XiaoMi-AI文件搜索系统
World File Search SystemGuided
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
用户对Rotem引导止血复苏的看法：一项混合定性 - 定量研究
摘要：粘弹性的护理止血复苏方法，例如Rotem或TEG，对于决定时间柔性的个性化凝结干预措施至关重要。国际输血指南强调患者的安全性增加和降低治疗成本。我们分析了护理提供者对Rotem的看法，以识别感知的优势和改进领域。我们进行了一项单中心，混合的定性 - 定量研究，包括访谈，然后进行在线调查。使用模板方法，我们在护理提供商对Rotem的响应中首先识别主题。后来，参与者根据在线问卷中的五点李克特量表上的六个陈述对六个陈述进行了评分。接受了七十七名参与者的采访，52名参与者完成了在线调查。通过分析用户感知，我们确定了十个主题。最常见的积极主题是“高准确性”。最常见的负面主题是“需要培训”。在在线调查中，有94％的参与者同意监控实时Rotem Temograms有助于更快地启动目标治疗，而81％的人同意重复的ROTEM培训将是有益的。麻醉护理提供者发现Rotem是准确且迅速可用于支持动态和复杂止血情况下的决策。但是，临床医生认为解释Rotem是一项复杂且认知要求的任务，需要明显的培训需求。
归纳时空的临时性克里格，具有物理学引导的增量训练策略
摘要 - 用于空气质量的传感器的部署受到高成本的限制，导致网络覆盖不足和某些领域的数据缺陷。利用现有的观察结果，时空kriging是一种在特定时期估算未观察到位置空气质量的方法。具有增量训练策略的归纳时空kriging已证明了其使用虚拟节点模拟未观察到的节点的有效性。但是，虚拟节点和真实节点之间的差异仍然存在，这使从虚拟节点到实际未观察到的学习模式的应用变得复杂。To address these limitations, this paper presents a Physics- Guided Increment Training Strategy (PGITS).具体来说，我们设计了一个动态图生成模块，以将空气颗粒作为物理知识的对流和扩散过程纳入图形结构，并动态调整邻接矩阵以反映节点之间的物理相互作用。通过将物理原理用作虚拟节点和真实节点之间的桥梁，该策略可确保虚拟节点及其伪标签的特征更接近实际节点。Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.Index Terms —Air quality inference, sensors, inductive spatio- temporal kriging, physics principles, increment training strategy
透视指导性介入程序的质量保证和优化
随着荧光指导性介入程序的应用和复杂性不断增长，各种临床专业人员之间的合作越来越重要。在一起，理想情况下，这些临床专业人员将不仅建立质量保证计划，而且还将开发针对荧光镜指导性介入程序独特需求量身定制的全面优化过程。质量保证计划通过定义符合最佳实践和监管要求的标准，程序和准则来确定X射线荧光影像系统的一致，高质量性能的基础。它重点介绍了从设备维护到协议依从性的与荧光镜指导性介入程序有关的所有方面的监视，评估和改进。
学习如何使用基于BCI的学习环境来生成动力学运动图像：基于指导或试验方法的比较研究
摘要 - Kinesthetic Motor图像（KMI）是一项心理任务，如果正确执行，则在运动训练或康复中使用脑部计算机界面（BCI）可能非常相关。不幸的是，这项心理任务通常很复杂，并且可以导致其执行情况高度可变性，从而减少其潜在的好处。KMI任务如此困难的原因是因为没有标准化的方式来指导该主题在这项心理任务中。这项研究提出了一种创新的BCI，称为Grasp-It，以支持KMI任务的学习，并评估两种不同的学习方法：（i）第一个由实验者和渐进率指导的，基于渐进率的概念，（ii）第二个学习者是单独的，并且通过试验和错误进行了学习和练习。基于脑电图分析的发现和主观问卷调查验证了grasp-it bci的设计，并为KMI学习方式开辟了观点。索引项 - Kinesthetic Motor图像；大脑计算机界面； grasp-it;中风康复； BCI学习环境；人类计算机相互作用
Tell-Drive：通过教师LLM引导深入强化学习
摘要 - 尽管深度强化学习（DRL）和大型语言模型（LLMS）每个人都在应对自动驾驶中的决策挑战方面有希望，但DRL通常会遭受较高的样本复杂性，而LLMS则难以确保实时决策。为了解决这些局限性，我们提出了Tell-Drive，这是一个混合框架，该框架集成了教师LLM，以指导基于注意力的学生DRL政策。通过将风险指标，历史场景检索和域启发式法纳入上下文提示中，LLM通过思想链推理产生高级驾驶策略。随后，一种自我发挥的机制将这些策略与DRL代理的探索，加速政策融合并提高各种驾驶条件的鲁棒性。在多种流量方案中评估的实验结果表明，就成功率，平均收益和实时可行性而言，Tell-Drive优于现有的基线方法，包括其他基于LLM的方法。消融研究强调了每个模型成分的重要性，尤其是注意机制和LLM驱动指导之间的协同作用。最后，我们构建了一个虚拟真实的融合实验平台，以验证通过车辆中的实验实验在真实车辆上运行的算法的实时性能，易损和可靠性。全面验证结果可在我们的网站上找到。
微生物组引导的抗抑郁治疗
抑郁症是一种高度普遍且异质性的疾病，通常以对抗抑郁剂治疗的反应可变。最近的研究强调了肠道轴是精神病的关键调节剂，强调了微生物群对神经递质合成，免疫调节和全身炎症的影响。证据表明，肠道营养不良有助于治疗耐药性，而特定的细菌菌株（例如乳酸杆菌和双歧杆菌）会增强抗抑郁药疗效。相反，致病物种促进神经炎症，损害药物反应。微生物组引导的抗抑郁治疗的新兴概念为优化精神疗法提供了一种精确的医学方法。宏基因组学，代谢组学和人工智能的进步促进了个性化的治疗策略，Incorpo评级益生菌，益生元和粪便微生物群移植（FMT）作为常规药物治疗的辅助手段。研究表明，微生物组的调节可能会增强5-羟色胺的可用性，减少全身性炎症并改善抗抑郁剂预后，尤其是在耐治疗抑郁症中。尽管有很有希望的发现，但关于长期影响，最佳微生物干预措施和个性化治疗方案仍然存在几个差距。此外，年龄，性别，饮食和昼夜节律影响了微生物群的位置，需要进行量身定制的干预措施。
使用MRS Data
Anouar Kherchouche，Olfa Ben Ahmed，Carole Guillevin，Benoit Tremblais，Adrien Julian等。使用MRS数据，注意引导的神经网络，用于早期痴呆症检测。计算机化医学成像和图形，2022，99，pp.102074。10.1016/j.compmedimag.2022.102074。hal- 03684564
机器学习引导的纳米化剂设计，以最大程度地减少机械系统中的能量损失
这项研究探讨了机器学习指导设计在优化纳米化剂中的重要潜力，重点是减少机械系统中的摩擦和磨损。利用神经网络和遗传算法，研究表明了高级计算技术如何准确预测和增强纳米求的摩擦学特性。研究结果表明，与传统的矿物基油基润滑剂相比，纳米化剂，尤其是含石墨烯和碳纳米管的纳米化剂，在降低摩擦系数和磨损速率方面表现出明显改善。此外，这些纳米求的增强的热稳定性和载荷能力有助于大量的能源节省和提高的操作效率。这项研究强调了采用纳米化剂的经济和环境益处，强调了它们改变润滑技术并支持可持续工业实践的潜力。
知识引导的深度强化学习用于交互式推荐
摘要最多 350 个字：（请输入）交互式推荐旨在适应和学习项目和用户之间的动态交互，以实现推荐系统的响应性和准确性。强化学习天生有利于应对动态/交互环境，因此在交互式推荐研究中引起了越来越多的关注。然而，大多数现有工作倾向于学习固定的用户兴趣，而忽略了它们本质上是动态的。论文首先介绍推荐系统及其应用。然后是详细的文献综述，涵盖三个主要相关领域：序列感知推荐、交互式推荐和知识感知推荐系统。论文还回顾了基于强化学习的推荐系统应用，并讨论了其优点和缺点。之后，本论文报告了关于交互式推荐系统的一般问题陈述和要解决的挑战，包括用户动态兴趣建模、强化学习优化的计算成本以及基于强化学习的推荐系统的性能下降。特别是，我们提出了一套通过强化学习改进交互式推荐的技术和模型。我们提出了一种学习分布式交互嵌入的新模型，该模型可以以紧凑而富有表现力的方式捕获用户的动态兴趣。受到图卷积网络和知识感知推荐的最新进展的启发，我们设计了一个知识引导的深度强化学习 (KGRL) 模型，以利用强化学习和知识图谱的优势进行交互式推荐。该模型在演员-评论家网络框架内实现。它维护一个本地知识网络来指导训练阶段的决策过程，并采用注意力机制来发现项目之间的长期语义。为了降低强化学习的计算成本，我们进一步设计了一种增强优化策略，缩小了更新步骤的空间并改变了奖励函数。我们在模拟在线环境中对提出的三种方法进行了全面的实验，结果表明，与文献中的基线和最先进方法相比，我们的模型的性能得到了持续的改进。最后，本论文讨论了交互式推荐系统的未来工作和潜在的进一步改进。