XiaoMi-AI文件搜索系统
World File Search System鉴别
功能脑图分析与计算机测试有效鉴别轻度认知障碍
社区居住的非裔美国老人患轻度认知障碍 (MCI) 或阿尔茨海默病及相关痴呆症的可能性是老年白人的两倍，因此他们是需要早期监测的重要高危群体。由于成本和负担，更广泛的影像学或脑脊液研究存在重大障碍。我们将功能连接和图论测量（源自静息态脑电图 (EEG) 记录）与计算机化认知测试相结合，以基于社区居住的非裔美国老人样本识别 MCI 患者与健康对照者之间的差异。我们发现 MCI 患者的功能连接显著下降，图拓扑结构整合度较低。功能连接、拓扑和认知测量相结合对于预测 MCI 非常有效，而且综合测量方法比单一方法更有效。具体而言，通过将认知特征与功能连接和拓扑特征相结合，与使用单一认知或 EEG 域特征进行分类相比，预测结果有所改善，准确率为 86.5%，而最佳单一方法的准确率为 77.5%。居住在社区的非裔美国老年人认为 EEG 和计算机化测试可以接受，并且在区分健康对照者和居住在社区的 MCI 患者方面，结果很有希望。
文本和方法论 Q2 (R1 - ICH
1.1. 鉴别 适当的鉴别试验应能够区分可能存在的结构密切相关的化合物。可以通过从含有分析物的样品中获得阳性结果（可能通过与已知参考材料进行比较）以及从不含分析物的样品中获得阴性结果来确认程序的鉴别。此外，鉴别试验可应用于结构与分析物相似或密切相关的材料，以确认未获得阳性响应。选择此类潜在干扰材料应基于合理的科学判断，并考虑可能发生的干扰。
最佳无歧义鉴别中非零先验概率决定的无纠缠量子非局域性
无纠缠非局域性 (NLWE) 是多部分可分离状态的量子态鉴别中发生的一种非局域现象。在正交可分离状态的鉴别中，当无法通过局部操作和经典通信完美区分量子态时，使用术语 NLWE。在这种情况下，NLWE 的发生与正在制备的量子态的非零先验概率无关。最近发现，在非正交可分离状态的最小误差鉴别中，NLWE 的发生可能取决于非零先验概率。在这里，我们表明，即使在最佳无歧义鉴别中，NLWE 的发生也可能取决于非零先验概率。我们进一步表明，即使只有一个状态可以无误差地进行局部鉴别，NLWE 也可以与非零先验概率无关地发生。我们的结果为根据量子态鉴别对多部分量子态集进行分类提供了新的见解。
具有固定不确定结果率的量子态鉴别中的相互信息和量子不和谐
摘要：我们研究了当 Bob 对两个纯非正交量子态（以任意先验概率生成）实施具有固定不确定结果率 (FRIO) 的判别时，Alice 和 Bob 共享的相互信息和量子不一致。FRIO 判别介于最小误差 (ME) 和明确状态判别 (UD) 之间。ME 和 UD 是众所周知的判别协议，在量子信息论中有多种应用。FRIO 判别提供了一个更通用的框架，可以在其中研究判别过程及其应用。在这种情况下，我们比较了最佳判别概率、相互信息和量子不一致的性能。我们发现，当 Bob 实施 ME 策略时，可以获得可访问的信息。从 Bob 测量后在初始状态中丢失并在最终状态中保留的相关性的角度来看，最（最）有效的判别方案是 ME (UD)。
感染和疫苗接种引起的免疫反应鉴别测试（Diva测试）综述
就动物疾病而言，疫苗接种的目的是预防或减少与传染源相关的临床疾病，但它也可以用作管理或根除特定地区疾病的手段。因此，区分疫苗接种引起的免疫反应和自然感染至关重要。为了满足这一要求，Jan T van Oirschot 于 1999 年创造了“感染动物与接种动物的区分”（DIVA）这一术语。DIVA 原理基于 DIVA 疫苗产生的抗体反应，该反应不同于野生型病毒产生的抗体反应。DIVA 方法已成功应用于各种疾病。尽管在评估哪些不同的 DIVA 策略最有可能适用于该领域方面取得了相当大的进展，但仍需要做更多的工作。如果应用得当，DIVA 疫苗接种策略有望为控制和根除疾病提供新的工具。
多部分量子态最优局部鉴别的界限
量子非局域性是多体量子系统的一个典型现象，它没有任何经典对应物。纠缠是最具代表性的非局域量子关联之一，它不能仅通过局域操作和经典通信（LOCC）来实现 1、2。众所周知，量子纠缠的非局域性质可用作许多量子信息处理任务的资源 3。量子非局域现象也可以出现在多体量子态鉴别中，这是量子通信中有效信息传输的重要过程。一般来说，正交量子态可以肯定地加以区分，而非正交量子态则无法做到这种区分。沿着这个思路，需要状态鉴别策略来至少以某个非零概率 4 – 7 鉴别非正交量子态。然而，当可用的测量仅限于 LOCC 测量 8 时，多体量子系统的某些正交态无法肯定地加以区分。由于在没有可能的测量限制时正交态总是能够被确定地区分，LOCC 测量的这种有限的鉴别能力揭示了量子态鉴别中固有的非局部现象。量子态鉴别的非局部现象也可能出现在鉴别多体量子系统的非正交态时；众所周知，某些非正交态不能仅使用 LOCC 9 – 11 进行最佳鉴别。因此，多体量子态 12 – 19 的最佳局部鉴别受到了广泛关注。然而，实现最佳局部鉴别仍然是一项具有挑战性的任务，因为很难对 LOCC 进行很好的数学表征。克服这一困难的一个有效方法是研究最佳局部鉴别的最大成功概率的可能上限。为了更好地理解最佳局部鉴别，建立实现这种上限的良好条件也很重要。最近，在二体量子态的局部最小误差鉴别中建立了最大成功概率的上限。此外，还给出了该上界饱和的必要充分条件20。在这里，我们考虑任意维数的多部分量子态之间的无歧义鉴别（UD）21 – 24，并为最佳局部鉴别的最大成功概率提供上限。此外，我们提供了实现该上界的必要充分条件。我们还建立了该上界饱和的必要充分条件。最后，我们使用多维多部分量子系统中的示例来说明我们的结果。本文组织如下。在“结果”部分，我们首先回顾多体量子系统中可分离算子和可分离测量的定义和一些性质。我们进一步回顾了UD的定义并提供了一些最优UD的有用性质（命题1）。作为本文的主要结果，我们给出了利用一类作用于多体希尔伯特空间的Hermitian算子实现最优局部鉴别的最大成功概率的上界（定理1）。此外，我们给出了Hermitian算子实现该上界的必要充分条件（定理2和推论1）。我们还建立了该上界饱和的必要充分条件（推论2）。我们通过多维多体量子系统中的例子说明了我们的结果（例子1和2）。在“方法”部分，我们提供了定理1的详细证明。在“讨论”部分，我们总结了我们的结果并讨论了与我们的成果相关的可能的未来工作。
细菌清除率和评估虾免疫刺激活性的新鉴别血细胞染色方法
摘要：开发了评估黑虎虾（Penaeus monodon）免疫刺激剂功效的新方法。试验虾饲喂 2% 或 4% 酵母提取物 (YE) 涂层饲料，而对照组饲喂无涂层饲料。喂养 4 周后，对单只虾进行总血细胞计数 (THC)、颗粒血细胞 (GH) 数量和细菌清除率评估。对于血细胞计数，在室温下用 50% 乙醇中的 1.2% 玫瑰红对福尔马林固定的血淋巴染色 20 分钟。一部分混合物用血细胞计数器进行 THC 计数，一部分涂在显微镜载玻片上晾干，然后用苏木精复染进行 GH 计数。通过这种技术，可以获得高质量的涂片以进行准确的分类计数。细菌清除试验用于评估体液和细胞防御机制的总体效果。每只虾肌肉注射 1 × 10 8 个哈维氏弧菌，注射后 0、15、30 和 60 分钟收集抗凝血淋巴，在 TCBS 琼脂上进行四次滴数计数（20 µl）。饲喂 4% YE 的虾的总血细胞计数显著高于（p < 0.05）饲喂无涂层饲料的虾。饲喂 YE 的虾的颗粒细胞百分比和细菌清除率高于饲喂对照饲料的虾。这两种方法可以简单快速地比较虾组抗菌防御能力的差异。
利用机器学习进行多模态 MRI 鉴别帕金森病和进行性核上性麻痹的效用
经典帕金森病 (PD) 和进行性核上性麻痹 (PSP)（尤其是理查森综合征 (PSP-RS)）的早期鉴别诊断通常受到症状特征重叠的限制，现有的临床评分或既定的诊断方法无法有效捕捉这些症状特征。在这种情况下，即使是运动障碍专家也报告了高达 24% 的失败率 ( 1 )。在临床实践中，PD 和 PSP-RS 的诊断主要基于临床检查，包括主要特征、对左旋多巴的反应以及统一 PD 评定量表 (UPDRS) ( 2 ) 等既定评分。然而，由于临床症状明显重叠且床边检查准确性不足，鉴别诊断通常具有挑战性，尤其是在疾病早期。准确的早期诊断与通过适当的药物管理、患者护理方案更好地管理疾病密切相关，并且可能显著改善疾病预后。此外，识别早期疾病表现可能带来更有针对性的药物疗法，并推动在这一领域开发更有效的药物疗法。在这方面，使用各种磁共振成像 (MRI) 模式，如 T1 加权 ( 3 , 4 )、T2 加权 ( 5 , 6 ) 和扩散张量 MRI (DTI) ( 7 , 8 ) 进行的分组研究显示，PD 和 PSP-RS 患者与健康对照 (HC) 受试者之间存在显著差异。这些差异表明区域脑容量、脑铁代谢和微结构脑组织退化发生了改变，所有这些都与 PD 和 PSP-RS 与 HC 受试者相比的神经退行性特征密切相关 ( 9 – 11 )。监督式机器学习技术能够识别高维数据中的复杂模式，而识别出的模式可用于对新的未知病例做出针对特定患者的预测 (12)。机器学习已成功用于解决各种精准医疗问题 (13)，多项研究尝试利用上述分组研究获得的特征对个体 PD 和 PSP-RS 患者进行分类 [例如 (14-16)]。然而，到目前为止，只有少数科学研究真正尝试利用多模态成像特征的力量来改善 PD 和 PSP-RS 患者的鉴别分类 [例如 (17、18)]。此外，与单模态成像信息相比，多模态成像的真正优势尚未详细探讨。因此，本研究旨在提出一个全面的端到端框架，使用 T1 加权、T2 加权和 DTI 数据集对 PD 患者、PSP-RS 患者和 HC 受试者进行分类，并评估使用单个单模态特征和多模态特征训练的最佳机器学习模型的准确性。
利用 MRI 选定特征进行阿尔茨海默病和血管性痴呆鉴别诊断的机器学习方法
1 英国伦敦伦敦大学学院皇后广场神经病学研究所皇后广场 MS 中心脑科学学院神经炎症系 NMR 研究组，2 意大利帕维亚大学电气、计算机和生物医学工程系，3 意大利帕维亚 IRCCS 蒙迪诺基金会脑 MRI 3T 研究中心，4 意大利帕维亚 IRCCS 蒙迪诺基金会中风科，5 意大利帕维亚 IRCCS 蒙迪诺基金会神经心理学实验室和行为神经病学组，6 意大利帕维亚大学脑与行为科学系，7 意大利帕维亚 IRCCS 蒙迪诺基金会头痛中心，8 英国伦敦伦敦大学学院医学图像计算中心医学物理和生物医学工程系，9 意大利米兰 IRCCS 圣多纳托综合医院放射科，10 意大利米兰拉斐尔生命与健康大学科学研究所， 11 意大利帕维亚 IRCCS 蒙迪诺基金会急诊神经病学部，12 意大利帕维亚 IRCCS 蒙迪诺基金会脑连接中心