XiaoMi-AI文件搜索系统
World File Search System一致的
肺癌脑转移与原发肿瘤受体表达不一致的系统评价与荟萃分析
摘要背景转移性非小细胞肺癌的治疗模式越来越多地基于生物标志物驱动的疗法，其中最常见的改变是表皮生长因子受体 (EGFR) 的突变。此类生物标志物表达的变化可能会对所选靶向治疗的选择和疗效产生深远影响，因此本研究的目的是分析肺癌脑转移 (LCBM) 患者的 EGFR 状态不一致。方法使用 PRISMA 指南，对 Medline 数据库中 2020 年 5 月之前发表的活检或切除的 LCBM 系列进行系统评价。关键词包括“肺癌”和“脑转移”结合“表皮生长因子受体/EGFR”和“受体转换/不一致或一致”。使用加权随机效应模型计算汇总估计值。结果我们从 19 篇全文文章中确定了 501 名患者纳入本研究。所有患者均接受了至少一处颅内病变的活检或切除术，以与原发肿瘤进行比较。在原发肿瘤/LCBM 比较中，整体 EGFR 受体不一致的加权汇总估计值为 10%（95% CI 5-17%）。加权效应模型估计，在原发肿瘤阴性的患者中，脑转移瘤中 EGFR 突变的增加率为 7%（95% CI 4-12%）。或者，在原发肿瘤中检测到突变的患者中，EGFR 突变的丢失率为 7%（95% CI 4-10%）。在 148 名患者的子集中，还对原发肿瘤和 LCBM 进行了 KRAS 检测。与原发肿瘤相比，LCBM 中 KRAS 突变不一致的加权效应估计值为 13%（95% CI 5-27%）。 LCBM 中 KRAS 增加和损失的加权效应估计分别为 10%（95% CI 6–18%）和 8%（95% CI 4–15%）。元回归分析未发现与任何可能与不一致相关的因素有任何关联。结论原发性肿瘤和 LCBM 之间的 EGFR 和 KRAS 突变状态不一致分别发生在约 10% 和 13% 的患者中。评估 LCBM 受体状态是生物标志物驱动的颅内疾病靶向治疗的关键，而对于仅接受颅内疾病全身治疗的患者，了解亚型转换至关重要。
通过自我监督的识别一致的神经合奏
从记录的神经活动中解码刺激或行为是研究大脑功能在研究中的常见方法，也是脑部计算机和脑机界面的重要组成部分。可靠的解码即使是从小型神经种群中也可能导致高维神经种群活动，通常占据低维man-可通过合适的潜在可变模型可发现的低维man。随着时间的流逝，单个神经元的活性和神经记录设备中不稳定性的漂移可能是基础的，使几天和几周的稳定解码变得不切实际。虽然无法在单个神经元水平上预测这种漂移，但是当连续记录会话（例如不同的神经元集以及记录数据中一致的神经元的变化排列）时，人群水平的变化可能是可以学习的。在会话中的一致性与陌生神经元的分类以及按照记录的一致记录神经元的偏差来考虑偏差，然后可以保持解码性能并揭示与任务相关的神经歧管。在这里，我们表明，对深神经网络的自我监督培训可用于弥补这一间歇间的可变性。结果，顺序的自动编码模型可以维持最新的行为解码性能，以使未来几天的完全看不见的记录会话。我们的方法仅需要一次录制会话来培训模型，这是迈向可靠，无重新校准的大脑计算机接口的一步。关键字：多种学习，神经科学，自我监督学习，神经解码，神经种群活动，顺序自动编码器，电生理学
系统评价 XAIR：与软件开发过程相一致的可解释人工智能 (XAI) 的系统元评价
摘要：目前，可解释性是人工智能 (AI) 在各个应用领域的实际实施方面面临的主要障碍。为了解决对基于 AI 的系统缺乏理解的问题，可解释人工智能 (XAI) 旨在使黑盒 AI 模型对人类更加透明和易于理解。幸运的是，已经引入了大量 XAI 方法从不同角度解决可解释性问题。然而，由于搜索空间巨大，对于 ML 从业者和数据科学家来说，从开发 XAI 软件开始并选择最合适的 XAI 方法是一项挑战。为了应对这一挑战，我们引入了 XAIR，这是对最有前途的 XAI 方法和工具的新颖的系统元评论。XAIR 通过将其结果与软件开发过程的五个步骤（包括需求分析、设计、实施、评估和部署）保持一致，从而与现有评论区分开来。通过这种映射，我们旨在更好地理解开发 XAI 软件的各个步骤，并促进创建包含可解释性的现实世界 AI 应用程序。最后，我们强调了未来研究的新方向。
（甲基乙酰胺）基于苯的构造：一致的捕获
共晶工程正在吸引越来越多的兴趣，这是一种具有有趣属性的新材料的有前途的方式，并且正在进行的研究正在制定可靠的设计规则以进行合并。1 2 3 4组成分子的大小和形状（此处称为构造）5是控制晶格排列的重要因素，以及由固态堆积产生的紧密分子间相互作用的强度和方向性。6 7原则上，当所有构造构成具有明确定义的刚性分子时，相对容易预测可能的晶格包装。共结晶晶格预测变得更具挑战性。6 7 8在这种情况下，最简单的概念方法是假设所有柔性构造都采用了最低的能量构象。然而，这种范式忽略了高能构象中的柔性构造可能会导致更有利的固态填料，这是由于官能团的定位，因此可能会允许更有利的固态包装。换句话说，增加的有利分子间相互作用数量增加可以抵消当构造采用高能量分子构象时所产生的能量惩罚。6 9
文章不一致的基因组组装极大地改变了单细胞 RNA 测序数据的解释，而新型整合素可以缓解这一问题
读取以映射和比对到单个参考基因组。使用墨西哥虾夷扇贝，本研究强调了当与两个不同的可用基因组组装比对时，来自同一样本的单细胞数据集的解释如何变化。我们发现，与不同的组装比对时，检测到的细胞数量和表达基因有很大不同。当将基因组组装与其各自的注释单独使用时，细胞类型识别会混淆，因为一些经典的细胞类型标记是组装特异性的，而其他基因在两个组装之间显示出不同的表达模式。为了克服多基因组组装带来的问题，我们建议研究人员与每个可用的组装比对，然后整合结果数据集以生成最终数据集，其中可以同时使用所有基因组比对。我们发现这种方法提高了细胞类型识别的准确性，并通过捕获所有可能的细胞和转录本最大限度地增加了可以从我们的单细胞样本中提取的数据量。随着 scRNAseq 变得越来越广泛，单细胞社区必须意识到基因组组装比对如何改变单细胞数据及其解释，尤其是在审查非模型生物的研究时。
初始激素受体/HER2 亚型是晚期乳腺癌亚型不一致的主要决定因素：SONABRE 登记研究
摘要 目的 激素受体 (HR) 和人表皮生长因子受体 2 (HER2) 是指导乳腺癌全身治疗选择的主要参数，但会在疾病过程中发生变化。本研究旨在评估晚期乳腺癌 (ABC) 患者的活检率和受体亚型不一致率。方法 从荷兰东南部晚期乳腺癌 (SONABRE) 登记处选取 2007 年至 2018 年 7 家医院确诊为 ABC 的患者。进行多变量逻辑回归分析以确定影响活检和不一致率的因素。结果 总体而言，2854 名患者中有 60% 在诊断时进行了转移部位的活检。与活检率降低相关的因素之一是 HR + /HER2 + 原发性肿瘤亚型（与 HR + /HER2- 亚型相比：OR = 0.68；95% CI：0.51–0.90）。在 748 名接受原发性肿瘤和转移部位活检的患者中，总受体不一致率为 18%。其中 HR + /HER2 + 原发性肿瘤亚型的不一致率最高，为 55%。在 624 名异时性转移患者中，HR + /HER2 + 亚型仍然是与较高不一致率显著相关的唯一预测因素，无论先前的（新）辅助治疗如何（OR = 7.49；95% CI：3.69-15.20）。结论 HR + /HER2 + 亚型的不一致率最高，但活检率在所有四种受体亚型中最低。先前的全身治疗与亚型不一致没有独立相关性。这项研究强调了获取转移性疾病活检的重要性，尤其是 HR + /HER2 + 亚型，以确定最佳治疗策略。
电介质中不一致的阶段：2。材料
我们对凝结问题的理解正在迅速发展，目前，该领域获得的许多新见解在很大程度上定义了当代科学的面貌。此外，该领域的发现正在塑造现在和未来的技术。如此，很明显，未来发展的最重要结果和指示只能由合作的国际作家群体涵盖。“冷凝物质科学中的现代问题”是一系列关于凝结物质科学的贡献和专着，该专题由Elsevier Science Publishers的部门North-Holland Pharpishing发表。在杰出的咨询编辑委员会的支持下，该系列选择了当前感兴趣的领域，这些领域已予以审查。苏联和西方学者都在为该系列做出贡献，因此，每个贡献的数量都有两个编辑。专着。完整系列将提供冷凝物质科学的最全面覆盖范围。本系列基础的另一个重要结果是出现了来自不同国家的学者之间一种相当有趣且富有成果的合作形式。我们深信，这种在科学与艺术领域的国际合作以及其他对人类活动的社会有用领域将有助于建立信心与和平的氛围。出版社“ nauka”以俄罗斯语言出版。以这种方式确保了最广泛的读者群。
可解释人工智能的水平，用于与人类保持一致的对话解释
过去几年，可解释人工智能 (XAI) 和与之密切相关的可解释机器学习 (IML) 的研究发展迅速。推动这一增长的因素包括最近的立法变化、行业和政府增加的投资，以及公众日益关注。人们每天都会受到自主决策的影响，公众需要了解决策过程才能接受其结果。然而，XAI/IML 的绝大多数应用都侧重于提供低级“狭义”解释，说明如何根据特定数据做出个人决策。虽然这些解释很重要，但它们很少能洞察代理的信念和动机；其他（人类、动物或人工智能）代理意图的假设；对外部文化期望的解释；或者，用于生成自身解释的过程。然而，我们认为，所有这些因素对于提供人们接受和信任人工智能决策所需的解释深度都至关重要。本文旨在定义解释的层次，并描述如何将它们整合起来，以创建一个以人为本的对话解释系统。为此，本文将调查当前的方法，并讨论如何整合不同的技术，以通过广泛可解释人工智能 (Broad-XAI) 实现这些层次，从而迈向高级“强”解释。
o r i g i n a l r e s a r c h不一致的定量和视觉CT评估在诊断肺气肿
目的：肺的计算机断层扫描（CT）的视觉评估通常用于诊断肺气肿。定量CT（QCT）可以补充视觉CT，但必须得到充分验证。QCT肺气肿定义为低衰减区域≤-950 Hounsfield单位（LAA-950）占据的肺体积≥5％。不一致的视觉和QCT评估并不少见。我们检查了大量受试者中的视觉和定量胸部CT评估之间的关联，以识别可能解释不一致的视觉和QCT发现的变量。材料和方法：对在爱荷华大学进行的COPDGENE研究1阶段入学的1221名受试者进行的1221名受试者的体积CT扫描进行了审查。参与者包括从不吸烟者，具有正常肺活量测量的吸烟者，肺活量测量值障碍和全球阻塞性肺病（金）阶段I – IV的倡议。ct扫描是由科德吉尼成像中心和爱荷华大学放射科医生定量评分和视觉解释的。个人级视觉评估与QCT测量值进行了比较。使用KAPPA统计量计算两组放射科医生之间的一致性。我们使用回归方法评估了与不一致结果相关的变量。结果：我们中心放射科医生和QCT之间存在肺气肿（61％的一致性，kappa，0.22 [0.17-0.28]）是公平的一致性。当前的吸烟和女性性别与QCT阴性但视觉上可检测到的肺气肿显着相关。临床试验注册：临床Trials.gov标识符NCT000608764。类似的比较ISON显示了COPDGENE成像中心与QCT之间的略有一致性（56％的一致性，Kappa 0.16 [0.11-0.21]），两组视觉评估之间的中等一致（80％一致性，Kappa 0.60 [0.60 [0.54-0.65]）。结论：肺气肿的视觉和定量CT评估之间的一面一致的一致性强调，需要利用这两种方式进行全面的放射学评估。不一致的结果可能归因于一个或多个在较大研究中需要进一步探索的因素。关键词：胸部成像，慢性阻塞性肺部疾病，观察者一致，Akaike信息标准