XiaoMi-AI文件搜索系统
World File Search System炒作
已发布版本的引文 (APA)：van Assen, M., Banerjee, I., & De Cecco, C. N. (2020)。超越人工智能炒作：算法背后的秘密以及我们能实现的目标。胸腔成像杂志，35，S3-S10。https://doi.org/10.1097/RTI.0000000000000485
摘要：人工智能（AI）领域目前正在经历广泛增长时期，涉及各个领域，医学也不例外。人工智能的基础是数学和计算机科学，人工智能目前在工业和研究领域的声誉建立在三大支柱之上：大数据、高性能计算基础设施和算法。在当前的数字时代，存储能力和数据收集系统的增强，导致人工智能算法的数据流量巨大。数据的大小和质量是影响人工智能应用程序性能的两个主要因素。但是，它高度依赖于手头的任务类型和选择执行此任务的算法。AI 可能通过预读检测异常、精确量化（例如肿瘤体积病变跟踪和心脏体积和图像优化）来自动化放射学中的几项繁琐任务。尽管基于 AI 的应用程序为改善放射学工作流程提供了绝佳机会，但仍需要从图像标准化、复杂算法开发和大规模评估开始解决几个挑战。将 AI 整合到临床工作流程中还需要解决与患者敏感数据的安全性和保护以及责任相关的法律障碍，然后 AI 才能在心胸成像领域充分发挥其潜力。
好的系统，坏的数据？：对人工智能炒作和失败的解释
人工智能经过几十年的发展，如今已成为一个著名且成熟的学术领域（Stone 等人，2016 年）。专注于领域知识表示和使用的符号人工智能是人工智能研究的早期领域（Ribes 等人，2019 年）。最近的许多创新都发生在统计机器学习领域，包括使用人工神经网络的深度学习方法，包括自然语言处理、计算机视觉和机器人等领域的应用（Stone 等人，2016 年）。现代人工智能特别依赖于处理大型数据集，以一定程度的自主性进行处理和加权，并提供概率性而非确定性的结果。人工智能的伦理、政策和法律问题尚未明确界定。数据的多样性和数量以及算法驱动的分析通常违反直觉的输出使得预测危害变得更加困难。用于支持人工智能的数据来自大量来源，包括可能甚至不知道数据是为此目的而收集的人们。然而，将人工智能应用于这些异构数据得出的结论往往具有知识的分量，而没有对其不确定性进行有意义的说明。这一领域的一个关键挑战是试图理解和主张“黑箱”分析技术（Fleischmann & Wallace，2005，2009）的责任时出现的问题——尤其是当使用这些技术进行的研究结果用于指导政策、指导资源和应对紧急情况时（Lehr & Ohm，2017）。关于人工智能成功和失败的流行描述并非没有话语权。在讨论“坏”人工智能时，往往很难不去想 HAL、天网或其他类似的媒体对人工智能失败的描述（事实上，当我们的采访对象被问及人工智能的潜在负面后果时，他们经常会提到这些流行的描述）。同样，对人工智能的正面评价往往无法解释这些系统的缺陷和局限性，或者无法透明地表示它们的运作或范围。克兰兹伯格（1986）的《技术第一定律》认为，“技术既不是好的也不是坏的，也不是中性的”（第 547 页）。过度夸大人工智能的积极或消极影响的极端例子属于将人工智能视为纯粹的好或坏的阵营。然而，同样重要的是要注意，人工智能并不是中性的，一些人工智能系统对特定社会或整个社会的不同成员有一些好的影响和一些坏的影响。因此，挑战在于确定哪些因素影响了人工智能的“好”或“坏”。坏数据是坏人工智能的一个常见替罪羊。现代人工智能的特点是它与广泛的异构数据收集和分析机制的关系以及对它们的依赖。算法分析提供了处理
非小细胞肺癌中的组蛋白脱乙酰基酶抑制：炒作还是希望？
表观遗传调节，包括乙酰化，甲基化，磷酸化和泛素化，在基因表达的调节中起关键作用。组蛋白乙酰化 - 组蛋白乙酰转移酶（HATS）和组蛋白脱乙酰基酶（HDAC）的活性之间的平衡 - 是关键的表观遗传事件之一。我们对HDAC在癌症中的作用的理解正在发展。许多HDAC同工酶在多种恶性肿瘤中过表达。异常组蛋白乙酰化与肿瘤抑制基因失调有关，导致几种实体瘤和血液学恶性肿瘤的发展。临床前研究表明，HDAC-1基因表达与肺癌进展有关。组蛋白低乙酰化与肺腺癌中更具侵略性的表型有关。HDAC抑制剂（HDACI）具有多效细胞作用，并诱导凋亡基因/蛋白质的表达，导致细胞分化和/或细胞周期停滞，抑制血管生成，并抑制过渡到间质表型。 因此，用HDACI治疗在非小细胞肺癌（NSCLC）细胞系中显示出抗增殖活性。 尽管在临床前研究中有希望的结果，但HDACI在肺癌临床试验中仅显示出适度的单药活性。 HDAC激活被认为是引起化学疗法，分子靶向治疗和免疫检查点抑制的机制之一。 因此，将HDACI与这些试剂相结合以增强其效率或反向抵抗力的兴趣越来越大。HDAC抑制剂（HDACI）具有多效细胞作用，并诱导凋亡基因/蛋白质的表达，导致细胞分化和/或细胞周期停滞，抑制血管生成，并抑制过渡到间质表型。因此，用HDACI治疗在非小细胞肺癌（NSCLC）细胞系中显示出抗增殖活性。尽管在临床前研究中有希望的结果，但HDACI在肺癌临床试验中仅显示出适度的单药活性。HDAC激活被认为是引起化学疗法，分子靶向治疗和免疫检查点抑制的机制之一。因此，将HDACI与这些试剂相结合以增强其效率或反向抵抗力的兴趣越来越大。在本文中，我们回顾了在NSCLC中使用HDACI的可用临床前和临床证据。我们还审查了排除HDACI作为癌症疗法和未来方向的广泛临床实用性所面临的挑战。
NSCLC早期的靶向疗法：炒作还是希望？
Masayuki Miyazaki 1，Takeya Chikashi 1，Kei-ichi Okuyama 1，3摘要 - 卫星必须在通过Rocket推出太空期间持续敌对的环境；因此，它们应接触到实地测试的实际发射条件，包括应仔细测试的所有子系统和组件。在空间环境下评估后，已经选择了几个固态 - 陶瓷电池以在发射环境下进行评估，该空间环境已显示出迄今已显示出良好的结果。本文侧重于基于放电能力，开路电压和电荷/放电模式的电池的物理降解和电池性能。电池已暴露于冲击中，然后在不同频率的水平下进行正弦波，正弦爆发和随机测试。在测试前后，已经检查了所有电池的物理特性，在评估测试后已经进行了几个排放和电荷的循环以检查其性能和生存能力。有95％的容量，电池可以证明其成功承受发射条件的能力，他们在测试后的几个周期中都可以在几个周期内进行操作，到目前为止，他们的性能在限制范围内没有降解。此外，该论文还为小型卫星项目提供了电池发射地面测试的主要要求和标准。版权所有©2020作者。由Pravery Worthy Prive S.R.L ..本文是在CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/3.0/）下发布的开放访问。关键字：固态电池，小卫星，发射环境，低地轨道，振动
NSCLC早期的靶向疗法：炒作还是希望？ 使用多... 启动环境测试评估 评论文章基于脑电图的情感识别：最新... 与非... 相比 对主要编辑的特殊性的无偏见... 靶向衰老的治疗药物的进步 编辑创新的能源存储的高级高级材料：综合，表征和应用 使用基于群体的元疗法诊断心律不齐的诊断：比较分析 使用ECOC-SVM 的LSTM网络从静止状态EEG信号中分类非重生脑损伤 大麦基因组学的历史和未来观点 审查朝着精确的CRISPR DNA片段编辑...
摘要：非小细胞肺癌（NSCLC）约占肺癌的85％，其发病率每年增加。在临床实践中引入了几种新的和更有效的分子，这导致了局部先进和转移性NSCLC的生存和生活质量的一致提高。特别是，致癌驱动因素确实改变了NSCLC的治疗算法。在NSCLC仍然可以接受根治性手术的早期，将近25％的患者被诊断出。完全切除的早期阶段的五年生存率仍然令人失望。辅助化疗表现出适度的生存率，具体取决于阶段，但一半以上的患者复发。鉴于这种改善的需求，在过去的几年中，已经在早期NSCLC中评估了不同的靶向疗法，但在未选择的患者中没有生存益处。然而，在转移性环境中，可靠的预测生物标志物鉴定出可靠的预测生物标志物，分子导向研究的设计以及新型有效且毒性较小的剂的可用性在早期NSCLC治疗中为新型时代开辟了道路。在这篇综述中，我们将讨论NSCLC早期有针对性治疗方案的当前景观。
炒作与希望：深度学习比标准机器学习能够编码更具预测性和稳健性的脑成像表征
摘要 深度学习 (DL) 方法在多个复杂任务上取得的成功大大提高了人们对其学习复杂脑成像数据的细微特性以及扩展到大型数据集的能力的期望。也许是为了应对这种膨胀，最近的批评性评论不利地将 DL 与用于分析脑成像数据的标准机器学习 (SML) 方法进行了比较。然而，他们的结论是基于预先设计的特征，这剥夺了 DL 的主要优势：表征学习。在这里，我们对此进行了评估，并展示了表征学习对于 DL 在脑成像数据上的表现的重要性。我们报告了在 12,314 张结构性 MRI 图像上进行的十向年龄和性别分类任务中对 SML 方法与 DL 进行大规模系统比较的结果。结果表明，如果按照流行的 DL 实践实施和训练 DL 方法，则与 SML 方法相比，DL 方法有大幅改进的潜力。我们还表明，尽管 DL 方法更复杂，但其扩展性特别好，在相对计算时间中呈现出较低的渐近复杂度。我们的分析表明，随着训练样本量的增长，性能改进会趋于饱和，但始终表现出显著更高的性能。我们还提供了证据，表明 DL 的卓越性能主要归功于出色的表示学习能力，并且 SML 方法在对经过训练的 DL 模型生成的表示进行操作时也可以表现得同样出色。最后，我们证明 DL 嵌入跨越了可理解的投影谱，并且 DL 始终定位有判别力的大脑生物标志物，这为预测相关性估计的稳健性提供了一个例子。我们的研究结果强调了大脑成像数据中存在非线性，DL 框架可以利用这些非线性来生成用于表征人脑的卓越预测表示，即使在当前可用的数据量下也是如此。
联网飞机：炒作还是真正的游戏规则改变者？
本文表达的观点为作者的观点，并不一定反映 AlixPartners, LLP、其附属公司或该公司或它们各自的任何其他专业人士或客户的观点。本文有关互联飞机：炒作还是真正的游戏规则改变者？（“本文”）由 AlixPartners, LLP（“AlixPartners”）编写，仅供一般参考，并在严格保密和不可信赖的基础上分发。持有本文的任何人不得依赖本文的任何部分。本文可能全部或部分基于对未来事件的预测或预报。预测本质上是推测性的，包括可能被证明是错误的估计和假设。实际结果可能（并且经常）与预测或预报不同。本文中的信息反映了截至当日的情况和我们的观点，所有这些都可能发生变化。我们不承担更新或修订本文的义务。本文版权归 AlixPartners 所有，未经 AlixPartners 事先书面同意，不得复制、使用或分发给任何第三方本文及其内容。
人工智能在网络安全中的应用并非炒作
同时，由于肩负着保护数十万客户的重任（而且确实有经济激励），投资高级分析的商业理由很充分。如今，机器学习 (ML) 通常用于加速识别新的网络攻击，更重要的是，用于识别与之相关的入侵指标 (IOC)。这些 IOC 构成了提供给安全部门的威胁情报更新的很大一部分
人工智能与科学 5‘人工智能是一种炒作......
2018 年安永和微软的一份调查显示，荷兰政府在其人工智能愿景中引用了这两家公司的数据，86% 的荷兰公司表示人工智能对其行业产生了重大影响。科学得分略低：我们对近 1,500 名科学家的调查显示，三分之二的人（强烈）同意人工智能将从根本上改变科学的说法。医学、哲学和计算机科学领域的受访者最直言不讳，平均占 75%。数学家（48%）、律师（57%）和技术科学家（61%）则稍微保守一些。更有82%的研究人员认为人工智能在他们自己的领域内有着良好的发展机遇。在所考察的学科中（见第 7 页的方框），历史学家和数学家（令人惊讶的是）认为这种可能性最小：在 1 到 5 的范围内，他们的得分分别为 3.4 和 3.7。计算机科学（4.6）、医学和天文学（均为 4.4）学科得分最高。所有接受调查的学科的受访者都对人工智能对跨学科合作的贡献持积极态度。 “我确实看到了人工智能在人文学科领域的机遇，”一位历史学家回答了一个悬而未决的问题。 “尤其是在考古学和语言学等应用更广泛的领域。然而，我对人工智能在我所在领域的价值、机遇、可用性和道德性存在严重怀疑。对人工智能提出的问题，完全取决于提出这些问题的人。’研究人员补充说，为了提高这些问题的质量，如果荷兰的研究资助和推广体系能够更加重视创造力和跳出固有思维模式，这将会有所帮助。
人工智能并非炒作那么简单
总体而言，不同级别和经济各个部门的管理者对未来都有着独特的看法。他们每天都在处理这个问题，将自上而下的战略转化为实际工作，但他们也在自下而上的组织文化和工作场所行为变化中遇到它。他们感知的是正在形成的未来，而不是一个独立的科幻故事。更重要的是，管理者在推动工作场所的变革方面发挥着关键作用。这就是为什么 Ledarna 的成员组成了一个杰出的专家小组来描述当前的情况和当前的变革方向。本报告基于 5,446 名管理者的回答，内容涉及人工智能 (AI) 在其组织中的使用方式以及 AI 在未来可能发挥的作用。研究结果提供了有关瑞典人工智能采用情况以及领导和管理在实现新技术潜力方面将发挥的作用的见解。