XiaoMi-AI文件搜索系统
World File Search System未见
BioBridge-Bridging-BioMedical-goundical-Models-via- ...
基础模型（FMS）从大量未标记的数据中学习，以在各种任务中表现出卓越的性能。然而，用于生物医学结构域的FMS基本上仍然是单峰的，即单独使用蛋白质序列，单独的小分子结构或单独临床数据的独立训练和用于任务。为了克服这一限制，我们提出了一个参数有效的学习框架BioBridge，以桥接经过独立训练的单峰FMS以建立多模态行为。BioBridge通过利用知识图（kg）来学习一个单型FM和另一个单模式之间的变换，而无需微调任何基本的单峰FMS。我们的结果表明，BioBridge可以击败最佳的基线KG嵌入方法（平均约为76。3％）在跨模式检索任务中。我们还确定了Biobridge通过推断出未见的方式或关系来证明跨域的概括能力。此外，我们还表明，Biobridge将自己表现为一种通用检索器，可以帮助生物医学多模式问答，并增强了引导的新型新药。1
根据结构化合物表征和遗传扰动的转录组预测激活和抑制药物-靶标相互作用
通过计算方法识别药物-靶标相互作用 (DTI) 是加速药物开发和了解小分子作用机制的可靠策略。然而，目前预测 DTI 的方法主要集中于识别简单的相互作用，需要进一步的实验来了解药物的作用机制。在这里，我们提出了 AI-DTI，这是一种通过结合 mol2vec 和遗传扰动的转录组来预测激活和抑制 DTI 的新方法。我们在具有 MoA 的大规模 DTI 上训练了该模型，发现我们的模型优于之前预测激活和抑制 DTI 的模型。目标特征向量的数据增强使该模型能够预测广泛可用药靶标的 DTI。我们的方法在训练集中未见靶标的独立数据集和明确定义阳性和阴性样本的高通量筛选数据集中取得了显著的性能。此外，我们的方法成功地重新发现了用于治疗 COVID-19 的药物的大约一半的 DTI。这些结果表明，AI-DTI 是一种实用的工具，可以指导药物发现过程并产生合理的假设，从而揭示未知的药物作用机制。
期刊参考样式endNote样式围嘴样式
方法：我们提出了一个开源基准测试框架，台式框架，以建立最佳的实践机器学习方法，以评估应用于FNIRS数据的模型，并使用用于脑部计算机界面（BCI）应用程序的五个开放式访问数据集。使用嵌套交叉验证的稳健方法，台式框架使研究人员能够优化模型并无偏见评估它们。该框架还使我们能够生产有用的指标和图，以详细介绍新模型的性能以进行比较。为了演示框架的实用性，我们提出了六个基线模型[线性判别分析（LDA），支持 - 矢量机（SVM），K-Neartivt邻居（KNN），人工神经网络（ANN），卷积神经网络（CNN）和长期记忆（LSTM）的（lSTM）的[分类性能的不同因素，包括：训练示例的数量和每个用于分类的FNIRS样本的时间窗口的大小。我们还提供了一个滑动窗口的结果，而不是简单的时期分类，并且通过个性化方法（在主题数据分类中）而不是广义方法（未见主题数据分类）。
通过陪审团实现基于学习的拥塞控制的公平性概括
互联网拥塞控制（CC）长期以来在网络系统中提出了一个挑战控制问题，最近的方法越来越多地纳入了深度强化学习（DRL），以增强适应性和性能。尽管有希望，但基于DRL的CC方案通常会遭受公平性差，尤其是在培训期间未见的网络环境时。本文介绍了陪审团，这是一种基于DRL的新型CC计划，旨在实现公平性。At its heart, Jury decouples the fairness con- trol from the principal DRL model with two design elements: i) By transforming network signals, it provides a universal view of network environments among competing flows, and ii) It adopts a post-processing phase to dynamically module the sending rate based on flow bandwidth occupancy estima- tion, ensuring large flows behave more conservatively and smaller flows more aggressively, thus achieving a fair和平衡的带宽分配。我们已经完全实施了陪审团，广泛的评估证明了其在仿真和现实世界网络的广泛范围内的强大结合特性和高性能。
与阻塞性睡眠呼吸暂停相关的大脑形态变化
目的：阻塞性睡眠呼吸暂停 (OSA) 会导致低氧血症和睡眠不连续，从而导致神经认知障碍。我们假设 OSA 患者的皮质灰质通常会在与记忆处理和学习相关的区域（特别是海马内）发生局部损失。方法：基于体素的形态测量技术（一种用于磁共振图像的自动处理技术）用于描述七名新诊断为 OSA 的右利手男性患者和七名非呼吸暂停男性对照者的灰质结构变化（这七名对照者的惯用手和年龄匹配）。结果：分析显示，呼吸暂停患者左侧海马内的灰质浓度显著降低（p = 0:004）。右侧海马和其他大脑区域未见进一步显著的局部灰质差异。呼吸暂停患者和对照组之间的总灰质体积没有差异。结论：这份初步报告表明 OSA 患者的大脑形态发生了变化，海马体是认知处理的关键区域。q 2003 Elsevier BV 保留所有权利。
eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法
可靠的脑电图（EEG）信号获取对于医疗疾病，脑机构界面（BCIS）和神经科学研究至关重要。然而，心电图（ECG）和电解图（EOG）伪像经常污染EEG记录，损害数据质量和解释性。传统的删除方法可能会扭曲脑电图信号，或需要其他传感器进行ECG和EOG获取。本研究使用多元预测方法将删除伪像作为回归任务，从EEG数据本身重建ECG和EOG信号。我们的方法在两个独立数据集上进行了严格评估，用于ECG和EOG信号，并在不同个体的未见数据上进一步验证。使用平方误差（MSE），平均绝对误差（MAE）和峰值信噪比（PSNR）评估性能。我们的方法实现了与使用实际的ECG和EOG记录的常规方法相媲美的方法，证明了使用原始EOG记录清洁清洁的脑电图和脑电图之间的PSNR为39 dB。这使我们的方法成为经济高效且非侵入性的替代方案。这些发现提出了脑电图噪声过滤研究的有希望的新方向。
乳房出血的罕见原因
一名 18 岁的女性患者因右乳房肿胀和出血而来我们诊所就诊。她的既往病史显示同一乳房和同一位置有类似的出血，但没有外伤或殴打事件。她没有任何全身性疾病史。详细体格检查未发现双侧乳房可触及肿块，双侧腋窝淋巴结未肿大。出血区域下方未见血肿或波动。双侧乳房和腋窝超声检查未发现病理学发现。生化血液分析包括出血和凝血时间测试、活化部分凝血活酶时间和血小板计数均在正常范围内。同时，患者的一名亲属告知她一直服用舍曲林 50 毫克/天治疗抑郁症。由于我知道 SSRI 类抗抑郁药会增加出血倾向，在咨询了她的精神科医生后，我们开始用三环类抗抑郁药代替舍曲林治疗，以及外用硫酸软骨素（Hirudoid Forte Creme，Santa Farma，伊斯坦布尔）治疗。在治疗一周后的电话随访中，患者表示瘀斑几乎完全愈合。
使用子空间技术在脑电图中与任务无关的人特异性签名的证据
摘要 - 电脑摄影（EEG）信号是其他生物识别技术的替代方案，因为它们的保护源于SPOOFIF。以前的研究集中在通过分析任务/条件特异性脑电图来捕获个人变异性。这项工作试图通过标准化相关方差来模拟独立于任务/条件的生物特征特征。朝向这个目标，本文从基于子空间的文本独立说话者识别中扩展了想法，并提出了用于建模多渠道脑电图数据的新型修改。所提出的技术假设生物特征识别信息存在于整个脑电图信号中，并在高维空间中跨时间积累统计。然后将这些高维统计数据投影到保留生物识别信息的较低维空间。使用所提出的方法获得的较低维嵌入显示为任务是独立的。最佳的子空间系统确定精度为86的个体。4％和35。在数据集中分别使用30和920受试者的数据集使用仅使用9个EEG通道。本文还提供了有关子空间模型在培训期间未见任务和个人的可扩展性以及子空间建模所需的渠道数量的见解。
桥接甲状腺癌组织之间的域间隙
深度学习技术越来越多地用来以高准确性对医学成像数据进行分类。尽管如此，由于训练数据通常有限，这些模型可能缺乏足够的可推广性来预测不同领域中产生的未见测试数据，并具有可观的性能。本研究的重点是甲状腺组织病理学图像分类，并研究了只有156个患者样品训练的生成对抗网络[GAN]是否可以产生高质量的合成图像以充分增强训练数据并改善整体模型的可推广性。利用stylegan2方法，生成网络生成的图像产生了频率创造距离（FID）分数为5.05的图像，匹配的最新gan会导致具有可比数据集尺寸的非医疗域。当对从三个单独的域中采购的外部数据进行测试时，使用这些GAN生成的图像对训练数据进行培训数据增加了模型，将总体精度和AUC分别提高了7.45％和7.20％，而基线模型则分别提高了7.45％和7.20％。最重要的是，在训练有素的病理学家进行分类时，在少数群体图像，肿瘤亚型上观察到了这种绩效改善。
人工智能生物工程
人工智能是一个已有数十年历史的科学领域，近年来其在科学、经济和整个社会中的重要性和影响力不断提升。人工智能主要源于计算机科学，但受到其他科学领域的强烈影响，即数学、神经科学、语言学、心理学、哲学和物理学。在 21 世纪，人工智能取得了重大进展，特别是在机器学习和深度学习主导的领域。这些包括自然语言处理、计算机视觉、内容生成和推荐系统。人工智能已经对许多行业产生了重大影响，包括医疗保健、能源、金融、交通和制造业，并且在我们的日常生活中也发挥着越来越重要的作用，从虚拟助手到在线推荐系统。人工智能的符号遗产也非常重要，其根源在于数理逻辑、语言学和心理学。目前，符号方法为人工智能系统的可解释性和透明度开辟了道路。除了对大量高质量数据（用于正确应用）的基本需求之外，人工智能日益增长的影响力要求采取以人为本的方法，提高所提供工具的可信度，主要是预测和决策的可解释性、对未见过甚至不可预测的情况的推广，以及对有偏见的数据或不道德的结果的稳健性。