XiaoMi-AI文件搜索系统
World File Search System中毒
应报告的未确定药物过量 ICD 10 代码
T40.0X4A 鸦片中毒，未确定，初次接触 T40.1X4A 海洛因中毒，非故意，初次接触 T40.2X4A 其他阿片类药物中毒，未确定，初次接触 T40.3X4A 美沙酮中毒，未确定，初次接触 T40.414A 芬太尼或芬太尼类似物中毒，未确定，初次接触 T40.424A 曲马多中毒，未确定，初次接触 T40.494A 其他合成麻醉品中毒，未确定，初次接触 T40.5X4A 可卡因中毒，未确定，初次接触 T40.604A 未指明的麻醉品中毒，未确定，初次接触麻醉品中毒，未确定，初次接触 T40714A 大麻中毒，未确定，初次接触 T40724A 合成大麻素中毒，未确定，初次接触 T40.7X4A 大麻（衍生物）中毒，未确定，初次接触 T40.8X4A 麦角酸二乙酯 [LSD] 中毒，未确定，初次接触 T40.904A 未指明的精神障碍药物 [致幻剂] 中毒，未确定，初次接触 T40.994A 其他精神障碍药物 [致幻剂] 中毒，未确定，初次接触 T42.3X4A 巴比妥类药物中毒，未确定，初次接触 T42.4X4A 苯二氮卓类药物中毒，未确定，初次接触T42.5X4A 混合抗癫痫药中毒，未确定，初次就诊 T42.6X4A 其他抗癫痫药和镇静催眠药中毒，未确定，初次就诊 T42.74XA 未指明的抗癫痫药和镇静催眠药中毒，未确定，初次就诊 T43.014A 三环类抗抑郁药中毒，未确定，初次就诊 T43.024A 四环类抗抑郁药中毒，未确定，初次就诊 T43.1X4A 单胺氧化酶抑制剂抗抑郁药中毒，未确定，初次就诊 T43.204A 未指明的抗抑郁药中毒，未确定，初次就诊 T43.214A 选择性 5-羟色胺和去甲肾上腺素再摄取中毒抑制剂中毒，未确定，初次就诊 T43.224A 选择性血清素再摄取抑制剂中毒，未确定，初次就诊 T43.294A 其他抗抑郁药中毒，未确定，初次就诊 T43.3X4A 吩噻嗪类抗精神病药和神经安定药中毒，未确定，初次就诊 T43.4X4A 丁酰苯和噻噻嗪类神经安定药中毒，未确定，初次就诊 T43.504A 未指明的抗精神病药和神经安定药中毒，未确定，初次就诊 T43.594A 其他抗精神病药和神经安定药中毒，未确定，初次就诊 T43.604A 未指明的精神兴奋剂中毒，未确定，初次就诊安非他明，未确定，初次接触 T43.634A 哌甲酯中毒，未确定，初次接触 T43.644A 摇头丸中毒，未确定，初次接触 T43.694A 其他精神兴奋剂中毒，未确定，初次接触 T43.8X4A 其他精神药物中毒，未确定，初次接触 T43.94XA 未明确的精神药物中毒，未确定，初次接触 T48.0X4A 催产药物中毒，未确定，初次接触 T48.1X4A 骨骼肌松弛剂（神经肌肉阻断剂）中毒，未确定，初次接触 T48.204A 作用于肌肉的未明确药物中毒，意外未确定，初次接触 T48.294A 作用于肌肉的其他药物中毒，未确定，初次接触 T48.3X4A 镇咳药中毒，未确定，初次接触 T48.5X4A 其他抗感冒药中毒，未确定，初次接触初次相遇
乙二醇中毒因心脏骤停和升高的乳酸间隙而复杂：病例报告
乙二醇是汽车防冻剂和各种家庭和工业产品中的共同组成部分，无论是意外还是故意的，都会在摄入时构成重大健康风险。以严重的代谢性酸中毒，草酸钙晶体的形成和各种末端器官损伤，乙烯乙二醇毒性的特征是致命的，其潜在致命剂量估计为1500 mg/kg。母体化合物具有渗透活性，导致有害代谢物的产生，例如乙酸和草酸，这有助于代谢性酸中毒，肾毒性和心脏毒性。急性管理策略涉及支持性护理，将fomepizole作为竞争性酶抑制剂的管理以及通过透析消除肾脏。此外，乳酸间隙是乙二醇中毒中重要的诊断工具，突出了测量和预期乳酸水平之间的差异，这可能表明代谢性酸中毒和组织灌注不足。，我们提出了一例乙二醇中毒的病例，尽管启动治疗以及可能使用乳酸间隙来预测严重程度，但心脏骤停复杂。
在机器学习中检测和减轻数据中毒攻击：加权平均方法
对抗性攻击，特别是数据中毒，可以通过将故意设计的数据插入训练集中来影响机器学习模型的行为。本研究提出了一种识别对机器学习模型的数据中毒攻击的方法，即加权平均分析（VWA）算法。该算法评估了输入特征的加权平均值，以检测任何可能是中毒努力迹象的违规行为。该方法发现可以通过添加所有加权平均值并将其与预测值进行比较来指示操纵的偏差。此外，它可以区分二进制和多类分类实例，从而修改其分析。实验结果表明，VWA算法可以准确地检测和减轻数据中毒攻击，并提高机器学习系统针对对抗性威胁的鲁棒性和安全性。
联邦学习遭受攻击：通过计算机网络中的数据中毒攻击暴露漏洞
摘要 — 联邦学习是一种使多个设备能够共同训练共享模型而不共享原始数据的方法，从而保护数据隐私。然而，联邦学习系统在训练和更新阶段容易受到数据中毒攻击。使用 CIC 和 UNSW 数据集，在十分之一的客户端的 FL 模型上测试了三种数据中毒攻击 - 标签翻转、特征中毒和 VagueGAN。对于标签翻转，我们随机修改良性数据的标签；对于特征中毒，我们改变随机森林技术识别出的具有高度影响力的特征；对于 VagueGAN，我们使用生成对抗网络生成对抗样本。对抗样本只占每个数据集的一小部分。在本研究中，我们改变了攻击者修改数据集的百分比，以观察它们对客户端和服务器端的影响。实验结果表明，标签翻转和 VagueGAN 攻击不会显著影响服务器准确性，因为它们很容易被服务器检测到。相比之下，特征中毒攻击会巧妙地削弱模型性能，同时保持较高的准确率和攻击成功率，凸显了其隐蔽性和有效性。因此，特征中毒攻击可以操纵服务器，而不会显著降低模型准确率，这凸显了联邦学习系统面对此类复杂攻击的脆弱性。为了缓解这些漏洞，我们探索了一种名为“随机深度特征选择”的最新防御方法，该方法在训练期间将服务器特征随机化为不同大小（例如 50 和 400）。事实证明，该策略在最大程度地降低此类攻击的影响（尤其是在特征中毒方面）方面非常有效。
生物标志物监测抗凝血灭鼠剂对非目标动物中毒的效力
广泛使用农药防治农业害虫是环境健康公共舞台上的一个热门话题。选择性害虫防治以将环境影响降至最低是环境毒理学领域的主要目标，特别是为了避免不同生物体意外中毒。抗凝血灭鼠药会导致血液凝固过程异常；它们被广泛用于控制啮齿动物，导致家畜和非目标掠食性野生动物通过直接摄入含有灭鼠药的诱饵或食用中毒猎物而无意中接触灭鼠药。为了报告毒性作用，最常见的方法是测量出现临床症状的死亡或中毒动物肝脏或血浆中抗凝血灭鼠药的残留量。然而，一个主要的挑战是目前文献中缺乏用于区分接触和毒性的肝脏或血浆浓度阈值。由于抗凝血灭鼠药在不同物种和物种内的药理学特性存在差异，因此必须确定每种物种的剂量反应关系，以预先判断中毒的相对风险。除此之外，生物标志物是广泛用于污染物生态风险评估的关键解决方案。由于抗凝血灭鼠药 (AR) 在生化水平上具有毒性作用，因此生物标志物可以作为毒性暴露的指标。从这个意义上讲，了解生物体内抗凝血灭鼠药的毒理学知识是确定敏感、特异性和合适生物标志物的重要工具。在这篇综述中，我们概述了不同动物物种中抗凝血灭鼠药的毒效学和毒代动力学参数。我们研究了用于表征和区分抗凝血灭鼠药暴露和毒性作用的不同类型的生物标志物，展示了这些检测方法的优缺点。最后，我们描述了可能的新生物标志物并强调了它们的能力。
empagliflozin与2型糖尿病患者的患者相关的糖尿病性酮酸病中毒
一名43岁的亚洲男子，患有心肌梗塞（MI），高血压（HTN）和2型糖尿病（T2DM）（T2DM）的病史，最初呈现给退伍军人事务（VA）医院进行间歇性胸痛，这已经进行了几天。患者表示，他的胸痛是胸骨下疼痛，无辐射，在劳累时会恶化，并随着休息而改善。他报告说，他在墨西哥居住时在2018年有MI。但是，由于经济原因，当时没有进一步的调查和治疗，包括经皮冠状动脉干预（PCI）。他说，他已经搬回美国寻求更好的医疗服务。他的家用药物包括阿托伐他汀，卡维丝醇，赖诺普利，硝酸甘油，阿司匹林和雌激素。在VA医院，工作心脏导管插入术表现出多次冠状动脉疾病（CAD）。随后将患者转移到我们医院，以进行冠状动脉搭桥术（CABG）。
人工智能、数据完整性和新兴网络威胁
研究中采用了两种数据中毒方法：分视图数据中毒和前端数据中毒。分视图数据中毒基于这样的理解：虽然训练数据集的索引无法更改，但数据集中 URL 的内容可以更改，这使得“能够对数据集索引的 Web 资源施加持续控制的对手能够毒害最终用户收集的结果数据集”。38 当对手能够在很短的时间内更改 Web 内容且无法检测到修改时，就会发生前端数据中毒。如果恶意行为者能够准确预测何时访问此类 Web 内容以获取数据集快照，则有可能实现这一点。以广泛用于 AI 数据集的 Wikipedia 为例，研究人员发现他们可以“精确到分钟”地预测捕获数据快照的时间。39 这使得他们能够在拍摄数据快照之前的几分钟内插入不准确的数据，在此期间维基百科没有足够的时间修改不准确的数据。结果，错误的数据被捕获并输入到 AI 训练数据集中。
前哨：一个聚合功能以确保分散的联合学习
摘要。分散的联合学习（DFL）是一种创新的范式来培训协作模型，以解决单一的失败限制。但是，FL和DFL的安全性和可信赖性因中毒攻击而受到损害，从而对其表现产生负面影响。现有的防御机制是为集中式FL设计的，它们不能充分利用DFL的特殊性。因此，这项工作引入了Sentinel，这是一种防御策略，以抵消DFL中的中毒攻击。Sentinel利用本地数据的可访问性，并定义了一个三步聚合协议，该协议包括相似性过滤，自举验证和归一化以保护恶意模型更新。Sentinel已通过不同的数据集和数据分布进行了评估。此外，已经验证了各种中毒攻击类型和威胁水平。当数据遵循IID（独立和相同分布）配置时，结果与未靶向和有针对性的中毒攻击相对于不靶向和有针对性的中毒攻击提高了最新性能。此外，在非IID配置下，它可以分析Sentinel和其他最先进的强大聚合方法的性能如何降低。
2024 海报时间表#3.xlsx
海报 ID-260 使用经过糖尿病视网膜病变眼部扫描训练的机器学习 (ML) 模型 DenseNet-121 中的中毒数据来计算中毒数据严重程度导致 ML 模型在医疗保健应用中变得危险的阈值