XiaoMi-AI文件搜索系统
World File Search SystemPrognostic
一项关于故障预后中深层工业转移学习的调查
由于其概率性质，故障预后学是使用大数据进行深度学习的用例的一个典型例子。然而，此类数据集的低可用性结合了拟合，参数化和评估复杂的学习算法的高度努力，用于典型的工业应用的异质和动态设置，通常会阻止这种方法的实际应用。可以使用转移学习或连续学习方法自动适应新的或动态变化的故障预后方案。在本文中，对这种方法进行了首次调查，旨在为该领域的未来研究建立最佳实践。表明该领域缺乏共同的基准来鲁棒比较结果并促进科学进步。因此，还对这些出版物中使用的数据集进行了调查，以确定适合此类基准方案的候选人。
线粒体融合蛋白 2 表达对结肠癌预后的影响
线粒体功能障碍和糖酵解激活被广泛认为是癌症的标志 (5)。线粒体融合蛋白 2 (MFN2) 编码位于线粒体外膜上的 GTPase 蛋白，也称为增生抑制基因。它最初是在自发性高血压大鼠的血管平滑肌细胞中发现的 (6)。先前的研究表明，MFN2 疾病与高血压、腓骨肌萎缩症、肥胖症、糖尿病、动脉粥样硬化和癌症等多种疾病有关 (7,8)。MFN2 在许多癌症中起着肿瘤抑制因子的作用，包括宫颈癌、肝细胞癌、胰腺癌、乳腺癌、胃癌和膀胱癌 (9-11)。然而，据我们所知，MFN2 与结肠癌之间的潜在关系尚未得到充分研究。
研究论文 识别葡萄膜黑色素瘤中预后的脂肪酸代谢 lncRNA 和潜在的分子靶向药物
背景 .本研究旨在通过整合生物信息学分析，寻找预测葡萄膜黑色素瘤预后的脂肪酸代谢lncRNA及潜在的分子靶向药物。方法 .本研究获取了309个FAM-mRNA的表达矩阵，通过共表达网络分析，鉴定出225个FAM-lncRNA，并进行单变量Cox分析、LASSO回归分析和交叉验证，最终得到由4个PFAM-lncRNA（AC104129.1、SOS1-IT1、IDI2-AS1、DLGAP1-AS2）组成的优化UVM预后预测模型。结果 .生存曲线显示，在预后预测模型中，训练队列、测试队列及所有患者中高危组UVM患者的生存时间均显著低于低危组（P<0:05）。进一步进行风险预后评估，结果显示，在训练队列、测试队列及所有患者中高危组的风险评分均显著高于低危组（P<0:05），随着风险评分的增加，患者生存率降低、死亡人数增加；AC104129.1、SOS1-IT1、DLGAP1-AS2为高危PFAM-lncRNA，IDI2-AS1为低危PFAM-lncRNA。随后，我们通过PCA分析和ROC曲线进一步验证了模型预测预后的准确性和预后价值。结论。我们鉴定出24种潜在的分子靶向药物，这些药物在高危和低危UVM患者之间具有显著的敏感性差异，其中13种可能是高危患者的潜在靶向药物。我们的研究结果对高危UVM患者的早期预测和早期临床干预具有重要意义。
使用预测和健康管理 (PHM) 预测起落架的剩余使用寿命
摘要：起落架是飞机的重要组成部分。然而，起落架的部件在其使用寿命内容易退化，这可能导致起飞和降落时出现摆振效应。为了减少意外航班中断并提高飞机的可用性，本研究研究了预测性维护 (PdM) 技术。本文介绍了一个案例研究，该研究基于当前在役飞机的预测和健康管理 (PHM) 框架实施剩余使用寿命 (RUL) 的健康评估和预测工作流程，这可能对机队运营商和飞机维护产生重大影响。机器学习用于使用数据驱动方法开发起落架的健康指标 (HI)，而时间序列分析 (TSA) 用于预测其退化。使用来自在役飞机的大量真实传感器数据评估退化模型。最后，概述了为下一代飞机实施内置 PHM 系统的挑战。
kifc1：在RB阳性三阴性乳腺癌患者中使用阿霉素治疗的可靠预后生物标志物与Abemaciclib结合使用
摘要。背景/目标：非洲裔美国人（AA）患者的三阴性乳腺癌（TNBC）患病率和复发风险最大。先前已显示了RB阳性TNBC细胞（MDA-MB-231）中的阿霉素（Dox）和Abemaciclib（Abe）协同作用，以及RB阴性TNBC细胞（MDA-MB-468）中的拮抗作用。在这里，我们评估了类似驱动蛋白样蛋白1（KIFC1）作为TNBC中RB状态的DOX+ABE组合的种族特异性预后生物标志物。材料和方法：在AA种群中搜索TNBC预后生物标志物的文献。MDA-MB-231和MDA-MB-468细胞在72小时内暴露于四个治疗组：1）对照（不含药物的培养基），2）DOX在MDA-MB-231（0.565μm）中的50％抑制浓度下，单独使用MDA-MB-231（0.565μm）和MDA-MB-4-468（0.121μm），和468（0.121μm），和2μmMM（2μm）每个单元线中的相应浓度。KIFC1蛋白表达和时间变化在MDA-MB-231细胞中使用Western blot进行了定量。结果：KIFC1，Kaiso和Annexin A2是文献 - 鉴定出AA特异性TNBC预后生物标志物。kifc1与其他提出的生物标志物无关，
具有两个预后湍流能量的湍流方案的稳定数值实现
摘要：在本文中，我们提出了对三阶矩矩的两能量配置的新的，更稳定的数值实现，并提出了统一的凝结和N依赖性求解器（TOUCAN）湍流方案。toucans中的原始时间稳定方案往往会遭受稳定的地层湍流中的虚假振荡。由于它们的高频，振荡类似于由湍流交换系数与稳定性参数之间的耦合引起的所谓纯正。但是，我们的分析和仿真表明，两能方案中的振荡是由使用特定隐式的使用 - 对放松条款的明确时间离散化引起的。在Toucans中，放松技术用于预后湍流能量方程中的源和耗散项，以确保相对较长的时间步长的数值稳定性。我们既提出了详细的线性稳定性分析和分叉分析，这表明时间步骤超过关键时步长度的时间步骤是振荡的。基于这些发现，我们提出了有关涉及条款的新负担得起的时间离散化，以使计划更具隐式。这可以确保具有足够精度的稳定解决方案，以实现更广泛的时间步长。我们确认了理想化的1D和完整3D模型实验中的分析结果。
基于动态概率模型和 LSTM 网络的航空发动机预测和健康管理框架
摘要：本研究提出了一种航空发动机预测与健康管理（PHM）框架，该框架结合了动态概率（DP）模型和长短期记忆神经网络（LSTM）。采用基于高斯混合模型-自适应密度峰值聚类算法的DP模型从发动机服役开始对故障发展进行建模，具有训练时间极短、精度足够高的优点，并引入主成分分析将复杂的高维原始数据转换为低维数据。该模型可根据发动机数据的积累不断更新，以捕捉发动机故障的发生和演变过程。针对常用数据驱动方法存在的问题，采用DP+LSTM模型对发动机剩余使用寿命（RUL）进行估算。最后，利用 NASA 的商业模块化航空推进系统仿真数据集对所提出的 PHM 框架进行了实验验证，结果表明 DP 模型在故障诊断中比经典的人工神经网络方法具有更高的稳定性，而 DP + LSTM 模型在 RUL 估计中的准确率高于其他经典的深度学习方法。
通过物理增强动态模式分解方法启用具有替代模型的替代预后学
计算模型提供了评估和预测物理系统健康和性能的基本定量工具。但是，由于其时间密集型的性质，高实现模型很少用于实时操作或大型优化循环。提高预后计算效率的一种常见方法是采用表面模型。这样的模型可以显着减少计算时间，以获得一些准确的损失。在这种情况下，提出了动态模式分解（DMD）的使用，以对锂离子（Li-ion）电池电量进行替代模型。dmd，但是尚未应用于PHM域，在PHM域中，非线性行为的远面预测对于传播断层或剩余有用的使用寿命至关重要。对于锂离子电池健康管理，DMD的标准应用仅使用可观察到的兴趣量无法捕获实验室测试中展示的电池的非线性排放。Koopman理论提供了一种机制，可以通过将非线性状态变量扩展到系统表示中，以在DMD框架中以高维线性模型进行高维线性模型进行交易。通过这种方式，DMD允许根据Koopman运算符的维度提供可配置的模拟精度。为了进行电池健康管理，我们使用了更高的物理模型的隐藏状态增强了可观察到的变量，以构建DMD代理。与高实现模型相比，替代物提高了计算效率，仅损失准确性，并实现了长期prog-
回顾癌症干细胞标记的预后价值...
目标：宫颈癌的预后生物标志物被广泛研究，包括癌症干细胞（CSC）标记。但是，它们的意义仍然不确定。这项研究旨在确定宫颈癌干细胞（CCSC）标记在生存中的作用。材料和方法：我们进行了系统的综述和荟萃分析（Prospero CRD42021237072），该研究报告了CCSC标记作为基于PRISMA指南的预后预测指标。我们纳入了研究组织肿瘤中CCSC表达的关联与PubMed，EBSCO和Cochrane库数据库的总生存期（OS）或无病生存期（DFS）的关联的英文文章。根据纽卡斯尔 - 奥塔瓦质量评估量表分析了研究质量。结果：从413个出版物中，在包含和排除标准的研究选择后，包括22项研究。CCSC标记的高表达与差的OS和DF相关（HR = 1.05，95％CI：1.03 - 1.07，P <0.0001; HR = 1.31，95％CI：1.09 - 1.17，P <0.00001;分别分别）。Sub-analysis of individual CCSC markers indicated significant correlations between CD44 (HR= 1.14, 95% CI: 1.07 – 1.22, P 0.0001), SOX2 (HR= 1.58, 95% CI: 1.17 – 2.14, P 0.003), OCT4 (HR= 1.03, 95% CI: 1.01 – 1.06, P 0.008), ALDH1 （HR = 1.36，95％CI：1.13 - 1.64，P 0.001）和CD49F（HR = 3.02，95％CI：1.37 - 6.64，P 0.006），OS较差； OCT4（HR = 1.14，95％CI 1.06 - 1.22，p 0.0003），SOX2（HR = 1.11，95％CI：1.06 - 1.16，P <0.0001）和AldH1（HR = 1.22，95％CI：1.10 - 1.35，P 0.0002），较差DFS）。我们没有为MSI-1和CK17进行荟萃分析，因为只有一项研究研究了这些标记。结论：OCT4，SOX2和ALDH1的表达与宫颈癌组织中的OS和DFS差有关。这些标记可能具有预测生物标志物来预测不利生存的潜在作用。
基于系统评价和荟萃分析的首选报告项目的可解释人工智能工业资产预测和健康管理概述
摘要：可解释人工智能 (XAI) 的调查涉及生物学、临床试验、金融科技管理、医学、神经机器人和心理学等。预测和健康管理 (PHM) 是将故障机制研究与系统生命周期管理联系起来的学科。目前仍缺乏对 PHM-XAI 作品进行分析汇编的需求。在本文中，我们使用系统评价和荟萃分析 (PRISMA) 的首选报告项目来介绍应用于工业资产 PHM 的 XAI 的最新进展。这项工作概述了 PHM 中 XAI 的趋势，并回答了准确性与可解释性的问题，考虑到人类参与的程度、解释评估和不确定性量化。自 2015 年至 2021 年以来，与该主题相关的研究文章是根据 PRISMA 方法从五个数据库中选出的，其中一些与传感器有关。从选定的文章中提取数据并进行检查，获得了不同的发现，这些发现综合如下。首先，尽管该学科尚属新兴学科，但分析表明，XAI 在 PHM 中的接受度越来越高。其次，XAI 具有双重优势，它被用作执行 PHM 任务和解释诊断和异常检测活动的工具，这意味着 PHM 确实需要 XAI。第三，评论表明，PHM-XAI 论文提供了有趣的结果，表明 PHM 性能不受 XAI 的影响。第四，人类角色、评估指标和不确定性管理是 PHM 社区需要进一步关注的领域。需要足够的评估指标来满足 PHM 需求。最后，所考虑的文章中介绍的大多数案例研究都基于真实的工业数据，其中一些与传感器有关，表明可用的 PHM-XAI 组合解决了现实世界的挑战，增强了人们对人工智能模型在行业中采用的信心。