PURPOSE: To demonstrate the feasibility of determining myocardial blood flow changes and the myocardial perfusion reserve with magnetic resonance (MR) first-pass imaging, to validate the MR results by means of comparison with radiolabeled microsphere flow measurements in an animal model, and to compare the coronary flow reserve with the perfusion reserve at MR imaging in patients with hemodynamically nonsignificant coronary lesions and angina. MATERIALS AND METHODS: Arrhythmia-insensitive, first-pass, multisection, T1-weighted MR imaging with contrast agent enhancement was performed in eight pigs with acute ischemia and in eight adult patients (six women, two men). In the pigs, microsphere flow measurements were obtained in parallel with the MR measurements. In the patients, the coronary flow reserve was measured with an intracoronary Doppler flow ultrasound probe for comparison with the MR perfusion reserve. RESULTS: In the animal studies, there was linear correlation between MR perfusion indexes and the microsphere flow measurements (r = .88, P < .01). In the patients, the regional perfusion reserve matched the coronary flow reserve (linear regression with a slope of 1.02 +/- 0.09, r = .80). CONCLUSION: The myocardial perfusion reserve can be quantified with first-pass MR imaging. In patients with microvascular dysfunction, the myocardial perfusion reserve matches the reduced coronary flow reserve.

The formation of cell polarity is essential for many developmental processes such as polar cell growth and spatial patterning of cell division. A plant-specific ROP (Rho-like GTPases from Plants) subfamily of conserved Rho GTPase plays a crucial role in the regulation of cell polarity. However, the functional study of ROPs in angiosperm is challenging because of their functional redundancy. The Marchantia polymorpha genome encodes a single ROP gene, MpROP, providing an excellent genetic system to study ROP-dependent signaling pathways. Mprop knockout mutants exhibited rhizoid growth defects, and MpROP was localized at the tip of elongating rhizoids, establishing a role for MpROP in the control of polar cell growth and its functional conservation in plants. Furthermore, the Mprop knockout mutant showed defects in the formation of meristem notches associated with disorganized cell division patterns. These results reveal a critical function of MpROP in the regulation of plant development. Interestingly, these phenotypes were complemented not only by MpROP but also Arabidopsis AtROP2, supporting the conservation of ROP's function among land plants. Our results demonstrate a great potential for M. polymorpha as a powerful genetic system for functional and mechanistic elucidation of ROP signaling pathways during plant development.

Emotion recognition is critical to understanding students’ emotional states. However, problems such as crowded classroom environments, changing light, and occlusion often affect the accuracy of recognition. This study proposes an emotion recognition algorithm specifically for classroom environments. Firstly, the study adds the self-made MCC module and the Wise-IoU loss function to make object detection in the YOLOv8 model more accurate and efficient. Compared with the native YOL0v8x, it reduces the parameters by 16% and accelerates the inference speed by 20%. Secondly, in order to address the intricacies of the classroom setting and the specific requirements of the emotion recognition task, a multi-channel emotion recognition network (MultiEmoNet) has been developed. This network fuses skeletal, environmental, and facial information, and introduces a central loss function and an attention module AAM to enhance the feature extraction capability. The experimental results show that MultiEmoNet achieves a classification accuracy of 91.4% on a homemade classroom student emotion dataset, which is a 10% improvement over the single-channel classification algorithm. In addition, this study also demonstrates the dynamic changes in students’ emotions in the classroom through visual analysis, which helps teachers grasp students’ emotional states in real time. This paper validates the potential of multi-channel information-fusion deep learning techniques for classroom teaching analysis and provides new ideas and tools for future improvements to emotion recognition techniques.

Objectives This study aimed to identify the risk factors for pancreatic cancer through machine learning. Methods We investigated the relationships between different risk factors and pancreatic cancer using a real-world retrospective cohort study conducted at West China Hospital of Sichuan University. Multivariable logistic regression, with pancreatic cancer as the outcome, was used to identify covariates associated with pancreatic cancer. The machine learning model extreme gradient boosting (XGBoost) was adopted as the final model for its high performance. Shapley additive explanations (SHAPs) were utilized to visualize the relationships between these potential risk factors and pancreatic cancer. Results The cohort included 1,982 patients. The median ages for pancreatic cancer and nonpancreatic cancer groups were 58.1 years (IQR: 51.3–64.4) and 57.5 years (IQR: 49.5–64.9), respectively. Multivariable logistic regression indicated that kirsten rats arcomaviral oncogene homolog (KRAS) gene mutation, hyperlipidaemia, pancreatitis, and pancreatic cysts are significantly correlated with an increased risk of pancreatic cancer. The five most highly ranked features in the XGBoost model were KRAS gene mutation status, age, alcohol consumption status, pancreatitis status, and hyperlipidaemia status. Conclusion Machine learning algorithms confirmed that KRAS gene mutation, hyperlipidaemia, and pancreatitis are potential risk factors for pancreatic cancer. Additionally, the coexistence of KRAS gene mutation and pancreatitis, as well as KRAS gene mutation and pancreatic cysts, is associated with an increased risk of pancreatic cancer. Our findings offered valuable implications for public health strategies targeting the prevention and early detection of pancreatic cancer.