最近,神经网络模型的解释引起了相当大的研究关注。在计算机Vi-Sion中,CAM(类激活图)基于基于cam的方法和LRP(层相关性传播)方法是两种common解释方法。但是,由于大多数基于CAM的方法只能产生全球权重,因此它们只能在深层进行粗粒的解释。LRP及其变体可以生成细粒度的解释。但是解释的忠诚太低了。为了应对这些挑战,在本文中,我们提出了FG-CAM(细粒度凸轮),该cam扩展了基于CAM的方法,以产生高粒度和高信仰。fg-cam使用具有分辨率差异的两个特征图层之间的关系,以逐渐增加解释分辨率,同时找到贡献的像素并滤除不贡献的像素。我们的方法不仅可以解决基于CAM的方法的短相处,而不会改变其特征,而且还产生了比LRP及其变体更高的忠诚度的细粒度解释。我们还以denoising呈现FG-CAM,这是FG-CAM的一种变体,能够产生较少的嘈杂解释,而忠实的解释几乎没有变化。实验结果表明,FG-CAM的性能几乎不受解释分辨率的影响。fg-cam在浅层和中间层中均显着优于基于CAM的方法,并且在输入层中均优于LRP及其变量。我们的代码可在https://github.com/dongmo-qcq/fg-cam上找到。
摘要:对于细胞周期蛋白依赖性激酶12和13(CDK12和CDK13)的有效抑制剂的合理设计和开发在很大程度上取决于对动态抑制构象的理解,但很难通过常规特征工具来实现。在此,我们整合了赖氨酸反应性分析(LRP)和天然MS(NMS)的结构质谱法(MS)方法,以系统地询问动态分子相互作用和CDK12/CDK13-CYCLIN K(cyck)的整体蛋白质组装,而小型分解物的调节构成。基本结构见解,包括抑制剂结合袋,结合强度,界面分子细节和动态构象变化,可以从LRP和NMS的互补结果中得出。我们发现抑制剂SR-4835结合可以极大地破坏CDK12/CDK13-CYCK相互作用,以异常的变构激活方式,从而为激酶活性抑制提供了一种新颖的替代方法。我们的结果强调了LRP与NMS的巨大潜力,用于评估和合理设计分子水平的有效激酶抑制剂。
位置路由问题(LRP)共同优化了仓库的位置和车辆的路由。研究最多的LRP变体是电容的LRP(CLRP)。这些方法通常将问题分解为位置阶段,以确定有希望的仓库配置和路由阶段,在该阶段中,解决了车辆路线问题以评估先前确定的仓库配置的质量。不幸的是,CLRP文献并没有太多阐明算法特征对这种启发式方法的解决方案质量和运行时的影响最大的重要问题。本文的目的是为CLRP提出一种简单(但相当有效的)启发式启发式启发式方法,并就此问题的成功元启发式设计设计一些见解。我们的算法是一种混合组合(i)使用可变邻居下降的抓地力阶段,用于位置阶段的局部改进,(ii)在路由阶段进行可变的邻域搜索。我们分析了算法组件对溶液质量和运行时的影响。此外,我们发现,用于评估趋势中研究的仓库配置质量的次优路由解决方案导致与太多的开放仓库相结合。我们提出了一个减轻此缺点的仓库配置阶段,我们显示
综合零事故愿景计划;制定大胆目标,例如制定行人总体规划、通过开发审查和 CAMPO LRP/TIP 资助和建设行人安全改进设施。丹麦哥本哈根交通安全计划 https://kk.sites.itera.dk/apps/kk_p ub2/pdf/1154_iGUpXeTKoQ.pdf
cameroon实施者McGovern-Dole国际教育和儿童营养项目的参考市场分析条款:Nascent Solutions Inc.(Nascent)筹集资料:美国农业部(USDA)地点:喀麦隆的位置:喀麦隆期间评估期间:评估期间:9月至9月2024年9月2024年介绍:Nascentention for McG Internion and Nascenten Insportion and Nascent and Nascent Insment and Naste and Nasten ins ins ins ins ins ins nisment in McG。 (MGD-FFE)在喀麦隆的Adamaoua,East,North和North地区的260所学校的学校儿童的扫盲和营养。 该计划将使用我们享受的本地商品的商品为学生提供学校用餐。 美国有元的商品将包括大米,豆类和玉米粉混合物,而当地采购的商品将包括生物装饰玉米和豆类,棕榈油和鸡蛋。 Nascent Solutions Inc.寻求顾问或咨询机构进行市场分析,以增强对所需食品商品的当地供应和需求的了解,以及当地采购对当地社区市场价格的潜在影响。 结果将为新生解决方案的LRP策略或操作计划提供信息。 背景:LRP组件为局部生物玉米,豆类,棕榈油和鸡蛋生产商提供了市场机会。 新生的解决方案旨在了解如何可靠地提供或获得这些商品来支持学校喂养计划。 新生解决方案还知道,从当地市场购买大型商品可能会在短期内导致当地社区的价格上涨或短缺。cameroon实施者McGovern-Dole国际教育和儿童营养项目的参考市场分析条款:Nascent Solutions Inc.(Nascent)筹集资料:美国农业部(USDA)地点:喀麦隆的位置:喀麦隆期间评估期间:评估期间:9月至9月2024年9月2024年介绍:Nascentention for McG Internion and Nascenten Insportion and Nascent and Nascent Insment and Naste and Nasten ins ins ins ins ins ins nisment in McG。 (MGD-FFE)在喀麦隆的Adamaoua,East,North和North地区的260所学校的学校儿童的扫盲和营养。该计划将使用我们享受的本地商品的商品为学生提供学校用餐。美国有元的商品将包括大米,豆类和玉米粉混合物,而当地采购的商品将包括生物装饰玉米和豆类,棕榈油和鸡蛋。Nascent Solutions Inc.寻求顾问或咨询机构进行市场分析,以增强对所需食品商品的当地供应和需求的了解,以及当地采购对当地社区市场价格的潜在影响。结果将为新生解决方案的LRP策略或操作计划提供信息。背景:LRP组件为局部生物玉米,豆类,棕榈油和鸡蛋生产商提供了市场机会。新生的解决方案旨在了解如何可靠地提供或获得这些商品来支持学校喂养计划。新生解决方案还知道,从当地市场购买大型商品可能会在短期内导致当地社区的价格上涨或短缺。我们认为,提供给学生的美国有经的商品比率将是少量的,并且可以忽略地影响当地商品价格。对于当地采购的商品不能假设相同。顾问将对商品的供应链(包括生产趋势和主要参与者)提供深入的分析,并提供有关如何可靠采购所需数量的建议,同时避免对当地社区的粮食安全造成损害。市场分析的目的是了解生物生物玉米和豆类,棕榈油和鸡蛋的本地和区域采购的供应和市场影响(来自北,西北,阿达马瓦和喀麦隆的东部地区),以告知LRP计划的设计,从而增强了贫困者的收入,尤其是女性。
该 LRP 将从 2024 年持续到 2028 年。NIDILRR 在《康复法案》颁布 50 周年之际制定了该 LRP,并将在 2028 年 NIDILRR 颁布 50 周年之际生效。这些重要的周年纪念日提供了回顾 NIDILRR 历史并不断发展壮大该机构以完成其关键的残疾研究使命的机会。NIDILRR 最初名为国家残疾人研究所 (NIHR),位于卫生、教育和福利部 (HEW) 内,其及其项目首次获得授权是作为 1973 年《康复法案》的 1978 年修正案的一部分。1986 年,国会将 HEW 分为教育部和卫生与公众服务部。同年,1986 年《康复法案》修正案将 NIHR 更名为国家残疾和康复研究所 (NIDRR),并将该组织置于教育部之下。近 30 年后,2014 年《康复法案》修正案《劳动力创新和机会法案》将该组织移至 HHS 内(当时)新成立的 ACL,并在名称中添加了“独立生活”一词。
摘要目的:该研究的目的是通过检测耐药性基因的表达,并使用对乳腺癌的不同分子亚型进行药物敏感性测试来确定中国女性乳腺肿瘤各种分子亚型的特定化学敏感药物。方法:在组织微阵列中用免疫组织化学检测到耐药性基因的表达,包括TOPO II,GST-π,P-GP,LRP和CD133。药物敏感性测试包括针对紫杉醇,硬纤维蛋白,卡铂,乙烯甲胺和氟尿嘧啶的测试,并在原发性癌症组织细胞和细胞系上进行,包括T47D,BT-474和MDA-MB-231细胞和MDA-MB-231细胞和人类乳腺癌的Nude小鼠中。结果:不同的抗药性基因topo II,GST-π,p-gp和LRP在乳腺癌的不同分子亚型中差异表达(p <0.05)。在基底样乳腺癌中,CD133的阳性表达最高(P <0.05)。Kaplan-Meier生存分析表明,TOPO II和CD133的阳性表达式与较短的无病生存率(DFS)(p <0.05)和总生存率(P <0.05)相关(P <0.05),LRP的阳性表达仅与较短的DF相关(P <0.05)。BT-474显示对紫杉醇和硬纤维蛋白的化学敏感性,而MDA-MB-231对紫杉醇,甲脂蛋白,硬纤维蛋白和氟尿嘧啶表现出化学敏感性(T/C≤50%)。与腔内乳腺癌初级细胞相比,基底样和HER2+乳腺癌的原代细胞对紫杉醇和半柔软蛋白的化学敏感性具有显着差异(P <0.05)。结论:抗药性基因的差异表达和乳腺癌分子亚型中药物的差异化学敏性表明应为每种类型的乳腺癌提供个体治疗。关键词乳腺癌;分子亚型; CD133;耐药基因;化学敏感性
摘要 — 在本文中,我们通过区分新型冠状病毒疾病 (COVID-19) 或其他疾病引起的肺部不透明样本与正常病例,开发了一个从胸部 X 光片图像中识别肺部疾病的框架。我们执行图像处理任务、分割并训练定制的卷积神经网络 (CNN),在分类准确性方面获得合理的性能。为了解决这种复杂分类模型的黑箱性质,这种性质成为应用此类基于人工智能 (AI) 的方法自动化医疗决策的主要障碍,引起了临床医生的怀疑,我们解决了使用基于分层相关性传播 (LRP) 的方法定量解释我们采用的方法的性能的需要。我们还使用了基于像素翻转的稳健性能指标来评估我们采用的 LRP 方法的可解释性,并将其性能与其他可解释方法进行比较,例如局部可解释模型不可知解释 (LIME)、引导反向传播 (GB) 和深度泰勒分解 (DTD)。索引术语 — 深度学习、可解释 AI、分层相关性传播、LIME、深度泰勒分解、引导反向传播、医学诊断、胸部 X 光检查、COVID-19。
