XiaoMi-AI文件搜索系统
World File Search SystemAgno
prefetchx：跨核cache-agnostic prefetcher- ...
摘要 - 在本文中，我们在现代英特尔处理器中揭示了一类新的Prefetcher XPT Prefetcher的存在，该处理器从未正式详细介绍。它在预测负载请求会导致LLC失误时，绕过最后一级缓存（LLC）查找。我们证明了XPT Prefetcher在不同的内核之间共享，这使攻击者能够构建跨核侧通道和掩护通道攻击。我们提出了一种跨核攻击机制P Refetch X，以泄露用户的敏感数据和活动。我们从经验上证明，Prefetch X可用于提取现实世界中RSA应用程序的私钥。fur-hoverore，我们表明precth x可以启用侧向通道攻击，以监视用户的击键和网络流量模式。我们的两次跨核秘密通道攻击也看到较低的错误率和122 KIB/s的最大通道容量。由于P Refetch X的无缓存功能，当前基于缓存的缓解措施对我们的攻击无效。总的来说，我们的工作发现了XPT Prefetcher的重要脆弱性，可以利用这些脆弱性，以损害密码学和处理器核心中敏感信息的机密性。
面向主体不可知的情感识别
摘要 本文重点研究情感识别，旨在基于脑电信号在与主体无关的范式中实现。然而，脑电信号在与主体无关的情感脑机接口 (aBCI) 中表现出主体不稳定性，从而导致分布偏移问题。此外，该问题可以通过领域泛化和领域自适应等方法得到缓解。通常，基于领域自适应的方法比领域泛化方法产生更好的结果，但对于新主体，需要更多的计算资源。我们提出了一种新颖的框架，即基于元学习的增强领域自适应，用于与主体无关的 aBCI。我们的领域自适应方法通过元学习得到增强，它由一个循环神经网络、一个分类器和一个基于求和可分解函数的分布偏移控制器组成。此外，我们提出，解释求和可分解函数的神经网络可以有效地估计不同领域之间的差异。增强域自适应的网络设置遵循元学习和对抗学习，其中控制器通过测试阶段的几个自适应步骤迅速适应使用目标数据的新域。我们提出的方法在公共 aBICs 数据集上的实验中被证明是有效的，并且实现了与最先进的域自适应方法类似的性能，同时避免使用额外的计算资源。
肿瘤学的不可知论批准：利用正确的基因组学为正确的患者提供正确的药物
摘要：（1）背景：随着精准医疗的出现，肿瘤学领域发生了巨大变化，这主要得益于通过下一代测序评估的可用药物治疗基因或免疫靶点的发现。基于生物标志物的治疗方法日益增多，目前，六种组织不可知论疗法已获得 FDA 批准。（2）方法：我们进行了文献综述，并报告了导致组织不可知论疗法获批的试验和目前正在研究基于生物标志物的新方法的临床试验。（3）结果：我们讨论了组织不可知论疗法的批准：用于治疗 MMRd/MSI-H 的 pembrolizumab 和 dostarlimab，用于治疗 TMB-H 的 pembrolizumab，用于治疗 NTRK 融合的 larotrectinib 和 entrectinib，用于治疗 BRAF V600E 突变的 dabrafenib 加 trametinib，以及用于治疗 RET 融合的 selpercatinib。此外，我们还报道了基于生物标志物的方法的新型临床试验，包括 ALK、HER2、FGFR 和 NRG1。（4）结论：精准医疗在不断发展，随着诊断工具的改进，可以对肿瘤进行更广泛的基因组定义，组织无关的靶向治疗是一种针对特定肿瘤基因组图谱量身定制的有前途的治疗策略，可改善生存结果。
急性髓系白血病中肿瘤无关突变的分子靶向治疗
摘要：最近，综合基因组分析检查 (CGP) 得到了发展，并检测到了各种肿瘤不可知突变，从而推动了针对实体肿瘤的新型分子靶向疗法的发展。此外，乳腺癌和卵巢癌等遗传性肿瘤的阐明开创了一个新时代，该时代的特点是开发了新疗法和终身管理策略，这些策略是潜在或已出现遗传性癌症的患者所必需的。然而，在急性髓系白血病 (AML) 中，很少有肿瘤不可知或遗传性突变成为研究重点，相关的分子靶向疗法仍然发展不佳。参考日本的CGP研究，重点研究了TP53、KIT、KRAS、BRCA1、ATM、JAK2、NTRK3、FGFR3、EGFR等具有代表性的肿瘤无关突变，探讨了针对具有肿瘤无关突变的AML开发分子靶向治疗的可能性。总结了这些突变的发生频率、预后、结构和功能以及目前在实体瘤中的治疗策略，揭示了实体瘤与AML的遗传关系，并开发了AML的肿瘤无关的分子靶向治疗和终生管理策略。
SPP-EEGNET：一种用于跨数据集迁移学习的输入无关自监督 EEG 表征模型
摘要。目前标记的脑电图 (EEG) 记录很少，并且不同的数据集通常具有不兼容的设置（例如，各种采样率、通道数、事件长度等）。这些问题阻碍了机器学习从业者训练通用 EEG 模型，这些模型可以通过迁移学习重新用于特定的 EEG 分类任务。我们提出了一种具有空间金字塔池化层的深度卷积神经网络架构，该架构能够接收不同维度的 EEG 信号并将其特征提取为固定大小的向量。该模型在大型未标记数据集上使用对比自监督学习任务进行训练。我们引入了一组 EEG 信号增强技术来生成大量样本对来训练特征提取器。然后我们将训练好的特征提取器迁移到新的下游任务。实验结果 1
脑机接口中用于脑电图运动意象解码的模型无关元学习
摘要 — 我们在此介绍了用于训练 EEG BCI 解码器的元学习理念。元学习是一种训练机器学习系统使其学会学习的方法。我们将元学习应用于简单的深度学习 BCI 架构，并将其与同一架构上的迁移学习进行比较。我们的元学习策略通过寻找 BCI 解码器的最佳参数来运行，以便它可以在不同用户和记录会话之间快速推广 - 从而也可以快速推广到新用户或新会话。我们在 Physionet EEG 运动意象数据集上测试了我们的算法。我们的方法将运动意象分类准确率提高了 60% 到 80%，在小数据条件下优于其他算法。我们相信，建立元学习或学习学习方法将有助于神经工程和人机交互应对快速设置神经信号解码器的挑战，使其更适合日常生活。
携带 BRAF 突变的肿瘤类型不可知疗法 - ArTS
1 意大利的里雅斯特大学医学、外科和健康科学系，Piazza Ospitale 1, 34129 的里雅斯特， silcorona@hotmail.it（SPC）; dgenerali@units.it (DG) 2 乳腺癌科和转化研究科，克雷莫纳地区社会卫生局，Viale Concordia 1，26100 克雷莫纳，意大利； mmed.sir@gmail.com （微软）； carlastrina@gmail.com （客服）； manuelamilani@googlemail.com（毫米）; mariarosacappelletti@gmail.com （MRC）; n.ziglioli@asst-cremona.it（新西兰）; valeriacervoni89@gmail.com (VC) 3 意大利克雷莫纳健康与社会保健公司解剖病理学系，Viale Concordia 1, 26100 克雷莫纳，意大利； g.ferrero@asst-cremona.it 4 医院药房，克雷莫纳地区健康与社会保健公司，Viale Concordia 1, 26100 克雷莫纳，意大利； a.machiavelli@asst-cremona.it 5 佛罗伦萨大学健康科学系，临床药理学和肿瘤学系，Viale Pieraccini, 6, 50139 佛罗伦萨，意大利； giandomenicoroviello@gmail.com * 通讯地址：ottavia.b88@gmail.com
将肿瘤创新引入欧洲医疗体系：生物标志物检测、真实世界证据、肿瘤无关疗法助力个性化医疗的潜力
1 欧洲个性化医疗联盟，Avenue de l'Armee/ Legerlaan 10, 1040 布鲁塞尔，比利时； Chiara.Bernini@euapm.eu 2 IRCCS 国家癌症研究所“Regina Elena”，Via Elio Chianesi, 53, 00128 罗马，意大利； gennaro.ciliberto@ifo.gov.it（GC）; simonetta.buglioni@ifo.gov.it （SB）3 帕多瓦大学外科、肿瘤学和胃肠病学科学系，Via Giustiniani 2, 35128 帕多瓦，意大利； pierfranco.conte@unipd.it 4 米兰大学肿瘤学和血液肿瘤学系和欧洲肿瘤研究所，IRCCS，意大利米兰 20139； giuseppe.curigliano@ieo.it 5 纳瓦拉大学临床研究所肺科，Calle Marquesado de Sta. Marta, 1, 28027 马德里，西班牙； lseijo@unav.es 6 网络呼吸系统疾病（CIBERES），Av. de Monforte de Lemos, 3-5, 28029 Madrid，西班牙 7 应用医学研究中心（CIMA），纳瓦拉大学科学与医学院，Av. de Pío XII, 55, 31008 Pamplona，西班牙； lmontuenga@unav.es 8 CIBERONC, Av. Monforte de Lemos, 3-5, 28029 马德里, 西班牙; nmalats@cnio.es 9 SS 胸肺肿瘤内科，IRCCS 基金会国家癌症研究所 Via Giacomo Venezian, 1, 20133 米兰，意大利； marina.garassino@istitutotumori.mi.it 10 克莱蒙-奥弗涅大学病理学和肿瘤生物学系，49 bd François Mitterrand，63001 克莱蒙费朗，法国； frederique.penault-llorca@clermont.unicancer.fr 11 aBRCAdaBRA Onlus 协会 Via Volontari Italiani del Sangue, 32, 90128 Palermo, 意大利； fabrizia.galli@materdomini.it 12 医学肿瘤学系，Leon Bérard 中心和 Claude Bernard Lyon 大学，69008 里昂，法国； isabelle.ray-coquard@lyon.unicancer.fr 13 外科部，贝尔戈尼研究所和癌症中心，Léon Bérard Cheney 中心 D-2，位于 -28 Rue Laennec，69373 里昂，法国； denis.querleu@esgo.org 14 荷兰鹿特丹伊拉斯姆斯医学中心约瑟芬内夫肯斯研究所病理学系，Be 235b，Dr Molwaterplein 50，3015； p.riegman@erasmusmc.nl 15 英国阿伯丁大学国王学院病理学系，阿伯丁 AB24 3FX； Keith.Kerr@quinnipiac.edu 16 鲁汶大学医院泌尿科，Herestraat 49，3000 鲁汶，比利时； Hendrik.vanpoppel@uzleuven.be 17 瑞典隆德市斯科讷大学医院泌尿科，Box 117，221 00； anders.bjartell@med.lu.se 18 罗马大学医学和外科科学与生物技术系，“la Sapienza”，Piazzale Aldo Moro，5，00185 罗马，意大利； Giovanni.Codacci-Pisanelli@uniroma1.it 19 保加利亚个性化医疗协会，45 Bacho Kiro Str.，1202 索非亚，保加利亚； off?ce.bappm@gmail.com 20 科学理事会，IRCCS Giovanni Paolo II 癌症研究所，Viale Orazio Flacco, 65, 70124 Bari，意大利； a.paradiso@oncologico.bari.it 21 欧洲消化系统癌症协会，Rue de la Loi 235, 1040 布鲁塞尔，比利时； zorana.maravic@gmail.com （ZM）； vfotaki@ed.ac.uk (VF) 22 西班牙国家癌症研究中心 (CNIO)，Calle de Melchor Fern á ndez Almagro, 3, 28029 Madrid, Spain 23 独立患者倡导者，14 Farthing Road Downham Market, Norfolk PE38 0AF, UK； info@alastairkent.com 24 欧洲肿瘤研究所 IRCCS，IEO 医学肿瘤学部，Via Ripamonti 435，20141 米兰，意大利； elisabetta.munzone@ieo.it
组织不可知的TMB临床临界协调计划
组织不可思议的TMB临床临床临界计划的目标目标是组织不可思议的TMB临床临床临界协调计划：以最小或较低的截止临界值对齐，以泛滥的指示，以帮助临床试验设计并通过对患者进行临床策略进行培养和招聘数据，以帮助临床试验和探索药物招聘招聘和数据收集。重要的是要注意，尽管作为该计划的一部分，正在对TMB值的单个截止或模棱两可的区域进行临床试验和统计计划，但确定临界值本身并没有针对临床试验战略一致性以外的监管目的。背景：肿瘤突变负担（TMB），定义为每兆瓦的基因组序列的体细胞突变数量，证明了对鉴定癌症患者的预测性生物标志物潜力，最有可能对免疫检查点抑制剂做出反应。由于多个赞助商独立工作以优化TMB的特定治疗方法，因此每个赞助商可能会为组织不可知的TMB切点设置不同的切口基于公司的定义方式而不是基于生物学。这对于组织不可知的发育尤其有问题，因为它是基于生物标志物而不是起源或病理疾病部位重新定义疾病的。方法：癌症研究之友召集了一个专注的工作组，由制药和诊断公司以及美国组成。食品和药物管理局。与组织不可知的切点或TMB值的模棱两可的区域达成协议，表明与生物学定义的免疫检查点激活状态有很强的关联，将有助于不同的设备公司能够在体外诊断设备上销售可以衡量同一疾病状态并为当前和未来临床试验的TMB的开发而销售同一疾病状态的体外诊断设备。该工作组开发了一个项目建议，概述了概念分析证明的考虑因素和参数，例如必要的数据元素，统一的临床试验组件和适当的患者人群。