XiaoMi-AI文件搜索系统
World File Search SystemLaVie
2023 年度报告 | Little Lights
Ted Kim，董事会主席 美国公民及移民服务局难民、庇护和国际业务副副主任 Steve Park，董事会主席 Little Lights Urban Ministries 执行董事 LaToya Archibald，秘书 国际疼痛研究协会执行助理 Derek Sykes，财务主管 希望社区财务和运营副总裁 Cherie Bellamy，成员 LaVie Medical 总裁 Audrey Donnell，成员 Audrey Donnell Coaching & Consulting 创始人 Candace Essel，成员 儿童国家医院马里兰州区域门诊中心药房经理 Andrew Ho，成员 美国国家科学、工程和医学院发展总监 Kay Kim，成员 Paul Hastings 首席实践创新官 David King，成员* Neuma Consulting LLC 总裁兼创始人
转换1：随机，双盲，安慰剂 - ...
Transform-1: randomed, double-blind, placebo-controlled, multiticenter, international phase 3 study of navitoclax in combination with ruxolitinib versus ruxolitib plus placebo with untreted myelo MrcP, Frcpath, Phd 2 , 3 , Tim cp Somevaille, Pldfrcp Frcpath 4 , James Kcloskey, McCloskey, McCloskey, MD 5 , MD 6，Steffen Koschmieder 7，David Lavie MD 11，MariaTeresaGómez-Cares，MD PhD 12，Emanueleme Amunna，MD PLD 13，Ho-Jin Shin，MD 14，Keita Kirito，Keita Kirito，MD tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy devos, tmothy 16 Chuah 19 , Atanas Radinoff 20 , Andrija Bodanovic，21，22教授，Rasislav Mosal，Pharmd 23，Qi Jiang 23，Avijeet S Chopra 23，Jalaja Pot 23 Passmonti，MD 25
![arXiv:2110.04203v2 [cs.AI] 2021 年 10 月 18 日](/simg/g:\will\search\icon\source\5\58d5a0053bae26a7adfd1fb340a26d8711d48d91.png)
arXiv:2110.04203v2 [cs.AI] 2021 年 10 月 18 日
能够与人一起观看视频并通过各种对话分享对视频内容的同理心的人工智能代理是人们期待的有前途的人工智能应用。为此，人工智能代理必须准确地感知和识别视频内容，并基于对内容的理解与人进行自然的多轮对话。最近，人们积极开展文本到视频检索、视频字幕和视频问答 (videoQA) 方面的研究，以提高视频理解智能。此外，已经建立了大规模数据集并公开提供以促进研究 (Alamri 等人 2019 年；Lei 等人 2018 年、2020 年；Choi 等人 2021 年)。使用这些数据集的研究通常应用自动评估指标来衡量人工智能代理的性能。对于视频问答任务，多项选择题通常使用总体准确率，而开放式问答则采用自然语言生成任务中经常使用的评估指标（例如 BLEU（Papineni 等人 2002）、METEOR（Banerjee 和 Lavie 2005）、CIDEr（Vedantam、Lawrence Zitnick 和 Parikh 2015））。这些自动评估指标应用起来很方便，但也有局限性。例如，总体准确率虽然直观且易于计算，但并未考虑问题的难度或所需的认知成分。此外，语言生成模型的评估指标分数无法判断内容是否是问题的正确答案。
人类无人机的相互作用：考虑
在无人机（无人驾驶汽车，无人机）或无人机舰队的运行过程中，运营商必须能够监督无人机，任务物业，并在必要时重新控制。正如无人机的运营参数对于任务管理至关重要一样，负责控制或驾驶这些无人机的操作员的心理状态也至关重要，因为他的水平失败在安全性和绩效方面具有重大影响。但是，这常常被忽略了。几年来，神经工程学领域一直通过神经生理学测量来研究人类操作员。基于自动学习的工具的开发带来了一种在线估算心理状态的方法，因此可以开发考虑到这种心理状态的接口（即被动脑机接口）。迄今为止，航空学中的神经工学和被动脑机构界面的研究主要集中在飞行员（Verdière等，2018）和控制器（Arico等，2016）。然而，一些研究开始关注无人机运营商（Roy等，2017； Senoussi等，2017； Drougard等，2017； Jahanpour等，2020； Roy等，2020）。本论文旨在通过专注于使用无人机操作员的精神疲劳状态来发展这一迅速扩展的研究领域。适应性系统监视用户的活动和上下文，并试图适应用户的需求和偏好（Greenberg＆Witten，1985）。这意味着系统的灵活性，但也考虑了用户的经验和状态。例如，这些系统已在驾驶的背景下进行了测试，在这种情况下，它们在常规情况下被证明特别有用（Lavie＆Meyer，2010）。人类无人机相互作用是过去几年稳步增长的人类计算机相互作用的领域（Cauchard等，2021），是本文的中心。本文旨在建模，设计和实验能够在无人机操作员的状态和任务环境之间实现有效适应的新型界面。它将利用先前在isae-supaero进行的工作和疲劳估计的ENAC
引用 Wang J, Zhu W, Li X, Wu Y, Ma W, Wang Y, Zhao W, Wei F 和 Wang W (2025) 卵巢癌转录组分析揭示了
在女性生殖系统中，最致命的癌性生长被称为上皮性卵巢癌 (EOC)。根据 2020 年全球癌症统计数据，卵巢癌在全球女性恶性肿瘤中排名第七，每年新发病例超过 310,000 例（Lee 等人，2022 年；Konstantinopoulos 和 Matulonis，2023 年）。卵巢癌每年夺走约 210,000 人的生命。2020 年，中国有 60,000 例新诊断病例被诊断为卵巢癌，并导致 40,000 人死亡（Zhao 等人，2023 年）。晚期卵巢癌患者的 5 年生存率约为 30%。随着多次复发，治疗和复发的间隔变得更短，导致对铂类药物的敏感性降低，最终发展为铂类耐药性。该病的治疗难度大，预后往往较差（Marchetti等，2021；Porter和Matulonis，2023）。克服卵巢癌的化疗耐药性是一个紧迫而重要的临床问题。炎症反应主要分为急性和慢性两类。急性炎症主要发生在物理、化学或急性感染情况下，是机体的早期防御机制，通常很快可自行缓解（Yang等，2023）。慢性炎症则发生在慢性感染或自身免疫性疾病中，机体正常的反馈调节无法阻止炎症，导致慢性炎症（Liu等，2022）。统计数据显示，全球约20%的恶性肿瘤是由慢性炎症引起的（Kennel et al., 2023; Venakteshaiah and Kumar, 2021; Haas et al., 2021），非甾体抗炎药物在临床上可以降低各类实体瘤的发病率和转移率，降低肿瘤引起的死亡率。慢性炎症被认为对癌症的发生、生长和进展有显著的影响。慢性炎症引发肿瘤发生、发展的机制多种多样，但往往与炎症为肿瘤提供的微环境有关。癌相关成纤维细胞（CAFs）作为癌症基质的重要组成部分，与炎症和肿瘤免疫微环境（TME）密切相关（Chen et al., 2021）。 CAFs 与 NF- κ B、PI3K-Akt、IL6-JAK-STAT3 和 TGF- β 等各种信号通路相互作用，帮助形成和维持 TME，影响 ECM 结构并产生免疫治疗耐药性（Mao et al., 2021; Wu F. et al., 2021）。此外，活化的 CAFs 促进单核细胞粘附并驱动巨噬细胞向 M2 极化方向分化，进一步抑制 TME 中的免疫反应（Lavie et al., 2022; Galbo et al., 2021）。因此，分析与炎症相关的基因与肿瘤免疫环境之间的关系有助于
组织二元性和竞争优势：战略敏捷性在探索-利用悖论中的作用
新市场进入者（Bican 和 Brem，2020；Khanagha、Volberda 和 Oshri，2014；Li，2020）。鉴于这些发展，双手灵巧的概念引起了越来越多的研究兴趣（例如，Cenamor、Parida 和 Wincent，2019；Markides，2013；Montealegre、Iyengar 和 Sweeney，2019）。双手灵巧是指将渐进的、更注重效率的创新与激进的、以新颖为导向的创新实践（例如，开发和探索）相结合，以取得短期成功和长期生存（例如，March，1991；Jurksiene 和 Pundziene，2016）。尽管实施探索或开发方法可能会对企业的竞争优势产生积极影响（O'Cass、Heirati & Ngo，2014），但这些取向很容易导致陷阱（Liu，2006）。虽然学者们已经分析了二元性对组织绩效（Menguc & Auh，2008；Sarkees、Hulland & Prescott，2010；Severgnini、Vieira & Galdamez，2018）和竞争优势（Jurksiene & Pundziene，2016）的影响，但结果在大小和方向上差异很大（Junni、Sarala、Taras & Tarba，2013），而且二元性是否会增加企业的竞争优势的问题仍未解决（O'Reilly & Tushman，2013）。学者们强调与双元化取向相关的问题，因为探索和利用的内在矛盾性质带来了相当大的管理问题（Lavie、Stettner 和 Tushman，2010；Raisch、Birkinshaw、Probst 和 Tushman，2009），进而对组织结果产生负面影响（Parida、Lahti 和 Wincent，2016；Vorhies、Orr 和 Bush，2011）。这对于初创企业尤其重要，因为企业家在极端环境中面临着这种双元化问题（Brem，2017）。我们的研究通过为传统的探索和利用模型引入新的概念，为正在进行的组织双元化讨论做出了贡献。战略敏捷性“被定义为企业不断更新自身并在不影响效率的情况下保持灵活性的能力”（Clauss、Abebe、Tangpong 和 Hock，2019 年，第 3 页），可以补充传统模型，因为它增加了对组织更新相关能力的视角，而不仅仅是关注战略导向（Klammer、Gueldenberg、Kraus 和 O'Dwyer，2017 年）。战略敏捷性描述了组织快速响应不断变化的需求的能力，最终目的是提高竞争优势（Brand、Tiberius、Bican 和 Brem，2019 ； Shin, Lee, Kim, & Rhim, 2015 ）。实证研究表明，战略敏捷性提高了现有企业的商业模式创新能力（ Arbussa、Bikfalvi 和 Marquès，2017； Clauss 等，2019； Doz 和 Kosonen，2010； Hock、Clauss 和 Schulz，2016），因此可能提供一种机制，可以在开发策略下促进更大的创新性。基于上述内容，本研究探讨了战略敏捷性是否
人工智能（AI）和数据驱动的康复
参考文献 114 1. Canoy D, Tran J, Zottoli M, Ramakrishnan R, Hassaine A, Rao S 等人。英国全科医生注册的 200 万名男性和女性中心脏代谢疾病多重患病率与全因死亡之间的关联。BMC Med。2021；19(1)：258。117 2. Janssen I、Clarke AE、Carson V、Chaput JP、Giangregorio LM、Kho ME 等人。系统回顾了成分数据分析研究，研究了睡眠、久坐行为和身体活动与成人健康结果之间的关联。Appl Physiol Nutr Metab。120 2020；45(10 (Suppl. 2))：S248-S57。 121 4. Medina-Inojosa JR、Grace SL、Supervia M、Stokin G、Bonikowske AR、Thomas R 等人。心脏康复剂量降低死亡率和发病率：一项基于人群的研究。美国心脏学会杂志。2021；10(20)：e021356。124 3. Wahid A、Manek N、Nichols M、Kelly P、Foster C、Webster P 等人。量化体力活动与心血管疾病和糖尿病之间的关联：系统评价和荟萃分析。美国心脏学会杂志。2016；5(9)。127 5. Forhan M、Zagorski BM、Marzonlini S、Oh P、Alter DA。预测接受心脏康复和二级预防计划的肥胖和糖尿病患者的运动依从性。Can J Diabetes。2013；37（3）：189-94。130 6. Matata BM、Williamson SA。关于提高 65 岁或以上患者心脏康复入学率和依从性的干预措施的综述。Curr Cardiol Rev。2017；13（4）：252-62。131 7. Chindhy S、Taub PR、Lavie CJ、Shen J。心脏康复面临的当前挑战：克服社会因素和出勤障碍的策略。Expert Rev Cardiovasc Ther。2020；18（11）：777-89。 136 8. Pio CSA, Chaves G, Davies P, Taylor R, Grace S. 促进患者利用心脏康复的干预措施：Cochrane 系统评价和荟萃分析。J Clin Med. 2019;8(2)。139 9. Obermeyer Z, Emanuel EJ. 预测未来——大数据、机器学习和临床医学。N Engl J Med. 2016;375(13):1216-9。140 10. Han Y, Han Z, Wu J, Yu Y, Gao S, Hua D 等。基于物联网技术的癌症康复方案人工智能推荐系统。IEEE Access。 2020；8：44924-35。144 11. Ishraque MT、Zjalic N、Zadeh PM、Kobti Z、Olla P 编辑。基于人工智能的心脏康复治疗运动推荐系统。2018 IEEE MIT 本科生研究技术会议 (URTC)；2018 年 10 月 5-7 日。147 12. Philipp P、Merkle N、Gand K、Gißke C。使用机器学习持续支持康复。it - 信息技术。2019；61(5-6)：273-84。149 13. Wartman SA、Combs CD。医学教育必须从信息时代走向人工智能时代。Acad Med。2018；93(8)：1107-9。151