Background: To investigate deep vein thrombosis (DVT) in hospitalized patients with coronavirus disease 2019 (COVID-19), we performed a single institutional study to evaluate its prevalence, risk factors, prognosis, and potential thromboprophylaxis strategies in a large referral and treatment center. Methods: We studied a total of 143 patients with COVID-19 from January 29, 2020 to February 29, 2020. Demographic and clinical data, laboratory data, including ultrasound scans of the lower extremities, and outcome variables were obtained, and comparisons were made between groups with and without DVT. Results: Of the 143 patients hospitalized with COVID-19 (age 63±14 years, 74 [51.7%] men), 66 patients developed lower extremity DVT (46.1%: 23 [34.8%] with proximal DVT and 43 [65.2%] with distal DVT). Compared with patients who did not have DVT, patients with DVT were older and had a lower oxygenation index, a higher rate of cardiac injury, and worse prognosis, including an increased proportion of deaths (23 [34.8%] versus 9 [11.7%]; P =0.001) and a decreased proportion of patients discharged (32 [48.5%] versus 60 [77.9%]; P <0.001). Multivariant analysis showed an association only between CURB-65 (confusion status, urea, respiratory rate, and blood pressure) score 3 to 5 (odds ratio, 6.122; P =0.031), Padua prediction score ≥4 (odds ratio, 4.016; P =0.04), D-dimer >1.0 μg/mL (odds ratio, 5.818; P <0.014), and DVT in this cohort, respectively. The combination of a CURB-65 score 3 to 5, a Padua prediction score ≥4, and D-dimer >1.0 μg/mL has a sensitivity of 88.52% and a specificity of 61.43% for screening for DVT. In the subgroup of patients with a Padua prediction score ≥4 and whose ultrasound scans were performed >72 hours after admission, DVT was present in 18 (34.0%) patients in the subgroup receiving venous thromboembolism prophylaxis versus 35 (66.0%) patients in the nonprophylaxis group ( P =0.010). Conclusions: The prevalence of DVT is high and is associated with adverse outcomes in hospitalized patients with COVID-19. Prophylaxis for venous thromboembolism may be protective in patients with a Padua protection score ≥4 after admission. Our data seem to suggest that COVID-19 is probably an additional risk factor for DVT in hospitalized patients.

The study of flower classification system is a very important subject in the field of Botany. A classifier of flowers with high accuracy will also bring a lot of fun to people's lives. However, because of the complex background of flowers, the similarity between the different species of flowers, and the differences among the same species of flowers, there are still some challenges in the recognition of flower images. The traditional flower classification is mainly based on the three features: color, shape and texture, this classification requires people to select features for classification, and the accuracy is not very high. In this paper, based on Inception-v3 model of TensorFlow platform, we use the transfer learning technology to retrain the flower category datasets, which can greatly improve the accuracy of flower classification.

ABSTRACT Immunohistochemistry (IHC) assays play a central role in evaluating biomarker expression in tissue sections for diagnostic and research applications. Manual scoring of IHC images, which is the current standard of practice, is known to have several shortcomings in terms of reproducibility and scalability to large scale studies. Here, by using a digital image analysis-based approach, we introduce a new metric called the pixelwise H-score (pix H-score) that quantifies biomarker expression from whole-slide scanned IHC images. The pix H-score is an unsupervised algorithm that only requires the specification of intensity thresholds for the biomarker and the nuclear-counterstain channels. We present the detailed implementation of the pix H-score in two different whole-slide image analysis software packages Visiopharm and HALO. We consider three biomarkers P-cadherin, PD-L1, and 5T4, and show how the pix H-score exhibits tight concordance to multiple orthogonal measurements of biomarker abundance such as the biomarker mRNA transcript and the pathologist H-score. We also compare the pix H-score to existing automated image analysis algorithms and demonstrate that the pix H-score provides either comparable or significantly better performance over these methodologies. We also present results of an empirical resampling approach to assess the performance of the pix H-score in estimating biomarker abundance from select regions within the tumor tissue relative to the whole tumor resection. We anticipate that the new metric will be broadly applicable to quantify biomarker expression from a wide variety of IHC images. Moreover, these results underscore the benefit of digital image analysis-based approaches which offer an objective, reproducible, and highly scalable strategy to quantitatively analyze IHC images.

This study investigates an approach to dialogue act classification leveraging a pre-trained model, with a specific focus on the efficacy of employing the ERNIE model for this task. Dialogue act classification is crucial for deciphering the intentions, actions, and objectives underlying conversations. In this research endeavor, we selected the ERNIE model as our pre-trained backbone, augmented it with fine-tuning techniques, and synergistically incorporated it with an RCNN architecture to achieve precise classification of dialogue acts. Through a series of experiments, we rigorously assessed the model's performance using both publicly available and proprietary datasets, comparing it with conventional methodologies and alternative deep learning frameworks. Our findings revealed that the proposed dialogue act classification methodology, anchored in the ERNIE model and RCNN integration, yielded notable improvements in accuracy and generalization capabilities. This underscores the prowess of the ERNIE model in dialogue act classification tasks, offering new insights and methodologies for analyzing dialogue text. Subsequent research avenues will delve into exploring more intricate model architectures and harnessing richer data reservoirs to further elevate the performance and applicability spectrum of dialogue act classification.

Abstract JNK signaling plays a critical role in both tumor promotion and tumor suppression. Here, we identified clustered microRNAs (miRNAs) miR-306 and miR-79 as novel tumor-suppressor miRNAs that specifically eliminate JNK-activated tumors in Drosophila . While showing no significant effect on normal tissue growth, miR-306 and miR-79 strongly suppressed growth of multiple tumor models including malignant tumors caused by Ras activation and cell polarity defects. Mechanistically, these miRNAs commonly target the mRNA of an E3 ubiquitin ligase Drosophila ring finger protein 146 (dRNF146). We found that DRNF146 promotes degradation of tankyrase (Tnks), an ADP-ribose polymerase that promotes JNK activation in a non-canonical manner. Thus, downregulation of dRNF146 by miR-306 and miR-79 leads to hyper-enhancement of JNK activation. Our data show that, while JNK activity is essential for tumor growth, elevation of miR-306 or miR-79 overactivate JNK signaling to the lethal level via non-canonical JNK pathway and thus eliminate tumors, providing a new miRNA-based strategy against cancer.

Epidemiological evidence suggests cerebrovascular disease (CVD) incidence is correlated to meteorological conditions. However, research on the primary meteorological factors influencing the incidence of CVD and their influence thresholds in low-latitude mountainous regions remains insufficient. We aimed to investigate the association between meteorological conditions and CVD occurrence in Guizhou province.