XiaoMi-AI文件搜索系统
World File Search System对入
网络知情性：使用CVSS增加对入侵检测系统的信任
入侵检测系统（IDSS）是必不可少的网络安全组合。以前的网络攻击检测方法更多地依赖于签名和规则来检测网络攻击，尽管过去十年来范式发生了变化，机器学习（ML）实现了更有效，更灵活的统计方法。，ML目前无法将网络安全信息集成到其内部运作中。本文介绍了网络知情性，这是一个新的指标，考虑到网络安全信息，以更明智地表示绩效，受到遇到的攻击的严重性的影响。该指标在网络安全方面使用了事实：共同的漏洞评分系统（CVSS）。在两个公共数据集上的结果表明，这种新的度量标准验证了使用通用指标获得的结果。此外，这种新的度量强调了基于ML的IDSS，优先考虑了严重攻击的高度绩效，这对通用指标看不到。因此，这个新的指标通过弥合ML和网络安全之间的差距很好地完成了通用指标。
公众对入侵害虫控制基因技术的态度以及参与和信息的偏好：细分分析
基因技术的进步有望解决日益严重的入侵害虫问题。当前的研究旨在提高我们对公众看法的理解，以及在研究和开发该技术以供部署时潜在的公众参与途径和信息需求。对 1,149 名澳大利亚人进行了调查，并根据他们的态度将样本分为 4 组：某些反对者、骑墙派、谨慎支持者和某些支持者。“轻触式”参与活动似乎让大多数人感到满意；但对于对该技术持负面看法的一小部分人来说，更深入的参与可能更合适。总体而言，人们希望了解基因编辑技术的潜在风险以及相关的监管和控制。持更积极看法的人也对科学过程和技术表现出兴趣，而持更消极看法的人则想知道正在采取哪些措施来处理社会和道德问题。研究结果提供了以下方面的见解：1）当公众面临采用合成生物学方法解决环境问题时，他们的观点以及相关信念和感受的多样性；2）如何定制公众参与活动以符合人们的参与信念和既定偏好；3）生物技术开发人员在努力以对社会负责的方式设计基因技术时应解决哪些问题。
2023; 14（15）：2784-2797。 doi：10.7150/jca.86572研究论文RBMS3，AMPK的下游目标，对入侵和Metastasi
背景：肺癌是一种高度恶性疾病，主要是由于其转移倾向。AMP激活的蛋白激酶（AMPK）是肝激酶B1（LKB1）的主要下游效应子（LKB1），策划了广泛的分子靶标，从而限制了肿瘤侵袭和转移。并行，RNA结合蛋白RBMS3（RNA结合基序，单链相互作用蛋白3）在上皮 - 间质转变（EMT）中起关键作用，这是肿瘤发生中的关键过程。因此，我们的研究旨在阐明RBMS3作为介体在LKB1/AMPK抑制肿瘤侵袭和转移中的重要作用。方法：我们分别研究了利用免疫组织化学和TCGA-LUAD数据的肺癌组织中RBMS3和LKB1之间的表达和相关性。还分析了RBMS3与临床病理特征与肺癌预后之间的关系。实时研究了RBMS3在肺癌细胞增殖，侵袭和迁移中的功能。此外，我们研究了AMPK激动剂和抑制剂的作用，探索RBMS3在AMPK诱导的抑制肺癌侵袭和迁移中的介导作用。结果：IHC和TCGA数据均显示RBMS3在肺癌中的表达低。此外，我们发现RBMS3的低表达与肺癌的组织学等级，临床阶段和N阶段呈正相关。此外，较低的RBMS3表达与总生存率差有关。COX回归分析表明，RBMS3是肺癌患者的独立预后因素。COX回归分析表明，RBMS3是肺癌患者的独立预后因素。体外实验证实了RBMS3抑制肺癌细胞的增殖，侵袭和迁移。此外，我们的发现表明，RBMS3在介导AMPK对肺癌侵袭和迁移的抑制作用中起着至关重要的作用。结论：我们的研究强调了一种新的机制，通过促进RBMS3表达，LKB1/AMPK途径激活抑制肺癌的侵袭和转移，从而在开发创新的肺癌疗法方面提供了见解。
![b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。](/simg/b/ba28460dd1b06d9996628290aa73355077ae7e14.webp)
b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。
b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。
人工智能驱动的常规收集医疗数据评估是针对入院患者的 COVID-19 有效筛查测试 作者：Dr. Andrew AS Soltan MB BChir MA 1,2* Dr. Samaneh Kouchaki BSc MSc PhD 3,6
简介：SARS-CoV-2 感染的早期临床病程可能难以与入院时的其他未分化医疗表现区分开来，然而病毒特异性实时聚合酶链反应 (RT-PCR) 检测的敏感性有限，并且由于操作原因可能需要长达 48 小时。在本研究中，我们开发了两种早期检测模型来识别 COVID-19，使用在 115,394 例急诊就诊和 72,310 例入院病例中通常在一小时内可获得的常规收集数据 (实验室测试、血气和生命体征)。我们的急诊科 (ED) 模型对所有入院患者实现了 77.4% 的敏感性和 95.7% 的特异性 (AUROC 0.939)，入院模型对入院子集实现了 77.4% 的敏感性和 94.8% 的特异性 (AUROC 0.940)。两种模型在各种患病率 (<5%) 中均实现了高阴性预测值 (>99%)，有助于在分诊期间快速排除以指导感染控制。我们在两周的测试期内对所有就诊并入住英国大型教学医院集团的患者进行了前瞻性验证我们的模型，与 RT-PCR 结果相比，准确率分别为 92.3%（n=3,326，NPV：97.6%，AUROC：0.881）和 92.5%（n=1,715，NPV：97.7%，AUROC：0.871）。敏感性分析考虑了 PCR 阴性结果的不确定性，提高了表观准确率（95.1% 和 94.1%）和 NPV（99.0% 和 98.5%）。我们的人工智能模型可有效用作急诊科和医院入院部的 COVID-19 筛查测试，在无法快速检测的环境中发挥重要作用。摘要：背景：快速识别 COVID-19 对于迅速提供护理和保持感染控制非常重要。SARS-CoV- 2 感染的早期临床病程可能难以与医院中其他未分化的医疗表现区分开来，但是由于操作原因，SARS-CoV-2 PCR 检测可能需要长达 48 小时。使用常规收集的临床数据进行训练的人工智能 (AI) 方法可以在出现症状的第一个小时内进行 COVID-19 的门诊筛查。方法：从英国一家大型教学医院集团的急诊和急诊科的 170,510 次连续就诊中提取了人口统计学、常规和先前临床数据。我们应用多元逻辑回归、随机森林和极端梯度增强树来区分因 COVID-19 而导致的急诊科 (ED) 表现和入院情况与大流行前的对照。我们逐步添加临床特征集并使用分层 10 倍交叉验证评估性能。在训练过程中对模型进行了校准，以达到识别 COVID-19 患者的 70%、80% 和 90% 的灵敏度。为了模拟疫情不同阶段的真实表现，我们生成了具有不同 COVID-19 患病率的测试集并评估了预测值。我们对 2020 年 4 月 20 日至 5 月 6 日期间就诊或入院的所有患者进行了前瞻性模型验证，并将模型预测与 PCR 检测结果进行了比较。结果：115,394 例急诊就诊和 72,310 例入院的实验室血液检测、床旁血气和生命体征测量结果均符合预期。