Graphene-silicon charge-sampling devices (CSD) can achieve remarkable sensitivity to weak light detection, benefiting from intrinsic amplification and nondestructive signal readout, showing vast application prospects. Since the response signal and readout strategy significantly differ from traditional photodetectors, a dedicated readout integrated circuit (ROIC) is essential, specifically designed to be compatible with the nonuniformity of CSDs while ensuring the output with high linearity. Here, we investigate the readout technique and design an efficient dedicated ROIC, which is fabricated in 55-nm mixed-signal CMOS process, tailored to the signal characteristics of CSD. The ROIC operates on the linear relation between graphene channel resistance and illumination intensity, capturing the dynamic changes in the key device parameters. We demonstrate a prototype system comprising ROIC and graphene-silicon CSD. Under near-infrared illumination at 808 nm, the system achieves weak light detection and readout at 573 pW, and exhibits a marginal nonlinearity error of 2% in the readout signal. At a laser intensity of 19.81 nW, the readout channels on the ROIC display a relative standard deviation of 3.41%.

There is no unified scope for regional lymph node (LN) dissection in patients with pancreatic ductal adenocarcinoma (PDAC). Incomplete regional LN dissection can lead to postoperative recurrence, while blind expansion of the scope of regional LN dissection significantly increases the perioperative risk without significantly prolonging overall survival. We aimed to establish a noninvasive visualization tool based on dual-layer detector spectral computed tomography (DLCT) to predict the probability of regional LN metastasis in patients with PDAC.

Purpose To evaluate the capability of dual-layer detector spectral CT (DLCT) quantitative parameters in conjunction with clinical variables to detect malignant lesions in cytologically indeterminate thyroid nodules (TNs). Materials and methods Data from 107 patients with cytologically indeterminate TNs who underwent DLCT scans were retrospectively reviewed and randomly divided into training and validation sets (7:3 ratio). DLCT quantitative parameters (iodine concentration (IC), NIC P (IC nodule/IC thyroid parenchyma), NIC A (IC nodule/IC ipsilateral carotid artery), attenuation on the slope of spectral HU curve and effective atomic number), along with clinical variables, were compared between benign and malignant cohorts through univariate analysis. Multivariable logistic regression analysis was employed to identify independent predictors which were used to construct the clinical model, DLCT model, and combined model. A nomogram was formulated based on optimal performing model, and its performance was assessed using receiver operating characteristic curve, calibration curve, and decision curve analysis. The nomogram was subsequently tested in the validation set. Results Independent predictors associated with malignant TNs with indeterminate cytology included NIC P in the arterial phase, Hashimoto’s Thyroiditis (HT), and BRAF V600E (all p < 0.05). The DLCT-clinical nomogram, incorporating the aforementioned variables, exhibited superior performance than the clinical model or DLCT model in both training set (AUC: 0.875 vs 0.792 vs 0.824) and validation set (AUC: 0.874 vs 0.792 vs 0.779). The DLCT-clinical nomogram demonstrated satisfactory calibration and clinical utility in both training set and validation set. Conclusion The DLCT-clinical nomogram emerges as an effective tool to detect malignant lesions in cytologically indeterminate TNs.

Abstract The limitations of deep neural networks in continuous learning stem from oversimplifying the complexities of biological neural circuits, often neglecting the dynamic balance between memory stability and learning plasticity. In this study, artificial synaptic devices enhanced with graphene quantum dots (GQDs) that exhibit metaplasticity is introduced, a higher‐order form of synaptic plasticity that facilitates the dynamic regulation of memory and learning processes similar to those observed in biological systems. The GQDs‐assisted devices utilize interface‐mediated modifications in asymmetric conductive pathways, replicating classical synaptic plasticity mechanisms. This allows for repeatable and linearly programmable adjustments to future weight changes linked to historical weights. Incorporating metaplasticity is essential for achieving generalization within deep neural networks, which enables them to adapt more fluidly to new information while retaining previously acquired knowledge. The GQDs‐device‐based system achieved a 97% accuracy on the fourth MNIST dataset task, while consistently achieving performance levels above 94% on prior tasks. This performance substantiates the feasibility of directly transferring metaplasticity principles to deep neural networks, thereby addressing the challenges associated with catastrophic forgetting. These findings present a promising hardware solution for developing neuromorphic systems with robust and sustained learning capabilities that can effectively bridge the gap between artificial and biological neural networks.