XiaoMi-AI文件搜索系统
World File Search SystemRecurrent
c学习估计重复疾病的最佳个性化治疗方案
抽象的经常性事件，其特征是在个人研究中反复发生同一事件，是医学研究中的一种常见数据。是出于癌症的促进，我们旨在估算有效减轻此类复发事件的最佳个性化治疗方案（ITR）。ITR是一项决策规则，它根据个性化信息将最佳治疗方法分配给每个患者，以最大程度地提高整体治疗益处。但是，现有的估计ITR的研究主要集中于初次事件，而不是经常发生的事件。要解决重复事件的最佳ITR的问题，我们提出了经常性的C-学习方法（RECL）方法，以从两个或多个处理选项中识别最佳ITR。所提出的方法将优化问题重新定义为加权分类问题。我们介绍了三个错误分类成本的估计器：结果回归估计器，逆概率加权估计器以及增强的反概率加权估计器。RECL方法利用分类技术来生成针对经常性事件数据量身定制的可解释的最佳ITR。在各种情况下通过模拟证明了RECL方法的优点。此外，基于关于结直肠癌治疗的实际数据，我们采用了这种新颖的方法来得出结直肠癌的可解释的树木治疗方案，从而为增强治疗策略提供了实用的框架。
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。
输入细胞注意力机制降低循环神经网络的消失显着性
最近，为提高深度神经网络的可解释性，人们使用显著性来表征输入特征对模型预测的重要性。在循环神经网络 (RNN) 上使用基于显著性的方法进行可解释性研究主要针对语言任务，而它们对时间序列数据的适用性尚不明确。在本文中，我们分析了基于显著性的 RNN 方法，包括经典和门控单元架构。我们表明，RNN 显著性会随着时间的推移而消失，导致对显著特征的检测仅偏向于后续时间步骤，因此无法可靠地检测任意时间间隔内的重要特征。为了解决这个显著性消失问题，我们提出了一种新颖的 RNN 单元结构（输入单元注意力†），它可以扩展任何 RNN 单元架构。在每个时间步骤，输入单元注意力使用固定大小的矩阵嵌入，而不是只查看当前输入向量，矩阵的每一行都关注来自当前或之前时间步骤的不同输入。使用合成数据，我们表明，输入单元注意 RNN 生成的显着性图能够忠实地检测重要特征，无论它们在时间上发生如何。我们还将输入单元注意 RNN 应用于神经科学任务，该任务分析执行各种任务的人类受试者的功能性磁共振成像 (fMRI) 数据。在这种情况下，我们使用显着性来表征大脑区域（输入特征），这些区域的活动对于区分任务很重要。我们表明，标准 RNN 架构只能在 fMRI 数据的最后几个时间步骤中检测重要的大脑区域，而输入单元注意模型能够跨时间检测重要的大脑区域活动，而不会在后面的时间步骤中产生偏差。
癌症干细胞和骨肉瘤复发性疾病的生物学证据
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
复发性氯胺酮暴露对少年大鼠脑组织病理学的影响
1。引言氯胺酮（KET）由Calvin Stevens于1962年合成为麻醉剂，最初由Corssen＆Domino在1965年使用。自1970年代以来，它已被广泛用于临床实践[1]。这是唯一具有催眠（诱导睡眠），镇痛（疼痛降低）和失忆症（短期记忆丧失）影响的药物；因此，它是一种“独特的药物” [1]。它通过非竞争性阻断N-甲基-D-天冬氨酸和谷氨酸受体的非竞争性阻断导致了解离性麻醉[2]。它被广泛使用，尤其是在儿童中，由于其快速发作，功能持续时间短，血液动力学安全性，上呼吸道反射保护，缺乏呼吸道抑郁和强大的镇痛特性。目前，它甚至被用作阿片类药物诱发的呼吸道抑郁症拮抗剂，用于治疗慢性疼痛和耐药性抑郁症[2-6]。
尿路感染（经常性）：咨询委员会的利益登记册
ucl的膀胱感染免疫组（BIIG）的临床PI。这是一个转化研究小组，我们的计划赠款（由私人捐助者不是由行业资助）着眼于“ UTI的病理生理学”。这涵盖了诊断UTI的诊断方法，了解细菌生态学和新疗法方式。
从儿童到成年期反复出现的时空脑传播的发展变化
摘要 从儿童期到青少年期，大脑经历了深刻的结构和功能转变。越来越多的证据表明，神经发育以分层的方式进行，其特点是大脑区域和网络中的成熟模式不同。然而，大脑活动内在时空传播的成熟仍未得到充分探索。本研究旨在通过描述从儿童期到成年早期的时空传播来弥合这一空白。通过利用最近开发的捕捉时间滞后动态传播的方法，我们沿着三个轴描述了内在动态传播：感觉联想 (SA)、“任务正”到默认网络 (TP-D) 和躯体运动视觉 (SM-V) 网络，这些网络从儿童期到成年早期逐渐发展为类似成人的大脑动态。重要的是，我们证明，随着参与者的成熟，SA 和 TP-D 传播状态的出现时间会延长，这表明他们在这些状态下花费的时间更长。相反，SM-V 传播状态的流行率在发育过程中下降。值得注意的是，沿 SA 轴自上而下的传播表现出与年龄相关的发生率增加，与自下而上的 SA 传播相比，它更能预测认知分数。这些发现在两个独立的队列（总共 N = 677）中得到了复制，强调了这些发现的稳健性和普遍性。我们的研究结果为青少年时期成人样功能动态的出现及其在支持认知方面的作用提供了新的见解。关键词：神经发育、fMRI、皮质发育、动态大脑活动、青春期、自上而下处理
姑息放射治疗可保留复发性、难治性基底细胞癌患者的视力
本病例讨论了一名 85 岁患者，该患者既往有白内障病史，导致右眼视力严重受损，并因右太阳穴基底细胞癌 (BCC) 及其局部复发而多次接受手术（2010 年局部广泛切除；2017 年再次切除并用皮肤移植重建），患者出现皮肤肿瘤进行性生长和扩散。检查后发现，表面有一块不规则的红斑，有多个溃疡（最大的一个位于左太阳穴，尺寸为 4×3 厘米）。病变从一个太阳穴延伸到另一个太阳穴，穿过前额，沿着手术皮肤移植的边缘，侵入左上眼睑，一个突出的肿块延伸出眼眶。对最大的溃疡进行皮肤活检显示为浸润性亚型基底细胞癌，并有骨质侵袭区域。鉴于临床情况困难、解剖位置复杂以及手术可能引起的并发症，经过全面评估后，患者被认为适合接受放射治疗。患者对治疗表现出良好的耐受性，局部治疗轻微放射性皮炎，并取得了令人满意的治疗反应。临床和放射学评估显示病变大小明显缩小，无明显毒性，左眼视力保留。本病例突出了姑息放射治疗在上面部复发性巨大基底细胞癌并侵袭到眼眶的患者中的成功应用，在手术或全身治疗不可行的情况下实现了视力保留。放射治疗正在成为具有挑战性的解剖位置复发性基底细胞癌的一种有价值的治疗选择。然而，仔细监测和严格的治疗计划对于实现良好结果并尽量减少副作用至关重要。
类似大脑的前馈和循环网络组件的组合实现了原型提取和
摘要：联想记忆一直是大规模循环新皮质网络执行计算的主要候选对象。实现联想记忆的吸引子网络为许多认知现象提供了机械解释。然而，吸引子记忆模型通常使用正交或随机模式进行训练，以避免记忆之间的干扰，这使得它们不适用于自然发生的复杂相关刺激，如图像。我们通过将循环吸引子网络与使用无监督赫布-贝叶斯学习规则学习分布式表示的前馈网络相结合来解决这个问题。由此产生的网络模型结合了许多已知的生物学特性：无监督学习、赫布可塑性、稀疏分布式激活、稀疏连接、柱状和层状皮质结构等。我们评估了前馈和循环网络组件在 MNIST 手写数字数据集上的复杂模式识别任务中的协同效应。我们证明了循环吸引子组件在前馈驱动的内部（隐藏）表示上进行训练时实现了联想记忆。联想记忆还被证明可以从训练数据中提取原型，并使表示对严重失真的输入具有鲁棒性。我们认为，从机器学习的角度来看，所提出的前馈和循环计算集成的几个方面特别有吸引力。
