XiaoMi-AI文件搜索系统
World File Search SystemHumans
人类在 LHS 和 AI-ECP 中的冲突角色 - 适用于网络
[发表版本可在《临床实践评估杂志》上找到。2020 年 11 月 8 日出版。Doi：10.1111/jep.13510] 学习型健康系统和人工智能医疗保健中人类角色的冲突 TJ Kasperbauer 印第安纳大学医学院生物伦理学中心 摘要：学习型健康系统和医学人工智能的目标在许多方面是重叠的。两者都需要显著改进数据共享和 IT 基础设施，旨在为患者提供更加个性化的护理，并努力打破研究和护理之间的传统障碍。然而，当涉及到参与医学的人员（包括患者和提供者）时，学习型健康系统和人工智能的定义特征有所不同。学习型健康系统旨在加强医患关系，而人工智能的发展则强调无医生的体验。学习型健康系统还鼓励整个医疗系统中的专家更好地协调，但人工智能旨在用技术和算法取代许多专家。本文认为，这些冲突点可能需要重新考虑人类在医疗决策中的作用。虽然目前还不清楚机器将在多大程度上取代医疗保健领域的人类，但学习健康系统和人工智能的平行发展提出了一个重要的问题：人类在人工智能医疗保健中的确切作用。
人类与人工智能之间的信任：简要回顾
不可否认，人工智能系统在我们日常生活中无处不在：我们与人工智能助手交谈，我们让算法驾驶我们的汽车，我们寻求他们的建议来决定购买什么，等等。虽然我们在构建相当准确和高效的人工智能系统方面在各个领域取得了重大进展，但在大多数情况下，仍然需要人类的监督和/或干预。人类和人工智能之间需要合作的原因有很多。一方面是他们能力的互补性。虽然人工智能可以查看大量数据并做出数学上精确的推断，但它仍然缺乏人类理解抽象概念和用更少的数据进行概括的能力。另一方面，一个关键的考虑因素是，算法并非万无一失，这需要这种人类监督，特别是在高风险决策中。已经有一些案例表明，由于训练数据有限或有偏差，算法推荐存在偏差。人们还报告了由于技术故障导致算法推荐错误的情况 [2]。为了有效利用互补能力并有效减少算法错误，我们需要设计出人类用户能够充分理解并适当信任的系统。为此，研究人员强调了提高模型可解释性和可解释性的重要性。这些努力的重点是以一种有助于人类理解模型的方式传达模型的工作和最终建议。然而，Lakkaraju 和 Bastani [21] 以及 Bansal 等人 [3] 最近的研究表明，用更多信息或解释补充算法决策并不一定能帮助人类用户做出更好的决策。这种观察的一个可能解释是，人类无法建立与算法能力相适应的信任。正如 Huang 和 Fox [17] 所说，现实世界中的决策是基于理性计算（在可用信息和心理资源的限制范围内）和信任的混合。虽然可解释性努力力求使模型更易于理解，但它们并没有积极考虑人类对模型的依赖或信任。在这篇评论中，我们强调了在设计人机有效协作时需要考虑人类信任的问题。在这篇文章中，我们回顾了人机交互方面的工作，重点是了解人类如何以及何时信任机器。1
人类放弃奖励，为人工智能注入公平性
近年来，人工智能 (AI) 已成为我们日常生活中不可或缺的一部分，帮助我们做出决策。在这种交互过程中，AI 算法通常使用人类行为作为训练输入。因此，重要的是要了解人们在训练 AI 时是否会改变他们的行为，以及当训练对他们没有好处时他们是否会继续这样做。在这项工作中，我们在最后通牒游戏的背景下进行行为实验来回答这些问题。在我们的版本中，参与者被要求决定是否接受或拒绝其他人类参与者或 AI 提出的金钱分割提议。一些参与者被告知他们的选择将用于训练 AI，而其他参与者没有收到此信息。在第一个实验中，我们发现参与者愿意牺牲个人收入来训练 AI 变得公平，因为他们变得不太倾向于接受不公平的提议。第二个实验重复并扩展了这一发现，结果显示参与者有动力训练人工智能，即使他们将来永远不会遇到它。这些发现表明人类愿意付出成本来改变人工智能算法。此外，它们表明，人工智能训练过程中的人类行为不一定与基线偏好一致。这一观察结果对人工智能发展提出了挑战，表明人工智能算法在推荐选择时考虑其对行为的影响非常重要。
下一波浪潮：人类、计算机和重新定义现实
维基百科：“真实世界与虚拟世界的融合，创造出新的环境和可视化效果，其中物理对象和数字对象共存并实时交互。混合现实不仅发生在物理世界或虚拟世界中，而且是现实与虚拟现实的混合，通过沉浸式技术涵盖增强现实和增强虚拟。”
从...分离出的对人类具有潜在致病性的酵母
在。 Gatunek DV BSL RG总和D10 D50 S20 s20 ls ls lu 1 aureobasidium pallulans（de bary＆löwenthal） 1 3 barnettozyma californica（Lodder）Kurtzman，Robnett＆Bas.-Powers 2008 A 1 1 12 7 5 11 1 8 4 8 4 2 0 1 9 4 **念珠菌罐（CP Robin）Berkhout 1923 A 2 2 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 5 ** NAKASEMOMESOMESMOMESMOMYSOMYSOMESMOMYSMOMYSOMYSOMY CLABRASSMOMYSMOMYSMOMYSMOMYSMOMYSMOMYSMOMYSMOMYSMOMASE glabratus（HWAS） 9 0 5 1 6 6 pseudolambica SM。米尔。 1979（无性型：Candida lusitaniae） A 2 2 1 1 0 0 1 1 0 0 1 0 0 0 1 9 Cryptococcus amylolentus（Van der Walt，DB Scott 和 Klift）Golubev 1981 B 1 1 4 1 3 1 0 4 0 4 3 0 1 0 Cryptococcus uniguttulatus（Wolfram 和 Zach）Phaff 和 Fell 1970 B 1 1 1 1 0 1 0 0 1 0 1 0 1 0 11 Cutaneotrichosporon jirovecii（Fragner）Xin Zhan Liu，FY Bai，M. Groenew。 & Boekhout 2015 B 2 2 16 8 8 12 4 4 12 15 1 4 6 1 5
人类需要什么个性化医疗以及实现个性化医疗的途径
摘要：精准医学的兴起为现代医学的发展开辟了广阔的空间，也赋予了个体化医疗理念以现实意义。精准医学正在建立一套有别于传统体系的个性化疾病分类体系。但近年来精准医学的研究进展并不尽如人意：能够归因于单一靶点异常的疾病类型很少；目前的“精准”用药效果并不理想，各种副作用难以避免；精准医学的方法论仍是还原论的，并不能解决临床治疗的整合问题，反而会增加整合的难度，因此精准医学方法并不是构建个体化医疗体系的可行途径。本文在分析论证精准医学的科学局限性以及中医药与复杂性科学方法的一致性的基础上，借鉴控制论和复杂性科学的概念和方法，为个体化医疗的发展提出了一套全新的思路和方法。结论是：沿着精准医学的道路走下去，理想的个体化医疗是无法实现的；人们最终需要的是能够实现整体整合的个性化医疗，在具有整体整合和个性化特点的中医药基础上，依据科学规范和证据原则，构建以实证证据为基础的理论模型和状态描述体系，是建立个性化医疗体系的最佳途径。关键词：个性化医疗，精准医学，疾病分类，状态医学，整体医学
完全可植入人体的无线脑机接口
与外部设备交互。在过去的几十年里，由于技术挑战，大多数 BCI 进展都局限于动物实验或有线连接的人类受试者，从而阻碍了它们在治疗神经系统疾病或增强人类能力方面的应用。Neuralink 最近取得的突破标志着首次成功将完全无线的 BCI 设备植入人脑并有效检测脉冲活动。值得注意的是，这款名为 N1 的设备只有一枚硬币大小，但却具备记录和传输脑信号、无线充电和通过蓝牙通信的全部功能（图 1）。同样，NEO 也是一种无线设备，尽管略大一些（大约是两个平行硬币的大小）。NEO 由近场通信 (NFC) 供电，也通过 NFC 进行通信，因此无需电池。这两款设备的主要区别在于
口服芬苯达唑用于人类和动物癌症治疗
摘要。芬苯达唑是一种苯并咪唑类驱虫剂，常用于治疗动物寄生虫感染。在人类中，其他苯并咪唑类药物，如甲苯咪唑和阿苯达唑，被用作抗寄生虫剂。由于芬苯达唑目前尚未获得 FDA 或 EMA 的批准，其在人体中的药代动力学和安全性尚未在医学文献中得到充分记录。尽管如此，可以从现有的体外和体内动物药代动力学研究中得出一些见解。鉴于芬苯达唑成本低、安全性高、可及性强以及独特的抗增殖活性，芬苯达唑将成为治疗癌症的首选苯并咪唑化合物。为了确保芬苯达唑再利用过程中患者的安全，进行临床试验以评估其潜在的抗癌作用、最佳剂量、治疗方案和耐受性至关重要。本综述重点介绍口服芬苯达唑的药代动力学及其有希望的抗癌生物活性，例如在已发表的实验研究中抑制糖酵解、下调葡萄糖摄取、诱导氧化应激和增强细胞凋亡。此外，我们评估了芬苯达唑的毒性特征，并讨论了提高药物生物利用度、增强其疗效和降低潜在毒性的可能性。芬苯达唑，也称为甲基 N-(6-苯基硫烷基-1H-苯并咪唑-2 基)，目前用作抗寄生虫药
与人类合作的机器人的多模式增强学习
针对老年人和残疾人的机器人助手需要在协作任务中与用户互动。这些系统的核心组成部分是一个交互管理者，其工作是观察和评估任务并推断人的状态以及他们为机器人选择最佳行动方案的意图。由于该域中数据的稀疏性，这种多模式系统的策略通常是手工制定的。随着相互作用的复杂性的增长，此过程是不可扩展的。本文提出了一种加固学习（RL）方法，以自动生成机器人的多模式策略。与传统的对话系统相比，我们的代理人经过使用人类数据的模拟器进行培训，并且可以处理多种模式，例如语言和物理动作。我们使用一个简单的高级奖励功能，不需要微调并执行一些先决条件来加快训练过程。我们进行了一项人类研究，以评估系统在与用户互动中的性能。我们设计的系统在真实用户使用时显示出令人鼓舞的初步结果。
人类和动物中的prion病的治疗观点
prion病是一群致命的神经退行性疾病，这些疾病影响了几种哺乳动物，包括人类，牛，子宫颈，绵羊，山羊等[1-3]。这些疾病是由细胞prion蛋白（PRP C）错误折叠到β-片 - 片结构中的驱动的。疾病相关的prion称为PRP SC，易于聚集和神经毒性[4-6]。prion疾病可以与prion蛋白基因（PRNP）中的突变有关，该突变是由expo to po to to to to to to to po to to to to to to to to to to to to to to to to to to to to to po to to po to to prodion to to to to to to to po to to to po to to to prodion污染材料，也可以偶发地出现[3，7]。prion领域的研究领域是药物发现。尽管跨越了几十年的努力，但prion疾病仍然没有明显的修改治疗或治疗方法[1、2、7-10]。Several factors affect the development of effective anti-prion treatments including the different conformations that PrP Sc particles acquire (also known as prion strains [ 7 , 11 ]), the limited number of prion strains that are available to be studied in cell-culture models [ 1 ], the rare inci- dence of human prion diseases that limit patient recruitment, and the still elusive understand- ing of prion pathogenesis, among others [ 7 , 12 ].此外，缺乏在早期阶段鉴定该疾病的敏感检测方法[13]使得在脑损伤已经广泛且可能不可逆的情况下，在症状发作之前就很难治疗个体[3]。本文重点介绍用于开发针对PRP C，PRP SC和相关病理途径的抗原疗法的不同方法。我们还讨论了该领域已采用的方法来开发和评估新疗法。最后，我们讨论了在人类和动物中测试的一些治疗策略，以及针对抗王室疾病的疗法的未来观点。