XiaoMi-AI文件搜索系统
World File Search SystemUsing
使用深度学习检测脑肿瘤
我保证，据我所知，我的论文不侵犯任何人的版权，也不违反任何专有权利，并且我的论文中包含的任何想法、技术、引用或来自他人作品的任何其他材料（无论是否已发表）均已根据标准引用惯例完全承认。此外，如果我所包含的受版权保护的材料超出了《印度版权法》所规定的公平使用范围，我保证我已获得版权所有者的书面许可，可以将此类材料纳入我的论文中，并将此类版权许可的副本附在我们的附录中。
文章利用计算机靶标预测寻找熟悉天然产物的新分子靶标
1 因斯布鲁克大学药学/生药学研究所、因斯布鲁克分子生物科学中心 (CMBI)，Innrain 80 / 82, 6020 因斯布鲁克，奥地利； F.Mayr@uibk.ac.at (FM)； Veronika.Temml@pmu.ac.at (佛蒙特州)； birgit.waltenberger@uibk.ac.at (BW); Stefan.Schwaiger@uibk.ac.at (SS)； hermann.stuppner@uibk.ac.at (HS) 2 研究单位分子内分泌学和代谢，亥姆霍兹中心慕尼黑，Ingolstädter Landstraße 1, 85764 Neuherberg，德国； gabriele.moeller@helmholtz-muenchen.de（总经理）； adamski@helmholtz-muenchen.de (JA) 3 格赖夫斯瓦尔德大学药学院制药/药物化学系，Friedrich-Ludwig-Jahn-Straße 17, 17489 Greifswald，德国；ulrike.garscha@uni-greifswald.de (UG)；jana.fischer@uni-greifswald.de (JF) 4 伯尔尼大学儿童医院儿科内分泌、糖尿病和代谢科，Freiburgstrasse 15, 3010 Bern，瑞士；patrirodcas@gmail.com (PRC)； amit.pandey@dbmr.unibe.ch (AVP) 5 伯尔尼大学生物医学研究系，Freiburgstrasse 15, 3010 伯尔尼，瑞士 6 巴塞尔大学药学系分子与系统毒理学分部，Klingelbergstrasse 50, 4056 巴塞尔，瑞士；silvia.inderbinen@unibas.ch (SGI)；alex.odermatt@unibas.ch (AO) 7 萨尔州亥姆霍兹药物研究所 (HIPS)，药物设计和优化系，E8.1 校区，66123 萨尔布吕肯，德国； rolf.hartmann@helmholtz-hzi.de 8 萨尔大学，制药和药物化学，E8.1 校区，66123 萨尔布吕肯，德国 9 海德堡大学，药学和分子生物技术研究所 (IPMB)，药物化学，Im Neuenheimer Feld 364，69120 海德堡，德国；christian.gege@web.de 10 埃德蒙马赫基金会 (FEM) 研究与创新中心，Via Mach 1，38010 San Michele all'Adige，意大利；stefan.martens@fmach.it 11 耶拿弗里德里希席勒大学药学研究所制药/药物化学系，Philosophenweg 14，07743 耶拿，德国； oliver.werz@uni-jena.de 12 遗传学实验学校，慕尼黑工业大学，Emil-Erlenmeyer-Forum 5, 85356 Freising-Weihenstephan, 德国 13 新加坡国立大学杨潞龄医学院生物化学系，8 Medical Drive, Singapore 117597，新加坡 14 药学研究所，萨尔茨堡帕拉塞尔苏斯医科大学制药和药物化学系，Strubergasse 21, 5020 Salzburg, Austria 15 药学/药物化学研究所，因斯布鲁克分子生物科学中心 (CMBI)，因斯布鲁克大学，Innrain 80 / 82, 6020 Innsbruck, Austria * 通讯作者：daniela.schuster@pmu.ac.at；电话：+43-699-14420025
用随机尿液 ACR 检测 2 型糖尿病患者糖尿病肾病的发生率及其相关危险因素
摘要 目的：利用随机尿液 ACR 比值确定 2 型糖尿病患者的糖尿病肾病发病率并确定其相关危险因素。 研究设计：描述性横断面研究。 研究地点和持续时间：本研究于 2023 年 2 月 1 日至 2023 年 7 月 31 日在巴基斯坦白沙瓦穆罕默德教学医院 (MTH) 医学部进行。 方法：共调查了 150 名 2 型糖尿病患者。样本量是使用 WHO 样本量计算器计算的，使用一项参考研究，2 型糖尿病患者糖尿病肾病的患病率为 10.8%；置信区间 = 95%，误差幅度为 5%。 结果：标准差 ± 5.146，平均年龄为 49 岁。有 87 名（58%）女性和 63 名（42%）男性。对 150 名受试者的随机尿液 ACR 进行了分析。其中，47 名（31%）患有微量白蛋白尿（少于 300 mg/m），28 名患者（19%）患有大量白蛋白尿（超过 300 mg/m），而 6 名（4%）患有终末期肾病，GFR < 30 ml/m -1.73 m2。对 150 名受试者进行了一项研究以确定糖尿病肾病的状况。其中，81 名（54%）患有糖尿病肾病，69 名（46%）没有。结论：使用随机尿液 ACR 比率，我们的研究表明 46% 的 2 型糖尿病患者患有糖尿病肾病。糖尿病病程 5-10 年的患者的发病率为 24%，糖尿病病程 11-15 年的患者发病率为 26%。糖尿病病程16至20年的患者发病率为50%。总之，糖尿病病程越长，患糖尿病肾病的风险就越大。
使用深度学习的鸟类鉴定
4 md.devendran@gmail.com摘要：鸟类鉴定在生物多样性保护和生态学研究中起着至关重要的作用，为栖息地健康和物种分布提供了见解。识别鸟类物种的传统方法是时间密集型，容易出现人为错误，因此需要自动解决方案。这个项目是使用深度学习的鸟类识别，提出了一个先进的系统，以利用深度学习的力量准确地从图像中识别鸟类。该系统利用卷积神经网络（CNN），以其在图像分类任务方面的熟练程度而闻名。一个包含多种鸟类图像的数据集进行了预处理并增强，以增强模型的鲁棒性和泛化。模型架构旨在提取复杂的特征，即使在诸如不同的照明条件，遮挡或类似物种的外观等挑战性的情况下，也可以准确识别。使用准确性，精度，召回和F1得分等指标评估模型的性能，以确保全面验证。结果表明，对传统机器学习方法的准确性改善了，这表明了物种识别中深度学习的潜力。该项目对野生动植物监测，生态研究和教育工具的应用有望，从而促进了意识和保护工作。未来的工作可能包括将系统集成到移动应用中，或将其部署在现场条件下的实时鸟类识别。
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过过滤动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描中学习此表示，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。
使用环境和地球观察，改善了更好整合气候和生物多样性方法的监控
Call: HORIZON-CL6-2024-CLIMATE-01 Topic: EU-China international cooperation on improving monitoring for better integrated climate and biodiversity approaches, using environmental and Earth observation Type of Action: HORIZON-RIA Acronym: BioClima GA Number: 101181408 Duration: 48 months Start Date: 01 Jan 2025 Project Cost: €4,999,437.50
使用机器学习来识别疾病的遗传环境相互作用
多发性硬化症（MS）是中枢神经系统（CNS）的一种慢性炎症性疾病，被认为是遗传学与生活方式和环境因素的相互作用引起的复杂疾病。这项研究旨在确定通过使用机器学习模型有助于MS发展的遗传和环境风险因素之间的相互作用。这包括用于MS预测和随机森林，Rosetta和Logistic回归模型的逻辑回归模型，用于查找SNP与风险因素之间的相互作用。研究人群由1118个个体，5,615个，有MS和5,566个健康对照组成，并提供有关环境和生活方式暴露的遗传信息和问卷数据。遗传信息包括基因型数据，而问卷数据包括性别，20岁时BMI，吸烟习惯，暴露于阳光，单核细胞增多症状态和年龄。这项研究确定了可能与MS发展有关的潜在基因环境相互作用。这些相互作用的含义将需要在未来的研究中得到进一步验证。使用基于网络的方法确定了MS疾病模块，可用于进一步分析以鉴定涉及MS的中心基因。这项研究的结果可能会更好地了解疾病发育和发病机理，并有助于采取个性化干预措施，以最大程度地减少疾病发展的风险。
使用普适数据进行研究的伦理指南
1 普适数据这一术语旨在指通过在线服务收集的有关人员的数据（用户贡献、观察、获取或推断），无论这些数据在多大程度上是公开的、汇总的或可能导致识别个人。普适数据可能包括文本、图像、视频、生物特征信息、有关数据主体行为的信息（购买、财务状况、媒体消费、搜索历史、医疗状况、位置等）以及构成个人数字足迹的其他信息。在线服务可能包括整个技术堆栈/技术基础设施中的各种信息技术，包括但不限于基于 Web 的监控工具、内容交付网络、区块链技术、数字劳动力平台、教育技术、物联网设备、联网汽车、可穿戴设备、移动传感器、数据代理、流媒体服务、搜索引擎、在线市场、社交媒体平台和人工智能系统。 “普适数据”这一术语源自美国国家科学基金会资助奖编号 1144934 下开展的研究（https://www.nsf.gov/awardsearch/showAward?AWD_ID=1144934）。2 例如，请参阅 Michael Zimmer 的《解决大数据研究伦理中的概念差距：情境完整性的应用》，《社交媒体+社会》4，第 2 期（2018 年），https://doi.org/10.1177/2056305118768300；aline shakti franzke 等人的《互联网研究：道德准则 3.0》，互联网研究人员协会（2020 年），https://aoir.org/reports/ethics3.pdf。3 本征求意见稿中所述的道德和隐私准则侧重于数据从在线服务提供商流向在线服务提供商之外的独立研究人员，这些研究人员通常隶属于学术或非营利机构。 4 数据中介机构旨在描述一个独立的实体，其专门为促进研究人员和在线服务提供商之间根据商业或非商业协议进行数据访问和共享而运营，或评估
使用变分循环神经网络进行主动推理，为习惯智能体进行目标导向规划
摘要：至关重要的是要问，代理如何仅使用通过习惯性感觉运动经验获得的部分世界模型来生成行动计划，从而实现目标。尽管许多现有的机器人研究都使用了前向模型框架，但存在高自由度的泛化问题。当前的研究表明，采用生成模型的预测编码 (PC) 和主动推理 (AIF) 框架可以通过学习低维潜在状态空间中的先验分布来开发更好的泛化，该先验分布表示从习惯性感觉运动轨迹中提取的概率结构。在我们提出的模型中，学习是通过推断最佳潜在变量以及突触权重来最大化证据下限来进行的，而目标导向规划是通过推断潜在变量来最大化估计下限来完成的。我们提出的模型在模拟中使用简单和复杂的机器人任务进行了评估，通过为正则化系数设置中间值，证明了在有限的训练数据下学习中具有足够的泛化能力。此外，比较模拟结果表明，由于先验学习将运动计划的搜索限制在习惯轨迹范围内，因此所提出的模型在目标导向规划中优于传统的前向模型。