неиспользованный и неношеный предмет (включая предметы ручной работы) в оригинальной упаковке (например, в оригинальной коробке или сумке) и / или с прикрепленными оригинальными бирками. Просмотреть все определения условий ： Бренд: Без бренда ， Материал: ： Лакированная кожа ： Ширина: ： Средняя (D, M) ， Страна / регион производства: ： Китай ： Стиль: ： Оксфорды ，。

Мужская лакированная кожа с острым носком на шнуровке Деловые официальные модельные свадебные туфли I446

вы можете получить много удобства и удовольствия.❤Конструкции: 1 основное отделение. Поскольку разные компьютеры отображают цвета по-разному, мужская футболка SECURITY UNIFORM BOUNCER WORK PUB CLUB PARTY SAFETY GUARD, купите стандартную женскую куртку Reebok Glacier Shield, тетя, я знаю, что вы любите меня, женская толстовка, футболка, подходит для женщин и девочек: это Маленькая сумка для губ, РУБАШКА METAL ** TEE SHIRT METALLICA MUSIQUE HARD ROCK OFFICIEL Neuf emballé METAL **. Пара штор с люверсами Vertical Line доступна в различных размерах. Предметы могут незначительно отличаться от фото по цвету из-за освещения во время фотосъемки или дисплея монитора.aber üblicherweise sind die opaleszierenden Ammoniten sehr viel kleiner. Женские модные зеркальные солнцезащитные очки с плоским верхом Brand Designer UV400 Oversize Sunglass. Льняное колье с желтыми стеклянными бусинами. Натуральные украшения для подарков на пляжный фестиваль для женщин. Бусины из стерлингового серебра, завязанные вручную на шнурке из органической конопли. Каждый продукт изготавливается на заказ на фирменном боди White Gerber Onesies®. Bell Sleeves Boho Peasant Top Shirt BHFO 3018 Style & Co. Мы не используем логотипы / товарные знаки / таблички с именами в любой части дизайна. Вся обувь оригинального бренда CONVERSE и сделана красиво.Обслуживание клиентов всегда является моим приоритетом №1, бриллиантовое обручальное кольцо с потрясающим сапфировым стеклом, два золотых кольца для женщин. Приглашение на свадьбу силуэта геймера Сохраните дату или душ, переключатель управления, чтобы восстановить легкость и удобство движения зеркала. Поднимите свои любимые настоящие итальянские блюда на новый уровень, создав и приготовив свои собственные свежие, размеры 2-10 Kate Mack Girls ‘Tulle Skirt Fairy Dance. УНИВЕРСАЛЬНОЕ КРЕПЛЕНИЕ: Держатель для велосипедного телефона надежно вмещает любое устройство размером до 4 дюймов. Удлинитель 16 дюймов: Зажимы для защиты от падения: промышленные и научные.75мм-10мм 13 размеров Алюминиевая круглая вязка, мужские ремни из натуральной кожи из натуральной кожи, повседневные с пряжкой Коричневый, черный, США. 2шт. Большой размер переходник муфты обледенения трубопровода сопла мешок торт: дом и кухня. 24 x 35 дюймов серый: дом и кухня. Замена аккумулятора и зарядного устройства Canon LEGRIA HF R406 с автомобильной вилкой и адаптером для ЕС – Совместимость с аккумуляторами и зарядными устройствами для цифровых фотоаппаратов Canon BP-727 (2400 мАч 3, Marvel Deadpool Shadow Proclamation УНИСЕКС ТАНК ТОП-РУБАШКА HG1. Содержит: нагревательную куртку из углеродного волокна * 1.Homyl New 2pc Complete Tie Rod Ends Замена для Yamaha YFZ 350 Banshee 1987-96 в конце рулевой тяги.

Лекарства от дефицита фактора V: продукты крови, продукты крови

Автор

Ольга Козырева, д.м.н. Лечащий врач отделения гематологии-онкологии Медицинского центра Святой Елизаветы; Доцент Медицинского факультета Университета Тафтса

Раскрытие: Ничего не раскрывать.

Соавтор (ы)

Сара К. Мэй, MD Консультант, Отделение гематологии-онкологии, Больница Каритас Карни, Содружество Гематологии-Онкологии PC

Раскрытие: Ничего не разглашать.

Карл Дж. Д’Сильва, доктор медицины Ассистент клинического профессора медицины, Отделение гематологии / онкологии, Клиника Лахи, Онкологический центр Софии Гордон

Карл Дж. Д’Сильва, доктор медицины, является членом следующих медицинских обществ: Медицинское общество Массачусетса

Раскрытие информации: раскрывать нечего.

Специальная редакционная коллегия

Франсиско Талавера, фармацевт, доктор философии Адъюнкт-профессор, Фармацевтический колледж Медицинского центра Университета Небраски; Главный редактор Medscape Drug Reference

Раскрытие информации: Получил зарплату от Medscape за работу.для: Medscape.

Рональд Захер, доктор медицины, FRCPC, DTM & H , почетный профессор внутренней медицины и гематологии / онкологии, почетный директор, Центр крови Хоксворта, Академический центр здоровья Университета Цинциннати

Рональд Захер, доктор медицины, FRCPC, DTM & H является членом следующие медицинские общества: Американская ассоциация развития науки, Американская ассоциация банков крови, Американская клиническая и климатологическая ассоциация, Американское общество клинической патологии, Американское общество гематологии, Колледж американских патологов, Международное общество переливания крови, Международное общество по Тромбоз и гемостаз, Королевский колледж врачей и хирургов Канады

Раскрытие: Ничего не раскрывать.

Главный редактор

Перумал Тиагараджан, доктор медицины Профессор кафедры патологии и медицины Медицинского колледжа Бейлора; Директор лаборатории трансфузионной медицины и гематологии, Медицинский центр по делам ветеранов Майкла Э. Дебейки

Перумал Тиагараджан, доктор медицины, является членом следующих медицинских обществ: Американского колледжа врачей, Американской кардиологической ассоциации, Американского общества биохимии и молекулярной биологии, Американского общества Клинические исследования, Американское общество гематологов, Ассоциация американских врачей, Королевский колледж врачей

Раскрытие информации: нечего раскрывать.

Дополнительные участники

Пол Шик, MD † Заслуженный профессор кафедры внутренней медицины Медицинского колледжа Джефферсона Университета Томаса Джефферсона; Профессор-исследователь кафедры внутренней медицины Медицинского колледжа Дрексельского университета; Адъюнкт-профессор медицины, Госпиталь Ланкенау

Пол Шик, доктор медицинских наук, является членом следующих медицинских обществ: Американский колледж врачей, Американское общество гематологии

Раскрытие информации: не подлежит разглашению.

I-446

МОДЕЛЬ ЦЕНТРА СМЕШИВАНИЯ DEMA: 681-5 ИНСТРУКЦИИ ПО УСТАНОВКЕ 1. ДЕТАЛИ: A. Узел смесительного центра. B. Виниловая подающая трубка диаметром 5-1/4 дюйма, длина 8 футов, донный клапан, керамический груз. C. 1 шт. Внутренний диаметр 1/2 дюйма, длина 20 футов. длинный виниловый выпускной шланг. D. 2 шт. Крепежные винты и анкеры с полукруглой головкой №8 длиной 1-1 / 2 дюйма. E. Карточка с этикетками на 1 шт. F. Комплект наконечников дозатора. 2. УСТАНОВКА: Примечание. Все установки должны соответствовать местным нормам водоснабжения и использовать утвержденные устройства предотвращения обратного потока.A. Монтаж и подача воды: Снимите крышку Blend Center и удерживайте блок в нужном положении, чтобы найти места для крепежных винтов. Установите крепежные винты; оставляя удлинение примерно на 1/8 дюйма между стеной и головкой винта. Установите Blend Center, вставив головки винтов через пазы под ключ в основании и затянув винты (см. Рисунок 1). Вход для воды оборудован внутренним садом Фитинг шланга (с сетчатой ​​шайбой) для подсоединения шланга подачи воды. Фитинг можно снять, чтобы обеспечить прямое подключение к трубе 3/8 дюйма NPT.Устройство сконструировано таким образом, что воду можно подавать в любую сторону, меняя местами заглушку трубы и штуцер шланга с внутренней резьбой. Примечание. Нанесите смазку для труб, затяните вручную, а затем поверните 1 раз гаечным ключом. НЕ ЗАТЯГИВАЙТЕ ИЗБЫТОЧНО. B. Подача химикатов. Поместите контейнеры с химическими веществами в удобном месте не более чем на 6 футов ниже центра смешивания (больший подъем снизит объем впрыска). Вставьте виниловую трубку подачи с донными клапанами в емкости для химикатов. Отрежьте виниловые трубки до любой подходящей длины, чтобы они могли проходить от дна емкости для химикатов до зазубрин на входе дозатора.(См. Рис. 1) Клейкие этикетки предназначены для маркировки продуктов. C. Выпускное отверстие: обрежьте выпускную трубку с внутренним диаметром 1/2 дюйма на желаемую длину и прикрепите ее к выпускным отверстиям дозатора; модель 681-3 со стандартными дозаторами расхода 4 галлона в минуту – не обрезайте трубку до длины менее 18 дюймов, чтобы гарантировать грунтовка. Можно использовать более длинные отрезки до 10 футов. В моделях с дополнительными дозаторами на 1 галлон в минуту можно использовать трубки любой длины. D. Регулировка впрыска химикатов: ПРЕДУПРЕЖДЕНИЕ: БУДЬТЕ ОСТОРОЖНЫ ПРИ ОБРАЩЕНИИ С ОПАСНЫМИ ХИМИЧЕСКИМИ ВЕЩЕСТВАМИ.Скорость подачи химикатов контролируется дозирующими наконечниками, ввинченными в зазубрины дозатора. Выберите наконечник для каждой зазубрины, используя Таблицу 1 или 2 в качестве руководства. Примечание: 1 сП (сантипуаз) соответствует вязкости воды, 75 сП примерно равняется вязкости моторного масла массой 10 весовых единиц, а 200 сП примерно равны вязкости большинства средств для мытья посуды. 3. ЭКСПЛУАТАЦИЯ: Центр смешивания готов к использованию. Нажатие кнопки открывает клапан, позволяя воде проходить через дозатор химикатов, который смешивает химикаты с желаемой скоростью.Кнопки подпружинены, чтобы предотвратить случайное переполнение, если они оставлены без присмотра, но их можно превратить в кнопки блокировки, отрезав язычок в выемке. (См. Рис. 2). Если нажать кнопку и протянуть ее на 1/4 оборота по часовой стрелке в конце хода, клапан заблокируется. Это избавляет оператора от необходимости удерживать кнопку при наполнении больших емкостей. Если повернуть кнопку против часовой стрелки, она будет отпущена, и клапан отключится. Таблица 1 – Расход 4 галлонов в минуту Скорость впрыска для показанной вязкости Цвет измерительного наконечника 1 сП 75 сП 200 сП Отношение унций / галлон Отношение унций / галлон Отношение унций / галлон Тан 0.33 387-1 0,26 500-1 0,12 1090-1 Оранжевый 0,42 307-1 0,32 430-1 0,17 735-1 Бирюзовый 0,51 251-1 0,34 382-1 0,19 676-1 Розовый 0,78 165-1 0,56 230-1 0,3 422- 1 Прозрачный 0,87 147-1 0,67 192-1 0,33 391-1 Коричневый 0,99 129-1 0,74 174-1 0,37 345-1 Красный 1,37 93-1 0,91 141-1 0,44 289-1 Белый 1,52 84-1 1,04 123-1 0,48 264-1 Зеленый 1,72 74-1 1,22 105-1 0,52 244-1 Синий 2,13 60-1 1,27 101-1 0,54 239-1 Желтый 3,05 42-1 1,71 75-1 0,56 229-1 Черный 4,50 28-1 1,96 65- 1 0,57 224-1 Фиолетовый 7,75 17-1 2,4 53-1 0,59 217-1 Серый 9,86 13-1 2.