XiaoMi-AI文件搜索系统
World File Search SystemInformative
死亡率风险预测心电图作为心血管疾病的信息指标
结果：DLM通过在10年期间使用ECG在内部/外部验证集中实现了0.858/0.836的C-指标。由拟议的DLM确定的高风险群体的危险比（HR）为14.16（95％偶发间隔（CI）：11.33 - 17.70）与内部验证中的低风险组相比，在内部验证中相比具有更高的心血管疾病风险，并提出了较高的心血管疾病（CV）的较高风险。 34.84), non-CV mortality (HR: 13.68, 95% CI: 10.76 – 17.38), AMI (HR: 4.01, 95% CI: 2.24 – 7.17), STK (HR: 2.15, 95% CI: 1.70 – 2.72), and HF (HR: 6.66, 95% CI: 4.54 – 9.77), which was consistent in独立社区医院。跨国验证还显示HRS为4.91（95％CI：2.63 - 9.16）和2.29（95％CI：2.15 - 2.44），用于SAMI-TROP中的全因死亡率和数字电视图15％（Code15）COHORTS中的全因死亡率和临床结果。
英国信息清单报告（1990 年至 2020 年） - UK-AIR
《国家温室气体排放控制协议》和《哥德堡议定书》均规定了 2020 年（《国家温室气体排放控制协议》规定的 2030 年）NO X 、SO X 、NMVOC、NH 3 和 PM 2.5 的减排承诺 (ERC)。《国家温室气体排放控制协议》和《哥德堡议定书》中商定的 2010 年 NO X 、NMVOC、NH 3 和 SO X 排放上限适用于 2019 年底，随后将被 2020 年 ERC 取代。2019 年，英国政府发布了《清洁空气战略 3》，其中阐述了英国将如何努力实现这些雄心勃勃的减排承诺。2021 年发布的排放预测尽可能考虑了已经实施的坚定和有资金资助的措施，即在有数据的情况下。因此，这些预测并未反映出清洁空气战略、净零战略或 2019 年国家空气污染物控制计划 (NAPCP) 中仍在制定的措施。
英国信息清单报告（1990 年至 2021 年） - UK-AIR
本报告所含信息来自英国国家大气排放清单 (NAEI) 计划，该计划包括用于向《联合国气候变化框架公约》报告的英国温室气体清单。根据 NECR、CLRTAP 和《联合国气候变化框架公约》报告的污染物清单的编制密切相关，并共享许多共同的数据源、数据管理、数据分析、质量保证/质量控制和报告程序。本报告总结了用于编制 NECR 和 CLRTAP 提交中涵盖的每种污染物清单的数据来源和排放估算方法。用于编制排放估算的最新排放因子和估算本身将于 2023 年春季在 https://naei.beis.gov.uk/data/ef-all 上提供。完整的 2023 年英国 NECR 和 CLRTAP 提交模板可从 NAEI 网站 https://naei.beis.gov.uk/data/ 获得。
皮层电图 (ECoG) 在灵长类动物视觉皮层中提供大量信息
这篇早期发布的文章已经过同行评审并被接受，但尚未经过撰写和编辑过程。最终版本在风格或格式上可能略有不同，并将包含指向任何扩展数据的链接。
EEG2Rep：通过信息掩蔽输入增强自监督脑电图表征
脑电图 (EEG) 表征学习的自监督方法面临着 EEG 数据固有的三个特定挑战：（1）低信噪比对所学习表征的质量提出挑战，（2）由于受试者间差异等因素，幅度范围从非常小到相对较大，使模型有可能受较高幅度范围的支配，以及 （3）连续值序列中缺乏明确的分割，这可能导致信息量较少的表征。为了应对这些挑战，我们引入了 EEG2Rep，一种用于从 EEG 进行自监督表征学习的自预测方法。 EEG2Rep 的两个核心新颖组件如下：1) EEG2Rep 不是学习从原始 EEG 预测掩蔽输入，而是学习在潜在表示空间中预测掩蔽输入；2) EEG2Rep 不是使用传统的掩蔽方法，而是使用一种新的语义子序列保留 (SSP) 方法，该方法提供信息丰富的掩蔽输入来指导 EEG2Rep 生成丰富的语义表示。在对 6 种具有受试者差异的不同 EEG 任务进行的实验中，EEG2Rep 的表现明显优于最先进的方法。我们表明，我们的语义子序列保留改进了自我预测文献中现有的掩蔽方法，并发现保留 50% 的 EEG 记录将在所有 6 个任务上平均获得最准确的结果。最后，我们表明 EEG2Rep 对噪声具有鲁棒性，可以解决 EEG 数据中存在的一个重大挑战。模型和代码可在此处获取：https://github.com/Navidfoumani/EEG2Rep
将有偏见的数据视为人工智能辅助医疗中的信息来源
医学中使用的人工智能 (AI) 工具与其他领域中使用的 AI 一样，都是通过检测大量数据中的模式来工作的。AI 工具之所以能够检测到这些模式，是因为它们可以“学习”或被训练来识别数据中的某些特征。然而，使用某种程度上存在偏差的数据训练的医疗 AI 工具可能会出现偏见，当这种偏见与不公正的模式相匹配时，使用这些工具可能会导致不公平和歧视。试图修复用于 AI 训练的有偏见的临床数据等技术解决方案是出于好意，但所有这些举措的基础是这样的观念：有偏差的临床数据是“垃圾”，就像计算机科学谚语所说的“垃圾进，垃圾出”。相反，我们建议将临床数据视为人工制品，经过检查，可以提供有关其所在的社会和机构的信息。
快速发展的对准站点对于深层生命树的重建
摘要：在假设快速发展的位点没有保留由于取代而没有保留准确的系统发育信号的假设下，快速发展的位点（通常称为“缓慢”分析）广泛用于微生物系统发育重建。因此，删除经历了多次取代的地点将改善系统发育分析中的信噪比，其余较慢发展的位点保留了更可靠的进化关系记录。在这里，我们表明，与此假设相反，即使是经常在生命之树中使用的保守蛋白中存在的最快发展的位点，也包含可靠且有价值的系统发育信息，并且对此类部位的修剪也会对系统发育倒置的准确性产生负面影响。在生命研究中使用的核糖体蛋白数据集建模的模拟比对始终表明，慢速进化位点比甚至最快发展的位点恢复真正的两部分的可能性较小。此外，特定于位点的取代率与准确恢复的短分支两部分的频率呈正相关，因为在这些时间间隔内缓慢发展的位点不太可能在这些间隔内经历过替代。使用已发表的生命序列对准数据集，我们还表明，慢速和快速发展的站点都包含类似不一致的系统发育信号，对于快速发展的站点，这种不一致的不一致可以归因于较差的对齐质量。此外，修剪快速站点，缓慢的位点或两者都被证明对多个进化模型的系统发育重建产生了重大影响。这在真实的和asgardarchaeota群体的结果中最明显，这对于实施不同的修剪方案特别敏感。
EEG2Rep：通过信息掩蔽输入增强自监督脑电图表征
脑电图 (EEG) 表征学习的自监督方法面临着 EEG 数据固有的三个特定挑战：（1）低信噪比对所学习表征的质量提出挑战，（2）由于受试者间差异等因素，幅度范围从非常小到相对较大，使模型有可能受较高幅度范围的支配，以及 （3）连续值序列中缺乏明确的分割，这可能导致信息量较少的表征。为了应对这些挑战，我们引入了 EEG2Rep，一种用于从 EEG 进行自监督表征学习的自预测方法。 EEG2Rep 的两个核心新颖组件如下：1) EEG2Rep 不是学习从原始 EEG 预测掩蔽输入，而是学习在潜在表示空间中预测掩蔽输入；2) EEG2Rep 不是使用传统的掩蔽方法，而是使用一种新的语义子序列保留 (SSP) 方法，该方法提供信息丰富的掩蔽输入来指导 EEG2Rep 生成丰富的语义表示。在对 6 种具有受试者差异的不同 EEG 任务进行的实验中，EEG2Rep 的表现明显优于最先进的方法。我们表明，我们的语义子序列保留改进了自我预测文献中现有的掩蔽方法，并发现保留 50% 的 EEG 记录将在所有 6 个任务上平均获得最准确的结果。最后，我们表明 EEG2Rep 对噪声具有鲁棒性，可以解决 EEG 数据中存在的一个重大挑战。模型和代码可在此处获取：https://github.com/Navidfoumani/EEG2Rep
组织中无细胞的DNA甲基化位点在肌萎缩性侧面硬化症
1。神经病学系，加州大学洛杉矶分校，洛杉矶，加利福尼亚2。基因组健康研究所，伊坎医学院位于纽约，纽约州西奈山3. 分子，细胞和发育生物学系，加州大学洛杉矶分校；洛杉矶，加利福尼亚4。 化学，生命科学和环境可持续性系，意大利帕尔马大学5。 澳大利亚布里斯班昆士兰州大学分子生物学研究所6。 心血管研究所，加州大学旧金山UCSF 7。 系统和合成生物学，基因组调节中心，西班牙巴塞罗那8。 内科学系III，维也纳医科大学风湿病学系，奥地利，奥地利9。 马萨诸塞州波士顿的达纳 - 法伯癌症研究所医学肿瘤学系10. 计算和系统生物学跨部门计划，加州大学洛杉矶分校，加利福尼亚州洛杉矶11。 澳大利亚生物工程和纳米技术学院，澳大利亚布里斯班昆士兰州大学12。 皇家布里斯班和妇女医院神经病学系，澳大利亚昆士兰州布里斯班， 生物医学科学学院，澳大利亚布里斯班昆士兰州大学医学院 昆士兰州脑研究所，昆士兰州昆士兰州，布里斯班，澳大利亚15。 Mater公立医院，澳大利亚布里斯班16。 神经病学系，加州大学旧金山，加州大学，加利福尼亚州17。 加利福尼亚大学洛杉矶分校的人类遗传学系，加利福尼亚州洛杉矶基因组健康研究所，伊坎医学院位于纽约，纽约州西奈山3.分子，细胞和发育生物学系，加州大学洛杉矶分校；洛杉矶，加利福尼亚4。化学，生命科学和环境可持续性系，意大利帕尔马大学5。澳大利亚布里斯班昆士兰州大学分子生物学研究所6。心血管研究所，加州大学旧金山UCSF 7。 系统和合成生物学，基因组调节中心，西班牙巴塞罗那8。 内科学系III，维也纳医科大学风湿病学系，奥地利，奥地利9。 马萨诸塞州波士顿的达纳 - 法伯癌症研究所医学肿瘤学系10. 计算和系统生物学跨部门计划，加州大学洛杉矶分校，加利福尼亚州洛杉矶11。 澳大利亚生物工程和纳米技术学院，澳大利亚布里斯班昆士兰州大学12。 皇家布里斯班和妇女医院神经病学系，澳大利亚昆士兰州布里斯班， 生物医学科学学院，澳大利亚布里斯班昆士兰州大学医学院 昆士兰州脑研究所，昆士兰州昆士兰州，布里斯班，澳大利亚15。 Mater公立医院，澳大利亚布里斯班16。 神经病学系，加州大学旧金山，加州大学，加利福尼亚州17。 加利福尼亚大学洛杉矶分校的人类遗传学系，加利福尼亚州洛杉矶心血管研究所，加州大学旧金山UCSF 7。系统和合成生物学，基因组调节中心，西班牙巴塞罗那8。内科学系III，维也纳医科大学风湿病学系，奥地利，奥地利9。马萨诸塞州波士顿的达纳 - 法伯癌症研究所医学肿瘤学系10.计算和系统生物学跨部门计划，加州大学洛杉矶分校，加利福尼亚州洛杉矶11。澳大利亚生物工程和纳米技术学院，澳大利亚布里斯班昆士兰州大学12。皇家布里斯班和妇女医院神经病学系，澳大利亚昆士兰州布里斯班，生物医学科学学院，澳大利亚布里斯班昆士兰州大学医学院昆士兰州脑研究所，昆士兰州昆士兰州，布里斯班，澳大利亚15。Mater公立医院，澳大利亚布里斯班16。神经病学系，加州大学旧金山，加州大学，加利福尼亚州17。加利福尼亚大学洛杉矶分校的人类遗传学系，加利福尼亚州洛杉矶