XiaoMi-AI文件搜索系统
World File Search System模型
夹子驱动的器官分割和肿瘤检测的通用模型
越来越多的公共数据集显示出对自动器官细分和图检测的显着影响。但是，由于每个数据集的大小和部分标记的问题，以及对各种肿瘤的有限侵入，因此所得的模型通常仅限于细分特定的器官/肿瘤，以及ig- ignore ignore ignore的解剖结构的语义，也可以将其扩展到新颖的Domains。为了解决这些问题，我们提出了剪辑驱动的通用模型，该模型结合了从对比的语言图像预训练（剪辑）到细分模型中学到的文本嵌入。这个基于夹子的标签编码捕获了解剖学关系，使模型能够学习结构化特征嵌入和段25个器官和6种类型的肿瘤。提出的模型是从14个数据集的组装中开发的，使用总共3,410张CT扫描进行培训，然后对3个附加数据集进行了6,162个外部CT扫描进行评估。我们首先在医疗细分十项全能（MSD）公共排行榜上排名第一，并在颅库（BTCV）之外实现最先进的结果。此外，与数据集特异性模型相比，大学模型在计算上更有效（更快6英制），从不同站点进行CT扫描更好，并且在新任务上表现出更强的传输学习绩效。
1型和2型糖尿病的动物模型
糖尿病通常称为糖尿病，是一组代谢性疾病，其特征是血糖水平的慢性升高，这是由于胰岛素产生不足，细胞对细胞外胰岛素的缺陷反应和/或葡萄糖代谢受损而导致的。大多数糖尿病患者的两种主要类型是1型糖尿病（T1DM）和2型糖尿病（T2DM），每个糖尿病都有自己的病理生理特征。t1d是一种自身免疫性条件，人体的免疫系统攻击并破坏胰腺中胰岛素的β细胞。这导致缺乏胰岛素，这是调节血糖水平和细胞葡萄糖摄取的重要激素。因此，患有T1D的人依靠终身胰岛素治疗来控制其血糖水平。相比之下，T2DM的特征是胰岛素抵抗，该胰岛素耐药性不对胰岛素有效反应，并与相对胰岛素的缺乏症相结合。这种形式的糖尿病通常与肥胖，久坐的生活方式和/或遗传因素有关，并且通过生活方式的改变和口服药物来管理。动物模型在糖尿病研究中起着至关重要的作用。然而，鉴于T1DM和T2DM之间的明显差异，研究人员必须采用针对每种条件的特定动物模型，以更好地了解每种情况下的机制受损机制，并评估新疗法的效率。在这篇综述中，我们讨论了1型和2型糖尿病研究中使用的不同动物模型，并讨论了它们的优势和局限性。
OpenEQA：基础模型时代的具体问题回答
我们提出了一种现代的体现问题答案（EQA），这是理解环境足以以自然语言回答问题的任务。代理可以通过借鉴情节记忆来实现这种理解，就像在移动机器人的情况下一样，由代理商在智能眼镜上示例或积极探索环境。我们使用OpenEQA（用于EQA的第一个开放式基准基准数据集）伴随着我们的配方。OpenEQA包含超过180个现实环境提取的1600多个高质量的人类生成的问题。除了数据集外，我们还提供了一种自动LLM驱动的评估协议，该协议与人类判断具有良好的相关性。使用此数据集和评估协议，
Hanooman：一种生成的AI和大型语言模型聊天机器人，受到Hanuman勋爵的启发
摘要本文介绍了Hanooman，这是一种生成的AI和大型语言模型聊天机器人，其灵感来自Hindu Geity Lord Hanuman。Hanooman旨在体现力量，敏捷性和奉献精神的素质，利用尖端的语言处理能力，为用户提供信息丰富且引人入胜的对话。我们探索了哈诺曼的概念框架，架构和培训程序，展示了其在各个领域的潜在应用。我们的评估结果表明，在响应准确性和上下文理解方面，Hanooman优于现有的聊天机器人，使其成为自然语言处理和人类计算机互动的有前途的工具。大语言模型（LLM）和生成AI是人工智能的重大进步，彻底改变了我们与技术的互动，生成内容和理解人类语言的方式。llms，在大量数据集中受过培训，在语言翻译，文本摘要，问题答案和创意写作等任务中表现出色。生成的AI（AI的一个子集）会产生自主输出，通常表现出惊人的创造力和连贯性。印度亿万富翁穆克什·安巴尼（Mukesh Ambani）与IIT孟买和其他八个印度技术学院合作，加入了AI竞赛，以推出“ Hanooman”，这是一集，该集合以22种印度语言培训了大型语言模型。关键字：哈诺曼，大语言模型，人工智能，生成AI1。简介
MatFuse：利用扩散模型实现可控材料生成
在计算机图形学中创建高质量的材质是一项具有挑战性且耗时的任务，需要很高的专业知识。为了简化这个过程，我们引入了 MatFuse，这是一种统一的方法，它利用扩散模型的生成能力来创建和编辑 3D 材质。我们的方法整合了多种条件来源，包括调色板、草图、文本和图片，增强了创造可能性并对材质合成进行了细粒度的控制。此外，MatFuse 通过多编码器压缩模型的潜在操作实现了地图级材质编辑功能，该模型可以学习每个地图的解开的潜在表示。我们在多种条件设置下展示了 MatFuse 的有效性，并探索了材质编辑的潜力。最后，我们根据 CLIP-IQA 和 FID 分数定量评估生成材质的质量，并通过开展用户研究定性评估生成材质的质量。用于训练 MatFuse 的源代码和补充材料可在 https://gvecchio.com/matfuse 上公开获取。
初级卫生保健中的心血管风险预测因素：对采用非实验室模型的思考
采用非实验室模型摘要：本文提出了在初级保健（PHC）中使用心血管风险（CVR）分层工具的考虑，重点关注非实验室模型作为实验室预测的替代行为。这一目标是基于使用横断面和探索性方法的实证研究来反思的，重点关注米纳斯吉拉斯州一个中等城市中患有合并症（高血压和/或糖尿病）且没有记录心血管问题的成年人口（40 至 74 岁之间）的两种量表的行为。在这项名为“CardioRisco”项目中，研究人员评估了基于胆固醇信息的 Framingham 全球风险评分所进行的 CVR 分层与使用身体质量指数而非血清数据的 HEARTS 计算器非实验室版本之间的一致程度。本文对研究的总体结果进行了分析，其中，对于所构成的样本，在分层之间发现了最小一致性，并提出了关于在 PHC 背景下管理 CVR 的建议，强调了对高风险患者（例如糖尿病患者）进行全面评估的重要性。
探索大语模型中生成精度的神经梯度体系结构
摘要 - 将神经梯度体系结构（NGA）集成到大语言模型（LLMS）中，导致了自然语言处理的明显进步，从而增强了生成文本的精确性和相干性。通过采用梯度驱动的计算，NGA根据上下文提示动态调整内部途径，从而使LLMS能够更有效地适应各种语言任务。这种方法证明了在上下文理解至关重要的情况下，诸如机器翻译，摘要和对话生成等任务的改进。NGA的融合也有助于减少常见问题（例如重复性或无关的产出），从而提高了生成内容的总体质量。此外，NGA的适应性允许在各个领域对LLM进行更有效的微调，从而促进了其在专业领域的应用，而无需大量的重新培训。经验结果表明，NGA在完善LLM的生成过程中的功效，强调了其大大提高自然语言处理系统性能的潜力。因此，NGA的采用代表了LLM体系结构演变中的关键进展，为开发更响应敏感和上下文意识到的语言模型提供了强大的框架。
脑积水水弹性模型中旋转流的数值模拟
I. 简介 许多研究人员已经基于多孔弹性构建了脑积水的计算理论。此类模型将有助于更好地理解问题，从而提供更好的治疗方法。此类模型还忽略了分流术的间歇性影响，而分流术是治疗脑积水最常用的方法。我们使用弹性和流体力学来创建人脑和脑室系统的数学模型。我们的模型通过考虑跨导水管的流动并包括边界约束来扩展以前的工作。这将为疾病的边界和改善创建一个定量模型。我们开发并解决了该模型的控制方程和边界条件以及有意义的临床发现。我们的模型通过将导水管流与边界约束结合起来，扩展了早期对脑积水的研究。脑脊液沿着脊髓周围的蛛网膜下腔向下流动，然后进入颅脑蛛网膜下腔，然而，物理定律很难解释这种流动是如何持续的。采用体内刺激的数学方法来研究脉动血液、脑和脑脊液的动态相互作用 1 。本文介绍的模拟是为患有脑脊液生理病理疾病脑积水的个体生成的 2 。研究特发性脑积水化学浓度不对称循环的后脑室通透性 3 。使用基本的几何模型，当前的研究提出了一种全新的脑积水多物理扩散过程方法，并作为更复杂的几何模拟的标准 4 。研究了脑脊液在心血管和蛛网膜下腔的循环以及脑脊液渗入多孔脑实质的问题。开发了复杂大脑几何形状的边界条件 5 。将标准受试者的研究信息与代表颅内动力学的实际计算模型进行了比较。该模型利用特定于受试者的磁共振 (MR) 图像和物理边界条件作为输入，可重现脉动的脑脊液循环并模拟颅内压力和流速 6 。该数值模型用于探索横截面几何形状和脊髓运动如何影响非稳定速度、剪应力和压力梯度场 7 。该系统分为五个子模型：动脉系统血液、静脉系统血液、心室脑脊液、颅内蛛网膜下腔和脊髓出血腔。阻力和顺应性将这些子模型连接起来。构建的模型用于模拟七个健康个体中发现的关键功能特征，例如动脉、静脉和脑脊液流量分布（幅度和相移） 8 。此前，利用时间分辨三维磁共振速度映射研究人体血管系统中健康和异常的血流模式。利用这种方法研究了 40 名健康志愿者 9 的脑室系统中脑脊液流量的时间和空间变化。这些颗粒中的脑脊液和血液之间的屏障很小，使脑脊液能够流入循环并被吸收。与脑脊液的产生相反，消耗是压力-
伊达尔戈，曼努埃尔；阿曼特，弗雷德里克；比安金，安德鲁 V.；布丁斯卡，伊娃；伯恩，安妮特 T.；卡尔达斯，卡洛斯；等(2014)：患者来源的异种移植模型
Hidalgo, Manuel; Amant, Frederic; Biankin, Andrew V.; Budinská, Eva; Byrne, Annette T.; Caldas, Carlos; 等人 (2014)：患者来源的异种移植模型：一种新兴的癌症转化研究平台。爱尔兰皇家外科医学院。期刊投稿。https://hdl.handle.net/10779/rcsi.10793177.v1