XiaoMi-AI文件搜索系统
World File Search System以指
新加坡的地震研究可以指导城市建设和可再生能源发展
研究人员将其结果与早期的地质调查结合在一起，以重建新加坡可能的构造历史。遍布新加坡中部和东部的地壳基岩可能是由于东马来地球以下大约250至2.3亿年前的古tethys海洋板的俯冲而产生的。
AI可以指导获取诊断质量肺超声图像
Cristiana Baloescu，M.D.，M.P.H.，来自康涅狄格州纽黑文的耶鲁大学医学院，同事们研究了AI在多中心诊断研究中通过THCPS指导THCP的诊断质量LUS图像的能力。年龄在21岁或以上的参与者从四个临床站点招募了两次超声检查：一名使用肺指导AI的THCP操作员和一个没有AI的训练有素的LUS专家。参与之前，THCP进行了标准化的AI培训以获取LUS。
基因型测试，以指导使用抗生素并防止新生儿的听力损失
总共招募了749名婴儿； 711个婴儿（94.9％）来自一个NICU。1，13个中位参与者年龄为2.5天（范围0到198天）。没有记录性别和种族。用抗生素作为护理的一部分，总共526名婴儿（70％）接受了治疗。成功测试了M.1555a> g基因变体的424。未对十二个新生儿进行测试，90名新生儿的测试失败（17.1％）。高测试失败率是由墨盒未完全插入机器引起的。在试验期间更改了墨盒的设计，随后的测试失败率为5.7％。1，13尚不清楚在测试失败后重新测试的新生儿是否在假设它们没有变体的假设下被给予氨基糖苷。
描述早期生活压力的体验元素以指导复原力：可控性和可预测性的缓冲作用及其时间安排的重要性
关键的理论框架提出，研究特定发展时期暴露于特定维度的压力的影响可能会对风险和复原力的过程产生重要的见解。利用 N = 549 名年轻人的样本，他们通过完成在线调查提供了他们一生中暴露于多个维度创伤压力的详细回顾历史以及他们当前创伤相关症状的评分，我们在此测试个人对其一生压力是可控的还是可预测的感知是否缓冲了成年期评估的创伤相关症状的影响。此外，我们测试了在幼儿期、中童期、青春期和青年期压力的背景下评估时这种调节效应是否不同。与假设一致，结果强调压力源可控性和压力源可预测性都可以缓冲创伤压力暴露对创伤相关症状的影响，并表明这种缓冲作用的效力在不同的发展时期有所不同。利用一生中压力暴露的维度评定来探究压力后结果的异质性——并且至关重要的是，考虑暴露维度与压力发生时的发展时期之间的相互作用——可能会增加对创伤压力后风险和恢复力的理解。
建议所有乳腺癌患者进行 HER2 检测以指导治疗。1 罗氏 HER2 (4B5) 检测*是唯一经过临床验证的
1 Wolff AC 等。乳腺癌中人表皮生长因子受体 2 检测：ASCO–美国病理学家学院指南更新。https://ascopubs. org/doi/full/10.1200/JCO.22.02864；访问日期：2023年11月1日。2 数据摘自 NordiQC 运行报告 (https://www.nordiqc.org)；访问日期：2023年11月1日。指 VENTANA 抗 HER2/neu (4B5) 兔单克隆抗体和 PATHWAY 抗 HER2/neu (4B5) 兔单克隆抗体。
领导者细胞机械响应对齐的胶原蛋白结构，以指导集体迁移
领导细胞通过在其微环境中传感提示来指导集体迁移，以确定迁移方向。领导细胞感知机械矩阵结构的机械提示最终在机械响应中的机械提示的机制尚未得到很好的定义。在这项研究中，我们研究了有组织的胶原基质纤维对领导者细胞力学的影响，并证明了沿对齐的纤维沿着排列的纤维延伸，从而导致整个簇的伸长表型。此外，与追随者细胞相比，领导细胞与附近基质的机械相互作用增加，这是通过牵引力增加，增加和更大的局灶性粘附以及整联蛋白-α2的表达增加的证明。一起，我们的结果表明，机械矩阵提示的变化驱动了定向集体迁移所必需的领导者细胞机械响应的变化。我们的发现为癌变的两个基本组成部分（即入侵和转移）提供了新的见解。
蛋白质信号和药物靶标激活特征以指导治疗优先次序：I-SPY 2 试验中的治疗耐药性和敏感性
Rosa I. Gallagher, 1,14,15, * Julia Wulfkuhle, 1,14, * Denise M. Wolf, 2,14 Lamorna Brown-Swigart, 2 Christina Yau, 3 Nicholas O'Grady, 3 Amrita Basu, 3 Ruixiao Lu, 4 Michael J. Campbell, 3 Mark J. Magbanua, 2 Jean-Philippe Coppe ́ , 2 I-SPY 2 调查员、Smita M. Asare、4 Laura Sit、3 Jeffrey B. Matthews、3 Jane Perlmutter、5 Nola Hylton、6 Minetta C. Liu、7 W. Fraser Symmans、8 Hope S. Rugo、9 Claudine Isaacs、10 Angela M. DeMichele、11 Douglas Yee、 12 Paula R. Pohlmann、13 Gillian L. Hirst、3 Laura J. Esserman、3 Laura J. van ‘t Veer、2 和 Emanuel F. Petricoin 1,14、* 1 乔治梅森大学应用蛋白质组学和分子医学中心，弗吉尼亚州马纳萨斯4 Quantum Leap Healthcare Collaborative，旧金山，CA 94118，美国 5 Gemini Group，安娜堡，MI 48107，美国 6 加州大学放射科，旧金山，旧金山，CA 94143，美国 7 放射科，旧金山，旧金山，CA 94143，美国外科，梅奥诊所，罗彻斯特，明尼苏达州 55905，美国 8 病理学部，德克萨斯大学 MD 安德森癌症中心，休斯顿，德克萨斯州 77030，美国 9 血液学/肿瘤学部，加利福尼亚大学旧金山分校，旧金山，CA 94158，美国宾夕法尼亚大学佩雷尔曼医学院，费城，宾夕法尼亚州 19104，美国 12 明尼苏达大学医学系，明尼阿波利斯，明尼苏达州 55455，美国 13 德克萨斯大学 MD 安德森癌症中心乳腺肿瘤科，休斯顿，德克萨斯州 77030，美国（R.I.G.), jwulfkuh@gmu.edu (J.W.), epetrico@gmu.edu (E.F.P.)https://doi.org/10.1016/j.xcrm.2023.101312
人工智能可以指导外科医生的操作吗？
在医学领域，尤其是外科领域，人工智能 (AI) 融入临床实践已不再是未来的幻想，而是正在展开的现实。人工智能革命性地改变外科手术的潜力不仅在于它能够在创纪录的时间内处理来自各种来源的大量数据，还在于它能够增强人类对手术区域的感知并增强手术决策能力。“人工智能可以引导外科医生的手吗？”这个问题不仅仅是一个修辞问题，而是对外科护理未来的深刻探究。虽然几乎每一篇关注外科手术人工智能的科学论文都强调了提高手术效率、术中风险降低和导航以及重复任务自动化的承诺，但在将这一令人兴奋的新工具应用于手术室的日常生活之前，需要克服一些关键障碍 1 。这篇社论探讨了这些障碍，同时
为临床医生开发和评估人工智能预测模型以指导临床决策的路线图
摘要 背景 预测模型已在临床护理中使用了几十年。它们可以确定患者患上特定疾病或并发症的风险，并为共享决策过程提供信息。开发用于临床实践的人工智能 (AI) 预测模型具有挑战性；即使它们具有良好的预测性能，也不能保证它们会被使用或增强决策。我们描述了开发和评估预测 AI 模型的九个阶段，认识到临床医生在每个阶段可能面临的挑战，并提供了帮助管理这些挑战的实用技巧。 结果 这九个阶段包括澄清感兴趣的临床问题或结果（输出）、确定合适的预测因子（特征选择）、选择相关数据集、开发 AI 预测模型、验证和测试开发的模型、呈现和解释模型预测、许可和维护 AI 预测模型以及评估 AI 预测模型的影响。将人工智能预测模型引入临床实践通常涉及多个相互作用的因素，包括模型预测的准确性、医生和患者对这些概率的理解和使用、后续行动或干预的预期效果以及对这些行动或干预的遵守情况。能否实现效益的很大一部分差异与预测是否及时提供给临床医生，使他们能够采取适当的行动有关。结论人工智能预测模型对过程和结果的下游影响差异很大，因此，使用适当的研究设计来评估其在临床实践中的应用至关重要。
内体-内质网相互作用定义细胞能量景观以指导货物运输
分子马达驱动的货物必须在复杂的细胞内环境中航行，而细胞内环境通常拥挤、异质且波动，才能在细胞内发挥其多种功能。为了应对这些挑战，大多数货物表现出定性相似的运输行为，即在扩散“抖动”运动状态（关闭状态）和定向“运行”状态（开启状态）之间随机切换。这种 2 态运动的物理图像及其在细胞内的调节尚不清楚。在这里，通过使用单粒子跟踪和运动状态解剖，我们对活细胞中表皮生长因子受体 (EGFR)-内体的 2 态运动进行了统计分析。通过对大量 EGFR-内体轨迹的彻底分析，我们发现它们在两种状态下的寿命都呈指数分布，其概率密度函数 (PDF) 幅度相差超过三十年。我们表明，它们的特征时间、开启状态概率、速度和关闭状态扩散系数受空间调节，并且可能由内质网 (ER) 网络通过其空间变化的膜密度和与货物的相互作用而产生。我们进一步提出了一个 2 状态传输模型来描述细胞中 EGFR-内体复杂、空间变化的传输动力学。我们的研究结果表明，ER 网络可能在构建细胞级自由能景观 ∆ G ( r ) 以在空间上引导货物运输方面发挥重要作用。