Abstract Background Ultrasound-guided thermal ablation (TA) has emerged as a robust therapeutic approach for treating solid tumors in multiple organs, including the thyroid. Yet, its efficacy and safety profile in the management of Graves’ Disease (GD) remains to be definitively established. Methods A retrospective study was conducted on 50 GD patients treated with TA between October 2017 and December 2021. Key metrics like thyroid volume, volume reduction rate (VRR), thyroid hormones, and basal metabolic rate (BMR) were evaluated using paired Wilcoxon tests. Results The intervention of ultrasound-guided TA yielded a statistically significant diminution in total thyroid volume across all postoperative follow-up intervals—1, 3, 6, and 12 months—relative to pre-intervention baselines ( p < 0.001). The median VRR observed at these time points were 17.5%, 26.5%, 34.4%, and 39.8%, respectively. Euthyroid status was corroborated in 96% of patients at the one-year follow-up milestone. Transient tachycardia and dysphonia were observed in three patients, while a solitary case of skin numbness was noted. Crucially, no instances of enduring injury to the recurrent laryngeal nerve (RLN) were documented. Conclusions Our investigation substantiates ultrasound-guided TA as a pragmatic, well-tolerated, and safe therapeutic modality for GD. It effectively improves symptoms of hyperthyroidism, engenders a substantial reduction in thyroid volume, and restores thyroid hormone and BMR to physiological levels. Given its favorable safety profile, enhanced cosmetic outcomes, and minimally invasive nature, ultrasound-guided TA is a compelling alternative to thyroidectomy for GD patients.

Vision Transformers (ViTs) have exhibited exceptional performance across a broad spectrum of visual tasks. Nonetheless, their computational requirements often surpass those of prevailing CNN-based models. Token sparsity techniques have been employed as a means to alleviate this issue. Regrettably, these techniques often result in the loss of semantic information and subsequent deterioration in performance. In order to address these challenges, we propose the Adaptive Masked Autoencoder Transformer (AMAT), a masked image modeling-based method. AMAT integrates a novel adaptive masking mechanism and a training objective function for both pre-training and fine-tuning stages. Our primary objective is to reduce the complexity of Vision Transformer models while concurrently enhancing their final accuracy. Through experiments conducted on the ILSVRC-2012 dataset, our proposed method surpasses the original ViT by achieving up to 40% FLOPs savings. Moreover, AMAT outperforms the efficient DynamicViT model by 0.1% while saving 4% FLOPs. Furthermore, on the Places365 dataset, AMAT achieves a 0.3% accuracy loss while saving 21% FLOPs compared to MAE. These findings effectively demonstrate the efficacy of AMAT in mitigating computational complexity while maintaining a high level of accuracy.

In this paper, the size-controllable nano‑silver particles (AgNPs) were synthesized from walnut green husk polysaccharide, and its cytotoxicity and antibacterial activity were evaluated. Firstly, acidic polysaccharide WGHP2 was extracted from walnut green husk, and then the silver ion in AgNO