XiaoMi-AI文件搜索系统
World File Search SystemRecurrent
在晚期和复发性子宫内膜癌中建立以患者为中心的护理的有效策略
Prime Education，LLC（Prime®）遵守ACCME的诚信标准和认可的继续教育的独立性，并符合共同认证。这些标准要求每个人都可以控制CE活动的内容，以披露与不合格公司的所有财务关系。CE活动必须提供公平，平衡的内容，与商业偏见无关，并旨在提高医疗保健的质量。所有涉及临床医学的建议必须基于医学界接受的证据。当控制CE活动内容的个人与不合格的公司之间存在相关的财务关系时，就会出现利益冲突，这可能会偏向他/她的意见和教学。这可能包括获得薪水，特许权使用费，知识产权，咨询费，酬金，股票或其他财务福利。Prime®已确定，审查和减轻所有利益冲突，在提供任何教育活动之前，讲话者，作者，课程董事，计划者，同行评审者或相关人员都会披露。披露关系的披露并不是要在任何演讲中暗示或宽恕偏见，而是为了为参与者提供可能对他们对演示文稿的评估至关重要的信息。这些材料中包括了针对演讲者，作者，课程董事，计划者，同行评审者和/或相关人员的披露信息。
从神经数据中推断出随机的低级复发性神经网络
计算神经科学的核心目的是将大量神经元种群的活性与潜在的动态系统联系起来。这些神经动力学的模型理想情况下应既可以解释又适合观察到的数据。低级复发性神经网络（RNN）通过具有可拖动动力学表现出这种解释性。但是，尚不清楚如何最佳地拟合低级别的RNN与由对潜在随机系统进行嘈杂观察的数据组成的数据。在这里，我们建议与随机的低级RNN一起使用各种顺序蒙特卡洛方法。我们在由连续和尖峰神经数据组成的几个数据集上验证了我们的方法，在该数据集中，我们获得的尺寸潜在动力学比当前方法的当前状态较低。此外，对于具有分段线性非线性的低级模型，我们展示了如何有效地识别单位数量中多项式而不是指数成本的所有固定点，从而分析了针对大型RNN的推断动力学分析。我们的方法都阐明了实验记录的基础动力系统，并提供了一种生成模型，其轨迹与观察到的可变性相匹配。
用于无直方图单光子深度感知的单门脉冲循环神经网络
摘要 — 最近的研究表明，将时间分辨的单光子雪崩二极管 (SPAD) 传感器与神经网络直接耦合，可以简化信号处理并减少冗余。然而，之前的尝试仅限于通用神经网络模型，包括长短期记忆 (LSTM)，这些模型无法实现针对特定任务的优化。基于对 SPAD 深度感知任务需求的洞察，这项工作引入了一种高度简化的脉冲循环神经网络，专门为此目的而量身定制。该模型具有独特的单输入门架构，仅通过简单的脉冲神经元实现。与经典 LSTM 相比，它的准确度有所提高，参数数量减少了 1.95 倍，能耗降低了至少 8.40 倍，同时性能显著优于其他脉冲神经网络。结果强调了开发专用于当前任务的网络架构的重要性，这可能为完全像素内处理的潜在进步铺平道路。索引词 — 单光子雪崩二极管、直接飞行时间、脉冲神经网络、循环神经网络、机器学习
循环动力学的反馈控制限制了运动适应过程中的学习时间尺度
初级运动皮层 (M1) 的潜在动力学模型揭示了运动控制背后的基本神经计算；然而，这种模型往往忽略了感觉反馈的影响，感觉反馈可以不断更新皮层动力学并纠正外部扰动。这表明迫切需要对感觉反馈和内在动力学之间的相互作用进行建模。这种模型还有利于实时解码神经活动的脑机接口 (BCI) 的设计，其中用户学习和熟练控制都需要反馈。在这里，我们研究了皮层动力学的灵活反馈调节，并展示了它对 BCI 任务性能和短期学习的影响。通过在简单的 2D 到达任务（类似于 BCI 光标控制）上使用实时感觉反馈训练循环网络模型，我们展示了如何将以前报告的 M1 活动模式重新解释为由反馈驱动的动力学引起的。接下来，通过在 M1 上游加入自适应控制器，我们做出了一个可测试的预测：除了 M1 内循环连接的可塑性之外，M1 输入的可塑性（包括感官反馈的重新映射）还促进了新 BCI 解码器的短期学习。这种输入驱动的动态结构还决定了适应速度和学习成果，并解释了学习变异性的连续形式。因此，我们的工作强调了对运动控制的输入相关潜在动力学进行建模的必要性，并阐明了学习限制是如何从神经活动的统计特征和底层动态结构中产生的。
复发性或原发性晚期转移性宫颈癌的在研药物：
a 妇产科、妇科肿瘤科、鲁汶癌症研究所、天主教鲁汶大学、比利时鲁汶；比利时和卢森堡妇科肿瘤学组（BGOG）、比利时鲁汶、欧盟；b 肿瘤医学系、莱昂贝拉德中心和里昂第一大学、GINECO、法国里昂；c 妇科肿瘤科、天主教圣心大学和 Fondazione Policlinico Gemelli IRCCS、意大利罗马；d 妇科癌症项目、Vall d'Hebron 肿瘤研究所（VHIO）、大学医院 Vall d'Hebron、Vall d'Hebron 巴塞罗那医院校区、巴塞罗那；e 妇产科、捷克共和国布拉格查理大学和布拉格综合大学医院第一医学院捷克共和国布拉格中欧和东欧妇科肿瘤组 (CEEGOG)
泛癌症分析揭示实体肿瘤中反复出现的 BCAR4 基因融合
摘要 ◥ 染色体重排通常会导致活性调控区域与致癌基因上游并列，从而产生表达的基因融合。共同的下游伴侣的反复激活（在患者群体中上游区域不同）表明其具有保守的致癌作用。对 32 种实体瘤类型的 9,638 名患者的分析显示，注释的长链非编码 RNA (lncRNA)——乳腺癌抗雌激素抗性 4 (BCAR4) 是 11 种癌症中最普遍、未表征的下游基因融合伴侣。使用具有内源性 BCAR4 基因融合的多种细胞系证实了其致癌作用。此外，在未转化的细胞系中过度表达临床上普遍存在的 BCAR4 基因融合足以诱导致癌表型。我们表明，所有基因融合的最小共同区域都包含一个驱动增殖所必需的开放阅读框。
复发性胶质母细胞瘤治疗：精准医疗时代的现状和未来前景
1 卡尔斯鲁厄市立医院神经外科系，76133 卡尔斯鲁厄，德国 2 柏林夏利特医学院神经外科系，10117 柏林，德国 3 里乌尼蒂医院神经外科系，71122 福贾，意大利 4 福贾大学神经外科系，71122 福贾，意大利 5 福贾大学医学和外科科学系肿瘤内科和生物分子治疗科，71122 福贾，意大利 6 鲁莫医院神经外科系，82100 贝内文托，意大利 7 罗马大学放射学、肿瘤学和病理学系，00185 罗马，意大利 8 罗马大学解剖组织学法医学和骨科科学系罗马，00185 罗马，意大利 * 通讯地址：guido.giordano@unifg.it † 这些作者对本作品的贡献相同。 ‡ 这些作者对本作品的贡献相同。
非线性系统的基于复发小波的大脑情感学习网络控制器
常规控制系统通常不受非线性和不确定性的共存。本文提出了一个新型的大脑情感神经网络，以支持解决此类挑战的问题。所提出的网络将小波神经网络集成到传统的大脑情感学习网络中。通过引入经常性结构来进一步增强这一点，以利用两个网络作为大脑情感学习网络的两个渠道。因此，提出的网络结合了小波函数的优势，反复机制和大脑情感学习系统，以在不确定的环境下对非线性问题的最佳性能。所提出的网络可与一个边界综合器一起模仿理想的控制器，并且根据从Lyapunov稳定性分析理论得出的定律进行了参数。提出的系统应用于两个不确定的非线性系统，包括一个混乱的系统和模拟的3-DOF球形关节机器人。实验表明，所提出的系统的表现优于其他流行的基于神经网络的控制系统，表明所提出的系统的优势。
基于黎曼对称正定流形的循环神经网络建模
摘要 — 使用卡尔曼滤波器 (KF) 进行状态估计经常会遇到未知或经验确定的协方差矩阵，从而导致性能不佳。消除这些不确定性的解决方案正在向基于 KF 与深度学习方法混合的估计技术开放。事实上，从神经网络推断协方差矩阵会导致强制对称正定输出。在本文中，我们探索了一种新的循环神经网络 (RNN) 模型，该模型基于黎曼对称正定 (SPD) 流形的几何特性。为此，我们基于黎曼指数图定义了一个神经元函数，该函数取决于流形切线空间上的未知权重。这样，就推导出了一个黎曼成本函数，从而能够使用传统的高斯-牛顿算法将权重作为欧几里得参数进行学习。它涉及计算闭式雅可比矩阵。通过对模拟协方差数据集进行优化，我们展示了这种新方法对于 RNN 的可能性。
主要神经退行性疾病共享的广泛神经元基因组损害的复发模式
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年3月5日。 https://doi.org/10.1101/2025.03.03.03.641186 doi：Biorxiv Preprint