XiaoMi-AI文件搜索系统
World File Search SystemLia
在医学中使用人工智能的责任
尽管人工智能（AI）具有改善医疗实践的巨大潜力，但肯定会出现错误，有时会导致伤害。谁将承担责任？与AI相关伤害的责任问题不仅引起了潜在责任当事方的直接关注，而且还引起了有关如何开发和采用AI的更广泛的系统性问题。责任景观很复杂，涉及医疗保健提供者和机构以及AI系统的开发商。在本章中，我们考虑了这三个主要责任基因座。一开始，我们注意到一些塑造我们分析的问题。首先，AI的侵权责任领域仍在发展。在撰写本文时，在法院案件中仍未直接解决医疗保健ai liabil的问题，这主要是因为该技术本身是如此新并且仍在实施。因此，我们考虑侵权法的一般原则以及它们最有可能适用的原则。第二，在人工智能侵权背景下，因果关系通常会具有挑战性。在医学背景下，证明受伤的原因常常很难，因为结果通常是概率的，而不是确定性的。添加通常非直觉且有时难以理解的AI模型可能会使因果关系更具挑战性。第三，我们专注于美国的观点。 我们讨论的原则在某种程度上是可以推广的，但最终，有足够的复杂性可以准确地捕获国际差异，这在可用的空间中是不可行的。 系统将使用哪些数据集？第三，我们专注于美国的观点。我们讨论的原则在某种程度上是可以推广的，但最终，有足够的复杂性可以准确地捕获国际差异，这在可用的空间中是不可行的。系统将使用哪些数据集？我们在结论中确实指出了欧洲地平线上一些潜在的实质性变化。第四，从系统的角度来看，个人的医疗保健专业责任虽然复杂，但仅代表了一个较大的拼图，系统设计师必须尝试将其组合在一起以实现全面且最佳设计的责任系统。许多玩家在医疗AI领域进行互动，包括可能承担可能塑造它的责任和监管者的演员。首先，AI开发人员将在基础AI上做出许多关键选择，至少在责任系统中部分指导 - 它会被锁定还是自适应？选择体系结构会使“推翻”系统变得容易或难以使该系统变得容易或难以“否决”？第二，美国食品和药物管理局（FDA）将（有时）确定
指令011：估计责任
深度（m）空不穿孔的空穿孔管仅管道和杆0–1199 $ 13 500 $ 23 692 $ 23 692 $ 44 235 $ 50 294 1200-1999 $ 13 500 $ 13 500 $ 57 997 $ 82 997 $ 82 $ 78 995 $ 124 206 $ 129 626 3000+ $ 13 500 $ 139 342 $ 157 690 $ 267 915
EU修订的产品责任指令 出站投资控制制度进行 Kys＆Kyc-（未）在德国供应链尽职调查法与反洗钱法律之间的预期相互作用？ 司法部的核对案件强调了多户住宅房地产所有者的潜在反托拉斯风险
●“通过设计安全”过程。设计实践的安全涉及开发人员和建筑师识别非功能安全要求，创建威胁模型并在编码之前合并安全考虑。●管理开源风险。虽然开源软件中脆弱性修补的实践近年来稳步改善，但开源软件中脆弱性引起的潜在责任提高了赌注。在选择遵守安全最佳实践的开源库时，组织将需要严格行使严格的行为，例如开源安全基金会最佳实践徽章计划。●审核步道。许多安全活动，例如威胁或开发人员教育，都是临时进行的。例如，安全领导者和软件开发人员可能会对所构建的软件有潜在的风险。最终结果是教育性的，但可能不会产生有关软件中哪些特定风险的任何后续成果。但是，如果软件制造商需要证明遵守行业所接受的最佳实践，则缺乏证据将是一个问题。
最初发表于：艾米丽霍明顿；史密斯，加布里埃尔； Chortis，Vasileios； Liang，Raimunde；利普特，朱利安；斯坦哈（Steinhauer），桑贾（Sonja）； Landwehr，Laur
肾上腺皮质癌（ACC）是一种侵略性恶性肿瘤，治疗方案有限。类似polo样激酶1（PLK1）是一个有前途的药物靶标； PLK1抑制剂（PLK1I）已在固体癌症中进行了研究，并且在TP53突变的病例中更有效。我们评估了ACC样品中的PLK1表达以及两个PLK1I在具有不同遗传背景的ACC细胞系中的功效。PLK1蛋白表达，并与临床数据相关。The efficacy of rigosertib (RGS), targeting RAS/PI3K, CDKs and PLKs, and poloxin (Pol), specifically targeting the PLK1 polo-box domain, was tested in TP53 -mutated NCI-H295R, MUC-1, and CU-ACC2 cells and in TP53 wild-type CU-ACC1.确定对增殖，凋亡和生存能力的影响。 PLK1免疫染色在TP53突变的ACC样品与野生型中更强（P = 0.0017）。 高PLK1表达与TP53突变与较短的无进展生存率相关（p = 0.041）。 NCI-H295R在PLK1I的增殖中显示出时间和剂量依赖性降低（在100 nm RGS和30 µM POL时P <0.05）。 在MUC-1中，观察到较不明显的降低（在1000 nm RGS和100 µM POL时P <0.05）。 100 nm RGS在NCI-H295R中增加了凋亡（P <0.001），对MUC-1没有影响。 Cu-ACC2凋亡仅在高浓度下（3000 nm RGS和100 µM POL）诱导，而在1000 nm RGS和30 µM POL下增殖降低。 Cu-ACC1增殖降低，凋亡仅在100 µm Pol下增加。确定对增殖，凋亡和生存能力的影响。PLK1免疫染色在TP53突变的ACC样品与野生型中更强（P = 0.0017）。高PLK1表达与TP53突变与较短的无进展生存率相关（p = 0.041）。NCI-H295R在PLK1I的增殖中显示出时间和剂量依赖性降低（在100 nm RGS和30 µM POL时P <0.05）。在MUC-1中，观察到较不明显的降低（在1000 nm RGS和100 µM POL时P <0.05）。100 nm RGS在NCI-H295R中增加了凋亡（P <0.001），对MUC-1没有影响。Cu-ACC2凋亡仅在高浓度下（3000 nm RGS和100 µM POL）诱导，而在1000 nm RGS和30 µM POL下增殖降低。Cu-ACC1增殖降低，凋亡仅在100 µm Pol下增加。TP53被压缩的ACC细胞系比野生型Cu-ACC1表现出对PLK1I的反应更好。这些数据表明PLK1I可能是对ACC患者的一部分的有希望的有针对性治疗，并根据肿瘤遗传特征预先选择。
引用：Gao Q, Liang B, Li H, et al. 代谢健康超重/肥胖（无代谢异常和高血糖发生率）在中国
摘要 目的 探讨代谢健康性超重（MHOW）和/或代谢健康性肥胖（MHO）是否会增加中国各年龄段人群的高血糖风险。设计 回顾性队列研究。设置 对DATADRYAD数据库的数据进行二次分析，该数据库包含2010年至2016年中国32个地区和11个城市参与者的健康检查记录。参与者 共入选47 391名代谢健康、均无任何代谢异常的参与者。结果测量 高血糖包括新发糖尿病和空腹血糖受损（IFG）。糖尿病诊断为空腹血糖≥7.0 mmol/L，且有典型临床症状和/或在随访期间自我报告。IFG的空腹血糖水平为5.6至6.9 mmol/L。结果 平均随访3.06年，5274人（11.13%）在144 804人年中出现高血糖症，发病率为36.42/1000人年。调整模型显示，与代谢健康的正常体重组相比，MHOW组（HR=1.23，95% CIs 1.16～1.30）和MHO组（HR=1.49，95% CI 1.33～1.67）发生高血糖症的风险较高。体质指数每增加1个单位，高血糖症风险增加6%（HR=1.06，95% CI 1.04～1.07）。分层分析和交互作用检验显示关联的稳健性，且女性的关联更强（交互作用p值<0.001）。结论 MHOW 和 MHO 表型与该人群的高血糖风险呈正相关，并且在女性中这种关联尤其强。
Matthew Laurence Scotch，博士，MPH，FACMI研究副院长和卫生解决方案学院生物医学信息学教授；
由NIH R01赠款以及多个州和地方赠款资助，我的研究是高度互认为的，与医学专业和社会科学融合了多个科学和工程分支，并针对人类福利的直接进步。具体来说，我的研究借鉴了人工智能，计算机视觉，机器（深度）学习，可视化，高性能计算，软件工程，成像科学，统计和数学，我的研究着重于开发新型的计算方法和系统，以支持临床决策制定，并促进精确的医学和健康。我的实验室试图通过基于多学科的团队的方法来应对生物医学面临的深刻挑战：大数据涉及心脏病学，胃肠病学，肿瘤学，病理学，放射学等。这些系统旨在通过减少诊断时间，提高准确性，提高质量，降低成本以及扩大医疗专业知识的可访问性来消除健康和医疗保健的障碍。支持ASU的宪章和目标，以“使用Mayo Clinic 1建立能够创新的健康解决方案途径。。。增强了200万患者的治疗方法”，我已经在多个部门和部门之间与Mayo诊所建立了强有力的合作，我的努力导致了几个基于多学科的团队赠款。我被选为首届Mayo诊所ASU联盟研究员。此外，我还获得了40项美国专利，并获得了50多项专利。我以我的整体和细致的教学和指导方式而闻名。我在我领域的一些最负盛名的期刊和信息中发表了100多个经过同行评审的出版物，例如自然，IEEE医学成像交易（TMI），医学图像肛门（媒体）（媒体），CVPR，ICCV，MICCAI和IPMI。我们的出版物在我的研究领域受到了荣誉，其中包括Miccai最佳纸跑步者（2023），Dart Best Paper Award Runner UP（2023），Elsevier Media Best Paper Award（2020），Miccai Young Scientist奖（2019年），Miccai Best Eranctation Award的决赛入围者（2019年），以及麦克风最佳奖项（2019年），以及麦克风的年轻科学家（2015年）（2015年）。我在2019年，2020年，2023年和2024年获得了四次教师教学奖提名，并在2024年的2024 - 2025年研究生学院杰出的博士生杰出导师。我实验室中的学生在ASU期间获得了70多个奖项和认可，包括NCWIT大学奖（2022年）和AMIA博士学位论文奖（全球生物医学信息学上最好的论文）（2022年）。我目前是医学图像分析编辑委员会，我领域最佳日记的编辑委员会，以及我所在地区的顶级会议的Miccai，MIDL和CVPR的区域主席。我曾担任IEEE医学成像交易的客座编辑（2020-2021）。我也曾在NIH研究部分任职。认可我的贡献，我当选为国家发明师学院（NAI）（2021）的会员，并获得了杰出教师奖（2023），教职员工指导奖（2020）和教师创新奖（2019年）。我的团队在2015年和2024年获得了总统创新奖两次，并获得了Elsevier Media Best Paper Award（2020），这是该领域最负盛名的奖项之一。
Liang D 等人。里斯本新大学太阳泵浦激光器的最新进展。Phys Sci & Biophys J 2025, 9(1): 000280。
缓解气候变化的紧迫性推动了科学研究和技术进步，以寻求可持续能源解决方案，将太阳能定位为最有前途的可再生资源之一，有助于减少对化石燃料的依赖。太阳泵浦激光器专门设计用于直接利用和转换部分太阳非相干辐射为相干激光，为环保激光技术的进步铺平了道路。近二十年前，我们里斯本新大学的研究团队开始研究这个课题，目标是显著提高太阳泵浦激光器的性能，他们的努力使我们处于该领域的前沿。本文重点介绍了我们的研究团队通过开创性实验使用 Ce:Nd:YAG 作为太阳能激光器的新型活性介质以及探索同时泵浦多种介质的创新方案所取得的这种可再生技术的最新进展。显著的进展包括为多模和基模模式创造了新的太阳激光效率记录，并实现了太阳激光发射的最低阈值泵浦功率。热管理和太阳跟踪误差补偿能力也取得了显著的进步，从而提高了激光器输出功率的稳定性。这些进展对于太阳泵浦激光器的实际应用至关重要。
使用传感器，远程医疗和人工智能的卫生专业人员的责任
摘要：在过去的几十年中，我们的医疗保健系统进行了不断的转换，并使用更大的传感器用于远程护理和人工智能（AI）工具。尤其是，通过学习能力的新算法改进的传感器已证明其价值是更好的患者护理。传感器和AI系统不再仅仅是非自主设备，例如放射学或手术机器人中使用的设备。有一些具有一定程度自治的新工具，旨在在很大程度上调节医疗决策。因此，在某些情况下，医生是做出决定的人，并具有最终的发言权和其他案例，其中医生只能应用自主设备提出的决定。由于两种截然不同的情况，因此不应以相同的方式对待它们，并且应适用不同的责任规则。尽管对传感器和AI对医学的承诺有真正的兴趣，但医生和患者不愿使用它。一个重要原因是缺乏对责任的明确定义。没有人愿意过错，甚至被起诉，因为他们遵循了AI系统的建议，尤其是当它没有完全适应特定患者时。即使有简单的传感器和AI的使用也存在恐惧，例如基于非常有用的，临床上相关的传感器的远程医疗访问期间；有缺少重要参数的风险；当然，当AI看起来“聪明”时，有可能取代医生的判断。我们还将讨论有希望的传感器领域和AI在医学中使用的未来挑战和机遇。本文旨在在使用传感器和AI工具在远程医疗保健中，分析四个制度：基于合同的方法，基于违反职责的方法，基于故障的方法以及与善本相关的方法的方法，概述卫生专业人员的责任。
Gongbo“ Tony” Liang，PhD
– IEEE Transactions on Aerospace and Electronic Systems (Impact Factor: 5.1) [2023 – Present] – IEEE Transactions on Artificial Intelligence (Impact Factor: 7.3) [2023 – Present] – IEEE Transactions on Neural Networks and Learning Systems (Impact Factor: 14.3) [2022 – Present] – IEEE Transactions on Medical Imaging (Impact Factor: 11.1) [2022 – Present] – IEEE生物医学和健康信息学杂志（影响因素：7.7）[2022-呈现] - 生物医学中的计算机方法和程序（影响因子：7.2）[2021 - 2023] - IEEE/ACM Trans。计算生物学和生物信息学（影响因素：4.5）[2017 - 2022] - 神经计算（影响因素：6.0）[2016，2018]