XiaoMi-AI文件搜索系统
World File Search SystemLR
青少年大脑认知发展 (ABCD) 研究中健康青少年的抑郁症家庭风险神经回路标记
摘要背景：抑郁症家族史是早发性抑郁症的有力预测因素，这可能通过与奖励和情绪处理有关的神经回路的改变而带来风险。这些改变可能在有家族性抑郁症风险但目前没有患抑郁症的年轻人身上很明显。然而，由于研究数量少、样本量小，很难找到可靠且可重复的发现。在目前的研究中，我们试图确定与抑郁症家族风险相关的功能连接 (FC) 模式。方法：参与者包括健康的（即一生中没有精神病诊断）青少年，他们有较高的家庭抑郁症风险（HR）（n = 754；至少有一位父母有抑郁症病史）和健康的青少年，他们有较低的家庭精神病风险（LR）（n = 1745；没有父母精神病史），年龄在 9 至 10 岁之间，来自青少年大脑认知发展 (ABCD) 研究样本。我们进行了全脑种子到体素分析，以检查杏仁核、尾状核、伏隔核和壳核的静息态 FC 的组间差异。我们假设 HR 青少年会表现出整体杏仁核高连接和纹状体低连接模式，这主要由母亲风险驱动。结果：HR 青少年的尾状角回 FC 弱于 LR 青少年（a = 0.04，Cohen 'sd = 0.17）。有母亲抑郁病史的 HR 青少年特别表现出比 LR 青少年更弱的尾状角回 FC（a = 0.03，Cohen 'sd = 0.19）以及更弱的尾状背外侧前额皮质 FC（a = 0.04，Cohen 'sd = 0.21）。结论：纹状体连接较弱可能与家庭抑郁症风险增加有关，这主要是由母亲病史引起的。确定青少年抑郁风险的大脑标志物可以为改善早期发现、诊断和治疗的方法提供信息。
坦桑尼亚濒危白斑鞭鳐 Maculabatis gerrardi (Gray, 1851) 的种群遗传状况
Harrison LR、Carlson JK、Davidson LN、Fordham SV、Francis MP、Pollock CM、Simpfendorfer CA、Burgess GH、Carpenter KE、Compagno LJ、Ebert DA、Gib son C、Heupel MR、Livingstone SR、Sanciangco JC、Stevens JD、ValentiS、White WT (2014) 世界鲨鱼和鳐鱼的灭绝风险和保护。eLife 3：1-34
Tulsiramji Gaikwad-Patil工程学院＆...
tt），。hh（。）rrt IL = a \，）- （）''是ILQE！！il-r ti- = ylhn6 o-a-。A-RVH.- 9 II S.E -Xe sl] x o？EU IV .REU IV .R
巴塞尔III监测练习结果，截至2023年12月31日
AMA advanced measurement approach ASF available stable funding BCBS Basel Committee on Banking Supervision BI business indicator BIC business indicator component CCB capital conservation buffer CCP central counterparty CET1 Common Equity Tier 1 CfA call for advice CRD Capital Requirements Directive CRR Capital Requirements Regulation CVA credit valuation adjustment EBA European Banking Authority EIF equity investment in funds FRTB fundamental review of the trading book G-SII全球重要的机构HQLA高质量流动资产ILM内部损失乘数IMA内部模型方法IQR IQR四分权范围IRB基于内部评级基于LC损失组件LCR流动性覆盖率LR杠杆率LR杠杆比率LRE杠杆比率LRE杠杆率lre杠杆率敞口MRC最小值不适用NA不适用NA风险QIS定量影响研究RSF要求稳定的资金RWA风险加权资产SA标准化方法SMA标准化测量方法T1 T1级
人工智能驱动的商业分析决策
图 1. H2O AutoML 框架训练多个基础学习器，并在后续步骤中将它们与两个不同的超级学习器相结合。一个超级学习器基于所有之前训练过的分类器，另一个仅考虑每个 ML 系列（LR、RF、GBM、DL）的最佳分类器。H2O AutoML 根据所选评估指标自动对结果进行排名。
从荷兰角度看生物农药的监管
– 在荷兰至少有一种新用途 – 所有活性物质至少属于以下类别之一：• 低风险物质（包括基于 COM 清单 2018 的初步 LR）• 活微生物• 信息素• 其他非化学 PPP，不包括具有广谱毒性的 PPP（例如，可能包括 dsRNA、肽和无毒植物提取物或其他无毒生物物质）• 注意：区域应用的摄入量限制（仍然）有效
使用基于表面肌电信号的用户独立分类方法控制电动轮椅
摘要 轮椅因其舒适性和机动性而成为运动障碍人士中最受欢迎的辅助技术 (AT) 之一。手指有问题的人可能会发现使用传统的操纵杆控制方法操作轮椅很困难。因此，在本研究中，开发了一种基于手势的控制方法来操作电动轮椅 (EPW)。本研究选择了基于舒适度的手部位置来确定停止动作。还进行了额外的探索以研究四种手势识别方法：线性回归 (LR)、正则化线性回归 (RLR)、决策树 (DT) 和多类支持向量机 (MC-SVM)。前两种方法 LR 和 RLR 的准确率分别为 94.85% 和 95.88%，但每个新用户都必须接受培训。为了克服这个限制，本研究探索了两种独立于用户的分类方法：MC-SVM 和 DT。这些方法有效地解决了手指依赖性问题，并在识别不同用户的手势方面取得了显著的成功。MC-SVM 的准确率和准确度约为 99.05%，DT 的准确率和准确度约为 97.77%。所有六名参与者都成功控制了 EPW，没有发生任何碰撞。根据实验结果，所提出的方法具有很高的准确性，并且可以解决手指依赖性问题。
来加入我们！ -Kurpios实验室 - 康奈尔大学
来加入我们！纽约州康奈尔大学的Kurpios实验室目前正在招募杰出的博士后研究员和研究生，并在生物学的所有领域具有背景和兴趣，包括发育生物学，血管生物学，干细胞和基因组学。我们使用经典的鸡胚胎学和现代小鼠遗传学的组合来阐明基本的细胞过程如何定义器官的形状和功能。实验室最吸引了进化保守的左右（LR）器官不对称。器官横向性的错误从根本上与威胁生命的先天缺陷和癌症有关，强调迫切需要定义器官不对称的分子基础。我们也对消化系统中淋巴网络的形态发生非常感兴趣。肠道淋巴管是体内最广泛的淋巴管之一，是饮食脂肪吸收和运输的唯一通道。淋巴血管是结直肠肿瘤细胞转移性传播的主要导管，淋巴缺损引起广泛的肠道代谢功能障碍，包括炎症性肠病和肥胖症。管理其专业功能的分子机制尚不清楚，并且是Kurpios实验室的关键利益。我们目前的研究重点介绍了三个主要主题：1）LR非对称肠道旋转和血管重塑的机制； 2）涉及淋巴发育的信号通路； 3）PITX2基因座的染色质水平机制。
基于整体学习的放射素学模型，用于区分胶质母细胞瘤的脑转移
目的：术前脑转移（BM）和胶质母细胞瘤（GBM）之间的区分由于它们在常规脑MRI上的相似成像特征，因此在术前具有挑战性。这项研究旨在通过基于MRI放射学数据的机器学习模型来增强诊断能力。方法：这项回顾性研究包括235例确认孤立性BM和273例GBM患者。患者被随机分配到培训（n = 356）或验证（n = 152）队列中。获得了传统的大脑MRI序列，包括T1加权成像（T1WI），对比-Enhanced_T1WI和T2加权成像（T2WI）。在所有三个序列上都描绘了脑肿瘤并分段。从人口统计学，临床和放射线数据中选择了特征。一个集成的集成机器学习模型，即弹性回归SVM-SVM模型（ERSS）和组合人口统计学，临床和放射线数据的多变量逻辑回归（LR）模型是用于预测性建模的。使用歧视，校准和决策曲线分析评估模型效率。此外，使用由47例GBM患者和43例孤立BM患者组成的独立队列进行外部验证，以评估ERSS模型的推广性。Results: The ERSS model demonstrated more optimal classification performance (AUC: 0.9548, 95% CI: 0.9337 – 0.9734 in training cohort; AUC: 0.9716, 95% CI: 0.9485 – 0.9895 in validation cohort) as compared to the LR model according to the receiver operating characteristic (ROC) curve and decision curve for the internal cohort.外部验证队列的最佳性能较低但仍然稳健（AUC：0.7174，95％CI：0.6172 - 0.8024）。具有多个分类器的集成的ERSS模型，包括弹性网，随机森林和支持向量机，产生了可靠的预测性能，并且表现优于LR方法。结论：结果表明，集成的机器学习模型，即ERSS模型，具有有效，准确的BM与GBM的术前分化的潜力，这可能会改善临床决策和脑肿瘤患者的结果。
探索用于解决旅行推销员问题的量子计算
•l*，+ - ％“。（％*，756＃” 4 $ 8％1（％0＃+％*（（％”。（％：566％qrsg5＆，“％0，$ 05，“％1，”。％＃66％ - ＃“（*％＃））6，（/％“ 4％”。（％047）4*，“（％5+，”＃$'％ - ＃“（％lr％＃））6，（/％“ 4％”。（％“＃$ - （“％＆，”*8％”。（％meo =％＃））6，（/％“ 4％”。（％：，$*“％g5＆，”*8％＃+/％”。（％$（*56“，+ - ％7）（＃*5 $（7（+” 2％•！“ $，+ - *％4：％＆，”*％*。41％.41％7＃+'％*。4“*＃％”*＃％“ $＃/”，4+＃6％＆，“*” $，+ - ％。＃％＆（+％*（+％*）（％h＃56，％c％ - ＃”（*％1（$（％＃））6，（/％“ 4％/，::（$（+“％g5＆，”*％4：％4：％”。（％6＃*“％v％g5＆，”*2•w，“*” $，+ - *％q％＃+/％<％<％7＃“ 0.8％x％＃+/％r％7＃” 0.8％＆5“ 0.8％＆5”％t％＃+/％y％y％/4％/4％+4％+4“” 2％=。（％g5＃+“ 57％*”＃“（z*％）。＃*（2％•=。（％74*“％4＆*（$ n＃”，4+*％。＃*％”。（％74*“％）6＃5*，＆6（％G5＃+“ 57％0，$ 05，”％）。＃*（％N＃65（[％“。（％$（6＃”（/%).#*（％>/，*”＃+0（？％，*％74 $（％6，f（6'％“ 4％” 4％＆（％＃％047）4+（+“％4：％”。（％=！Hz*％，/（＃6％）＃”。2