XiaoMi-AI文件搜索系统
World File Search System固有能力
释放免疫系统在癌症中的潜力......
癌症长期以来一直是医学领域的一大挑战。然而，近年来癌症治疗出现了一条有希望的途径：利用人体的免疫系统对抗疾病。这一突破由临床试验促成，正在重塑癌症治疗，并为全球患者带来新的希望。我们身体的免疫系统是抵御从病毒到细菌等一系列威胁的天然防御机制。然而，它在识别和对抗癌细胞方面经常遇到障碍，癌细胞要么逃避检测，要么抑制免疫反应。为了克服这一障碍，免疫疗法应运而生，旨在充分发挥免疫系统对抗癌症的潜力。与化疗和放疗等直接针对肿瘤的传统治疗方法不同，免疫疗法增强了人体识别和对抗疾病的固有能力。免疫疗法的一种主要形式是免疫检查点抑制剂，例如派姆单抗和纳武单抗等药物。这些药物会阻止免疫检查点（阻碍免疫系统攻击健康细胞的蛋白质）。通过阻断这些检查点，这些药物增强了免疫系统有效靶向癌细胞的能力。另一种开创性方法是修改患者的 T 细胞以表达嵌合抗原受体，以识别和靶向癌细胞。修改后，这些 T 细胞会被重新引入患者体内，在那里它们会积极寻找并消灭癌细胞。此外，癌症疫苗通过向癌细胞呈现特定抗原来促使免疫系统识别和攻击癌细胞。这些疫苗可用于预防癌症复发或成为治疗策略的重要组成部分。从本质上讲，免疫疗法预示着癌症治疗的范式转变，重点是利用人体自身的防御能力来对抗疾病 [1]。
![[18F] AV45 研究](/simg/a\aa9134fd1684595eb1d12f307897c2d887d63732.webp)
[18F] AV45 研究
Aβ 是一种由 36-43 个氨基酸组成的肽，由淀粉样蛋白前体 (APP) 在 β 和 γ 分泌酶催化下裂解而产生 (5-8)。Aβ 存在于神经元和细胞外空间 (9-11)。Aβ 肽具有通过自组装自发形成寡聚体、原纤维或成熟淀粉样蛋白纤维的固有能力 (12-14)。在有症状的 AD 和病理定义的临床前 AD 中观察到 Aβ 斑块、原纤维和纤维 (15-19)。显然，血浆 Aβ 浓度和脑 β-淀粉样变性可以预测 AD (20-22)。这些积累也对疾病的阶段很敏感，这意味着处于 AD 临床前阶段的患者的脑脊液中 Aβ42 水平较低 (23, 24)。研究表明，与健康人相比，AD 患者大脑中的 GAP-43 水平明显较高 (25)。在受 AD 病理影响的大脑区域（包括海马体、杏仁核和皮质）中观察到了 GAP-43 水平的升高 (26)。GAP-43 水平与 NFT 和 Aβ 斑块存在之间的相关性表明它可能反映了疾病进展的程度。 (27)。GAP-43 主要存在于神经元中，参与调节突触可塑性和轴突生长。由于 AD 的特征是突触功能障碍和神经退化，AD 大脑中 GAP-43 表达的改变表明其作为生物标志物的潜在相关性 (28, 29)。GAP-43 在大脑的早期发育阶段至关重要，包括产前和产后早期。它在神经突生长、突触形成和神经元可塑性中起着至关重要的作用。由于 AD 病理在临床症状出现前数年就开始了，因此在疾病早期阶段检测到 GAP-43 水平的改变表明其具有作为早期生物标志物的潜力（30-32）。
利用缺陷纳米光谱法对嵌入 HfO2 的金属纳米晶体中的随机电报噪声进行空间控制生成和探测
摘要：随机电报噪声 (RTN) 通常被认为是一种麻烦，或者更确切地说，是微型半导体器件的关键可靠性挑战。然而，这种情况正在逐渐改变，因为最近的研究表明，基于 RTN 信号固有随机性的新兴应用出现在最先进的技术中，包括真正的随机数生成器和物联网硬件安全。现在，人们正在积极探索合适的材料平台和设备架构，以将这些技术从萌芽阶段带入实际应用。一个关键的挑战是设计出可以可靠地用于确定性地创建用于 RTN 生成的局部缺陷的材料系统。为了实现这一目标，我们结合传导原子力显微镜缺陷谱和统计因子隐马尔可夫模型分析，在纳米级研究了嵌入 HfO 2 堆栈的 Au 纳米晶体 (Au-NC) 中的 RTN。在堆栈上施加电压后，Au-NC 周围的非对称电场会增强。这反过来又导致当电压施加到堆栈以诱导电介质击穿时，优先在 Au-NC 附近的 HfO 2 中产生原子缺陷。由于 RTN 是由紧密间隔的原子缺陷之间的各种静电相互作用产生的，因此 Au-NC HfO 2 材料系统表现出产生 RTN 信号的固有能力。我们的研究结果还强调，多个缺陷的空间限制以及由此产生的缺陷之间的静电相互作用提供了一个动态环境，除了标准的两级 RTN 信号之外，还会导致许多复杂的 RTN 模式。在纳米尺度上获得的见解可用于优化金属纳米晶体嵌入的高 κ 堆栈和电路，以按需生成 RTN 以满足新兴随机数应用的需求。关键词：传导 AFM、电介质击穿、金属纳米晶体、氧化物缺陷、随机电报噪声
白皮书：安全 AI。这如何实现？ - Fraunhofer IKS
具有认知能力的新一代信息物理系统 (CPS) 正在为现实世界的控制应用而开发。例如自动驾驶汽车、柔性生产工厂、自动化手术机器人、智能电网和认知网络。这些系统基于人工智能 (AI)，利用 AI 领域的技术灵活应对不精确、不一致和不完整，具有从经验中学习的固有能力，并根据不断变化甚至不可预见的情况进行调整。然而，AI 的这种额外灵活性使其行为更难预测，而挑战在于构建基于 AI 的系统而不产生“类似 AI”行为的弱点 [1]。此外，信息物理 AI 系统通常是安全关键的，因为它们可能会在现实世界中造成真正的伤害。因此，安全 AI 的核心目标是处理甚至克服安全与复杂 AI 系统很大程度上不可预测的行为之间的矛盾。例如，考虑一种汽车的自动紧急制动系统，该系统基于机器学习 (ML) 不断感知操作环境，通过基于操作环境模型（及其自身）的 AI 决策模块评估当前情况，并在必要时通过超越人类驾驶员来启动紧急制动操作。当然，这种紧急操作的目的是防止在时间紧迫的情况下发生事故，因为人类操作员可能无法再控制这些事故。紧急制动操作本身也与安全有关，因为错误执行可能会造成严重伤害。安全 AI 挑战并不新鲜 [2]，很可能可以追溯到 20 世纪 50 年代初的图灵本人。尽管如此，由于人们对人工智能的热情高涨，它最近变得至关重要，因为人工智能技术的接受度和在现实世界应用中的成功取决于有意义、可靠和安全的控制。关于在现实世界中负责任地部署人工智能的持续讨论范围从以人为本的社会规范和价值观 2 到其稳健和安全的实现 [3] [4]。然而，在这个思想大纲中，我们将自己限制在安全人工智能系统的技术设计和工程原理上，这是将任务和安全关键型人工智能系统负责任地部署到我们的社会结构中的必要步骤。此外，尽管我们在这个思想大纲中只关注安全方面，但我们相信，所建议的方法也能与人工智能系统的相关可靠性属性（如安全性、隐私、逆向隐私、公平性和透明度）有效地交叉。
细胞NAP：一种用于定量相成像中3D细胞分割的快速，准确算法
1引入细胞形状的调节和协调在生物存在的各个阶段都是天然生理的核心。光学成像的最新进展通过揭示了具有先前未想象的细节的细胞特征和过程，从而为这种现象提供了机械见解。1，2，3对这种复杂的生物过程进行准确分析的中心是细胞图像的精确分割。量化细胞形态，例如形状，面积，循环，纵横比等，首先是在给定视野中首先分割细胞。由于其毫无疑问的意义，已经完成了许多工作来标准化该过程。有发达的开源软件套件，尤其是CellProfiler 4和Cellpose，5，以非常准确地执行此类分割任务。最新对CellProfiler的更新包括三维（3D）图像分割的功能，目前是执行此类任务的最广泛使用的工具。但是，由于当前用于生物成像的主力是荧光显微镜，因此所有标准的分割软件均针对荧光图像进行优化和针对分析。然而，非常需要研究活细胞中各种结构的动力学和生理活性。定量相成像（QPI）使用基于激光的干涉法测量光场图像，并迅速作为可行的成像替代方案出现，因为它提供了无标签方式的形态和动力学的客观度量。这个1除了由常规强度的微拷贝技术提供的振幅图像外，QPI还测量了由样品的折射率（RI）分布控制的光相延迟图。由于内源性RI分布与细胞类型的结构和生化特征密切相关，因此可以分析获得的现场图像，以系统地发现图像中编码的细胞类型特异性形态和生物物理指纹。在过去的二十年中，QPI为各种生物学植物提供了重要的见解，从红细胞的膜动力学6到神经元活性7和细胞纳米粒子相互作用，8、9和细胞 - 滴定相互作用。10最近，还表明QPI图像可以使用深度学习技术映射到荧光图像，这是一种概念，即形成图像到图像的翻译。使用QPI和机器学习的组合的污渍（即，特定的荧光团/污渍将在未标记的标本中结合）的预测，11 - 13及其逐渐添加了更多的污渍。的确，具有计算特异性的相成像可以独立地独立地测量核和细胞质的生长，而不会丧失生存力。中述许多应用和其他紧急应用的中心是QPI在依附和流动的细胞种群中QPI的固有能力，在库中测量单细胞体积和质量非破坏性和超敏感性。1进行此类分析的关键步骤是细胞群体层析成像图像的准确分割。由于QPI成像仍然是细胞生物学领域中相对较新的技术，因此分析管道不像荧光图像那样发达。为荧光图像分割而开发的工具箱与QPI图像无法很好地工作，因为荧光对比度比RI对比度更加清晰。同样，在某些分割程序中，染色的核被用作定义各自的细胞质边界的基准标记，因此，这种算法在QPI成像中不能直接实现。这促使研究人员开发了针对QPI图像量身定制的分割算法，但其适用性仅限于迄今为止的二维图像。用于3D QPI细胞分割的最新方法是一种基于OTSU的3D水置算法15（以下称为这项工作中的OTSU阈值算法）。