XiaoMi-AI文件搜索系统
World File Search SystemNam
Acuitas Therapeutics 被 Waterstone 评为加拿大最受赞赏™ 企业文化之一 不列颠哥伦比亚省温哥华——今天，Acuitas Therapeutics, Inc. 被评为
Acuitas Therapeutics 被 Waterstone 评为加拿大最受赞赏™ 企业文化之一 不列颠哥伦比亚省温哥华——今天，Acuitas Therapeutics, Inc. 被评为加拿大最受赞赏™ 企业文化之一
医疗保健中的人工智能
本报告由美国政府问责局 (GAO) 和美国国家医学院 (NAM) 联合发布。第一部分介绍了 GAO 的技术评估《医疗保健中的人工智能：技术增强患者护理的优势和挑战》。第二部分介绍了 NAM 出版物《推进医院和诊所外医疗环境中的人工智能》，讨论了在医疗保健提供者受雇环境（包括家庭）之外提供医疗保健服务时使用人工智能技术的相关挑战。尽管 GAO 和 NAM 的工作人员在整个工作过程中相互协商和协助，但审查是由 GAO 和 NAM 分别独立进行的，报告第一部分和第二部分的文本作者分别完全由 GAO 和 NAM 撰写。
推动未来监管决策新替代方法整合的潜在方法
行业创新者已在其发现工作中采用一些 NAM，目的是筛选和识别化合物，作为上市审批监管决策的标记。在大多数情况下，NAM 有助于筛选或排列化合物的特定生物反应，或提供重要的机制和调查见解，解决与功效和安全性相关的特定细胞、器官或分子问题。FDA 战略的范围不是解决行业开展的发现和筛选机会，而是特别关注将 NAM 部署到当前和未来监管决策中的机会，这些决策针对的是那些向公众展示的化合物。重要的是，请注意，目前的 NAM 存在技术限制，而且目前没有任何检测方法能够完全捕捉评估所有现有人类或动物器官系统的关键危害终点；因此，NAM 不能完全消除动物和人类试验等综合生理系统的使用。虽然 NAM 代表了有前途的决策工具，但在大多数情况下，它们目前最好与传统方法结合使用，而不是作为危害识别或人类风险评估的独立解决方案。然而，这一立场将在未来几年和几十年内继续演变，因为某些领域显示出比其他领域更快的采用机会和速度 - 例如用于化妆品或食品测试的体外“屏障模型”（例如药物）。
监管毒理学和药理学
人类药物的非临床测试是为了评估在人类临床试验中研究的化合物的安全性以及新药的营销。尽管安全性评估所需的非临床研究的数量和类型没有确切规定，因为每种新化合物都具有固有的灵活性，但传统方法在各种 FDA 和 ICH 指导文件中都有概述，并且涉及体外测定和整体动物测试方法的组合。科学的最新进展导致出现了许多用于非临床测试的新方法 (NAM)，这些方法目前正用于药物开发的各个方面。传统的非临床测试方法可以预测临床结果，尽管鼓励并需要改进这些方法以提高临床结果的可预测性。本文讨论了 FDA/CDER 对在药物开发中使用 NAM 的机会和挑战的看法，尤其是出于监管目的，还包括 NAM 目前用于非临床安全性评估以及它们可能补充和/或增强当前测试方法的示例。 FDA/CDER还鼓励与利益相关者就NAM进行沟通，并致力于探索使用NAM来提高监管效率并可能加快药物开发。
中国的幼儿发展和社会流动性
Creative Compon非商业CC BY-NC：本文是根据创意共享属性noncmercial 4.0许可（https：//creativecommons.org/licenses/by-nc/4.0/）的术语分发（https://us.sagepub.com/en-us/nam/nam/open-access-at-sage）。
幼儿的人工智能和机器人技术
Creative Compon非商业CC BY-NC：本文是根据创意共享属性noncmercial 4.0许可（https：//creativecommons.org/licenses/by-nc/4.0/）的术语分发（https://us.sagepub.com/en-us/nam/nam/open-access-at-sage）。
期刊预校样
本文讨论了将新方法 (NAM) 应用于先进纳米材料 (AdNM) 的安全设计和监管风险评估所面临的挑战。作者提出了一个与传统风险评估范式相一致的下一代 AdNM 风险评估框架，该框架涉及 NAM。该框架以暴露为导向，针对特定端点，充分利用现有信息，并且可以在采用的 NAM 的特异性和复杂性不断增加的层次中实施。该方法的分层结构有效地将现有数据的使用与有针对性的测试相结合，将允许以尽可能低的成本和更少的脊椎动物使用来评估安全性。从透明度、可靠性、可访问性、适用性、相关性和完整性等方面评估了最先进的新兴 NAM 的监管准备情况，并讨论了它们与 AdNM 的相关性与风险评估范式的每个步骤的关系，并为各个科学和监管领域的未来发展提供了展望。
神经加法模型：利用神经网络进行可解释的机器学习
深度神经网络 (DNN) 是功能强大的黑盒预测器，在各种任务上都取得了令人印象深刻的表现。然而，它们的准确性是以牺牲可理解性为代价的：通常不清楚它们如何做出决策。这阻碍了它们在医疗保健等高风险决策领域的适用性。我们提出了神经加性模型 (NAM)，它将 DNN 的一些表达能力与广义加性模型固有的可理解性相结合。NAM 学习神经网络的线性组合，每个神经网络都关注一个输入特征。这些网络是联合训练的，可以学习输入特征和输出之间任意复杂的关系。我们在回归和分类数据集上的实验表明，NAM 比广泛使用的可理解模型（如逻辑回归和浅层决策树）更准确。它们在准确性方面的表现与现有的最先进的广义加性模型相似，但更灵活，因为它们基于神经网络而不是增强树。为了证明这一点，我们展示了如何利用 NAM 对合成数据和 COMPAS 累犯数据进行多任务学习（由于其可组合性），并证明了 NAM 的可微分性使它们能够为 COVID-19 训练更复杂的可解释模型。源代码可在 neuro-additive-models.github.io 上找到。
伙伴关系评估化学品风险
wp5正在开发，优化和评估新方法方法（NAM）在评估（生态）毒理学终点（例如非生物毒性致癌性（NGTXC），（发育）神经毒性（（DNT）的特定），免疫毒性和内部毒性（DNT）的相关性（ngtxc），免疫毒性和内部分裂（IDER）（IDER）（IDER））（IDER）（IDER）（IDER）（IDER）（IDER）（IDE），破坏（THSD）和代谢内分泌破坏（MD）。这种可交付的可交付方式综合了与NAM有关的当前监管需求以进行风险评估，描述了WP5中开发的方法如何促进这些需求，以及WP5所采取的步骤来衡量方法的调节准备情况。WP5中十二个项目中正在开发的分析的详尽清单，用于人类健康和环境危害评估。在此可交付的可交付中提出的NAM的清单将支持对所选（EATA测试和评估的综合方法）对所选（ECO）毒理学终点的强大开发，并说明了WP5在监管相关NAM的开发中所起的作用。