XiaoMi-AI文件搜索系统
World File Search SystemRecurrent
6B11-OCIK收养细胞疗法对抗铂的复发或难治性卵巢癌的初步安全和潜在影响
卵巢癌是妇科恶性肿瘤中死亡的主要原因，迫切需要新的疗法。在这里，我们报告了有关6B11-OCIK的潜在安全性和效率的初步发现，这是一种由人源化抗IDiotypic抗体6B11型抗体诱导的自体T细胞的收养细胞疗法，以及针对铂 - 抗性复发性或抗逆转癌症患者的树突状细胞和细胞因子和细胞因子和细胞因子，三分之二。我们发现6B11-OCIK治疗是安全且耐受性良好的静脉输注，初始剂量为1 - 2×10 9细胞和剂量攀爬策略。血红蛋白，血小板，白细胞计数，肌酐或肝酶值，凝结功能，肾脏和心脏功能在治疗期间没有显着影响。三名入学的患者中有两个显示出潜在的与药物相关的1级和2级弱点，并且未观察到其他不良事件。在三名入学的患者中，一名患有稳定的疾病，两名显示疾病进展。通过6B11-OCIK增殖能力，CD3+ CD8+肿瘤特异性细胞毒性T淋巴细胞和CD3+ CD3+ CD56+细胞因子诱导的杀伤细胞的激活能力和肿胀的细胞杀伤性，具有有利的临床效率患者的免疫反应更好。这项初步研究表明自体6B11-OCIK治疗是安全的，并且具有治疗后循环肿瘤细胞的变化与稳定疾病患者的血清CA125一致（均降低），而在两名患有疾病进展的患者中观察到差异（两者的CA125升高，CTC的CTC降低，并且在更好的免疫反应患者中的CTC降低），这表明循环肿瘤细胞的变化与免疫反应的差异更加一致。
Tipifarnib 治疗复发性、转移性 HRAS 突变型涎腺癌
通讯作者：Alan L. Ho，医学博士，哲学博士，纽约纪念斯隆凯特琳癌症中心血液学/肿瘤学系，1275 York Ave，纽约，NY 10065（hoa@mskcc.org）。作者贡献 Glenn J. Hanna：研究概念和设计、数据采集、数据分析和解释、撰写初稿以及撰写审阅和编辑。Jeffrey P. Guenette：数据管理、图像分析以及撰写审阅和编辑。Nicole G. Chau、Cyrus M. Sayehli、Christian Wilhelm、Robert Metcalf、Deborah J. Wong、Marcia Brose、Mohammad Razaq、Elisabeth Pérez-Ruiz、Ezra EW Cohen 和 Rahul Aggarwal：数据采集、数据解释以及撰写审阅和编辑。 Catherine Scholz 和 Antonio Gualberto：方法论、药物赞助、项目管理以及写作-审查和编辑。Alan L. Ho：概念化、设计、数据采集、数据分析和解释以及写作-审查和编辑。
复发性胶质母细胞瘤的最佳疗法：贝叶斯网络荟萃分析
复发性胶质母细胞瘤（GBM）的最佳治疗仍然有争议。因此，我们的研究旨在比较和对复发性GBM中的主动疗法进行比较。我们进行了系统的审查和贝叶斯网络荟萃分析。我们在累积排名曲线和平均等级下使用表面获得了处理层次结构。进行了群集分析，以汇总三个结果的分离结果。该协议已在Prospero（CRD42019146794）注册。总共确定了1,667次引用，并在最终网络荟萃分析中保留了17篇合格文章，其中17篇治疗保留。成对比较表明，在6个月无进展生存率（6-M PFS）率，客观响应率（ORR）和总生存期（OS）上没有显着差异。在报告中，Cediranib Plus Lomustine（CCNU）对应于3-4级不良事件的最高率。排名和聚类分析表明，贝伐单抗（BEV）加上CCNU和Regorafenib在ORR上具有较高的效率，6-M PFS速率和OS，并且BEV单一疗法或BEV与活性药物疗法合并为ORR和6-M PFS速率是有利的。此外，肿瘤治疗场（TTF）和BEV在OS中显示出相对较高的Sucra值。根据排名和聚类分析，BEV Plus CCNU和Regorafenib是治疗的主要建议。在患有严重神经系统症状的患者中，建议单独使用BEV单一疗法或与活性药物疗法结合使用。晚期治疗，例如TTF和免疫疗法，在未来的研究中仍有待研究。
优化...
开发委员会和用于测试运动图像命令的六型机器人机器人。测试系统以检测闭合和打开左右手的想象运动以控制机器人的运动。与运动任务相关的脑电图（EEG）信号在人体感觉运动皮层上感测。接下来，Sockit处理数据以识别允许受控机器人运动的命令。使用F3，F4，FC5和FC6传感器的MI-EEG信号的分类是使用卷积神经网络（CNN）和长短期记忆（LSTM）网络的混合体系结构进行的。此方法利用深度学习识别模型来开发实时嵌入的BCI系统，其中信号处理必须是无缝且精确的。在创建和公共科学数据集中使用K折的交叉验证评估所提出的方法。我们的数据集由从四个测试受试者获得的2400次试验组成，持续了三秒钟的关闭和开放式运动的想象。使用我们的数据和最先进的数据集，识别任务分别达到84.69％和79.2％的精度。数值结果支持Motor图像可以成功地应用于BCI系统中，以控制移动机器人和相关应用，例如智能车辆。
具有循环模式的量子电路编译确定性算法
当前的量子处理器噪声大、相干性有限且门实现不完善。在这样的硬件上，只有比整体相干时间短的算法才能成功实现和执行。一个好的量子编译器必须将输入程序转换为其自身最有效的等价物，从而充分利用可用的硬件。在这项工作中，我们提出了新的确定性算法，用于在多项式时间内编译递归量子电路模式。具体来说，这种模式出现在量子电路中，这些量子电路用于使用变分量子特征求解器 (VQE) 方法和 RyRz 启发式波函数 Ans¨atz 计算分子系统的基态特性。我们表明，我们的面向模式的编译算法与有效的交换策略相结合，在 CNOT 计数和 CNOT 深度方面，通常可以生成与使用最先进的编译器获得的输出程序相当的输出程序。特别是，我们的解决方案在 RyRz 电路上产生了无与伦比的结果。关键词 - 量子编译、循环模式、RyRz 电路
通过度量的视觉脑解码的EEG分类...比较p300检测的卷积和复发性神经网络
摘要：p300组件的单审判分类是一项困难的任务，因为信号比率低。但是，其应用于脑部计算机界面开发可以显着提高这些系统的可用性。本文介绍了P300分类的基线线性判别分析（LDA）与复发性（CNN）和经常性神经网络（RNN）的比较。实验是基于大型多学科的学龄儿童数据集。实验研究和讨论了几种超参数选择。提出的CNN略优于RNN和基线LDA分类器（63.2％的准确性比61.3％和62.8％）。差异在精度和回忆中最为明显。讨论了结果和建议对未来工作的含义，例如堆叠的CNN – LSTM。
复发性横纹肌溶解症和运动不耐受
胸苷激酶 2 (TK2) 是一种核编码的线粒体酶，可磷酸化嘧啶核苷胸苷 (dT) 和脱氧胞苷 (dC) 以生成它们的核苷单磷酸。TK2 在静止细胞的脱氧核苷三磷酸补救合成途径中至关重要，其缺乏会导致线粒体耗竭/多重缺失综合征 [ 1 , 2 ]。TK2 基因的隐性突变主要导致线粒体肌病，其发病年龄和严重程度范围很广 [ 3 ]：从极其严重且快速进展的婴儿期发病形式，存活期不到两年，与线粒体 DNA (mtDNA) 耗竭（MIM# 609560）有关，到不太严重的形式，发病较晚，进展速度较慢，与 mtDNA 多重缺失有关。晚发型患者，以前定义为 12 岁以后出现症状的患者 [ 3 ]，其表型包括进行性近端肢体、轴向、颈部屈肌和面部肌肉无力，常与眼睑下垂、眼肌麻痹和延髓无力有关，并伴有早期严重的
复发性胶质母细胞瘤：从分子景观到新的治疗视角
1 SorbonneUniversité，Inserm，CNRS，UMR S 1127，Institut du Cerveau，ICM，AP-HP，HôpitauxUniversitaires la Piti fiti salptisalpêtrière-Charlesfoix，服务De Neurolologie 2-Mazarin，F-75013 Paris，Frances，Frances，Frances; cristina.birzu-ext@icm.institute.org（c.b.）; ahmed.idbaih@aphp.fr（a.i.）2伊拉斯mus大学医学中心神经病学系Molewaterplein医生40，3015 GD鹿特丹，荷兰； p.french@erasmusmc.nl 3肿瘤学系，威尼托肿瘤学研究所IOV-irccs，通过Gattamelata 54，35128意大利帕多瓦； mario.caccese@iov.veneto.it（m.c。 ）; giulia.cerretti@iov.veneto.it（g.c. ）; vittorina.zagonel@iov.veneto.it（v.z。） *信函：giuseppe.lombardi@iov.veneto.it;电话。 ： +39-0498-215-888;传真： +39-0498-215-904†这些作者对这项工作也同样贡献。 ‡这些作者分享了高级作者身份。2伊拉斯mus大学医学中心神经病学系Molewaterplein医生40，3015 GD鹿特丹，荷兰； p.french@erasmusmc.nl 3肿瘤学系，威尼托肿瘤学研究所IOV-irccs，通过Gattamelata 54，35128意大利帕多瓦； mario.caccese@iov.veneto.it（m.c。）; giulia.cerretti@iov.veneto.it（g.c.）; vittorina.zagonel@iov.veneto.it（v.z。）*信函：giuseppe.lombardi@iov.veneto.it;电话。： +39-0498-215-888;传真： +39-0498-215-904†这些作者对这项工作也同样贡献。‡这些作者分享了高级作者身份。
使用多通道卷积和循环神经网络自动检测患者间的癫痫发作
我们提出了一种端到端深度学习模型，可以自动检测多通道脑电图 (EEG) 记录中的癫痫发作。我们的模型结合了卷积神经网络 (CNN) 和双向长短期记忆 (BLSTM) 网络，使用少量可训练参数有效地从 EEG 数据中挖掘信息。具体来说，CNN 会为原始多通道 EEG 数据的每个一秒窗口学习一个潜在编码。同时，BLSTM 会根据 CNN 编码学习癫痫发作表现的时间演变。这些架构的组合使我们的模型能够捕获指示癫痫发作活动的短时间尺度 EEG 特征以及癫痫发作表现中的长期相关性。与大多数先前的癫痫发作检测工作不同，我们通过留一患者交叉验证程序模拟住院监测环境，在所有患者中达到 0.91 的平均癫痫发作检测灵敏度。该策略验证了我们的模型可以推广到新患者。我们证明我们的 CNN-BLSTM 优于传统的特征提取方法和依赖于更大、更复杂的网络架构的最先进的深度学习方法。
使用小波转换和复发性神经网络的睡眠脑电图信号的索赔，用于睡眠阶段分类的新方法
摘要简介：视觉睡眠阶段评分是一种时间表，无法提取脑电图（EEG）的非线性特征。本文提出了一种基于小波变换和重新当前神经网络（RNN）的睡眠信号的索引，用于睡眠阶段分化的新方法。方法：使用较长的短期记忆模型，根据分类吉他作品和库尔德坦堡Makams的数据库进行了两个RNN的签名和训练。此外，使用离散的小波变换和小波包分解来确定EEG信号和MUSICAL螺距之间的关联。连续的小波变换用于从脑电图中提取基于音乐节拍的功能。然后，验证的RNN用于生成音乐。为了测试构图，将11个睡眠脑映射到吉他和坦率频率间隔上，并呈现给Pre-