XiaoMi-AI文件搜索系统
World File Search SystemValid
对比造影剂增强了回顾性NSCLC队列模型中的CT放射基因组学，尝试验证已发布模型以及临床环境的相关性
来自多伦多大学多伦多大学玛格丽特公主医院医学成像联合部，加拿大M5G 2C1（又名R.H.，R.K.，R.K.，S.M.，C.O.，C.O.，U.M.，P.V.-H。）;苏黎世苏黎世大学苏黎世大学苏黎世大学诊断与介入放射学研究所，瑞士（R.H.）；多伦多大学多伦多大学玛格丽特癌症中心生物统计学系，加拿大M5G 2C1（L.A.）；加拿大安大略省多伦多的安大略省癌症研究所/公主玛格丽特癌症中心大学卫生网络（M.T.，Q.L.）;加拿大多伦多大学大学卫生网络辐射肿瘤学系（A.H.）。收到2023年12月11日；修订于2024年1月18日； 2024年1月23日接受。地址为：K.A。电子邮件：andres.kohan@uhn.ca电子邮件：andres.kohan@uhn.ca
在大型开源数据集上验证BCI性能的神经生理预测指标
大脑计算机界面（BCI）是处理大脑活动以从中解码特定命令的系统，例如在用户Image-Im-Ine运动时生成的运动成像模式。尽管对BCI的兴趣日益增加，但由于用户内部和内部的可变性，它们引起了重大挑战，尤其是在解码不同的神经模式方面。文献表明，各种预测因子与受试者的BCI绩效相关。在这些指标中，神经生理学的预测符似乎是最有效的，尽管研究通常涉及小样本，结果并未被复制，从而质疑其可靠性。在我们的研究中，我们使用了一个带有85位受试者的大型数据集来分析文献和BCI性能中确定的不同预测因子之间的关系。我们的发现表明，在此数据集中可以替换了测试的六个预测因子中的四个。这些结果强调了验证文献发现的必要性，以确保此类预测因子的可靠性和适用性。
验证和可重现性心血管预防的短食频率问卷
françoisPaillard，OphélieFlageul，GuillaumeMahé，Bruno Laviolle，Caroline Dourmap和Al ..用于预防心血管的短频率调查表的有效和可重复性。心血管疾病的档案，2021，114（8-9），pp.570-576。10.1016/j.acvd.2020.12.008。hal-03222665
下一个样本跟踪的遗传性别验证...
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
工具包用于自主代理人的社会，法律，道德，善解人意，善解人意和文化要求的规范，验证和验证
但是，对于启发，规范，验证和验证，有最小的工具支持。这是一项具有挑战性的任务，因为需要参与此过程的专家（伦理学家，律师，监管机构，最终用户等）的非技术和各种背景。我们的软件Sleec-TK是一种用户友好的工具包，采用正式方法，允许利益相关者在验证和验证Sleec要求的验证和验证中了解和解决问题。Sleec-TK是一种公开可用的工具包，可由非技术专家使用，可在[1-3]中支持该过程和技术。由Sleec-TK机械化的Sleec框架包括规则启发过程[1]以及规范，验证和验证技术[2]。[3]中的技术报告介绍了我们的理论基础和过程，以实现Sleec要求的规范，一致性验证和验证。它讨论了Sleec-TK软件中使用的领域特定语言（DSL）和该语言的正式语义，并采用了定时版本的CSP（交流顺序过程）[4]。[2]中描述了我们工具的初始版本，该版本仅支持Sleec语言建模，一致性和冗余验证。我们在这里描述的版本实现了语义的更新版本，该版本提供了增加的可伸缩性，并已得到了广泛的验证。此外，它通过对SLUEC规则的系统模型的一致性验证得到了增强（即，图中所示的Sleec一致性插件1是我们软件中的新组件）。此外，对于Sleec-TK，我们用7个Sleec规范文件验证了规则和语言，与利益相关者一起涵盖了199个规则。从规范思想的角度[5，6]的角度，在开发自主系统方面有重要的工作，包括基于用户的道德选择的透明度[7]，解释性和数据驱动的个性化工具[8]。我们Sleec语言的工作还考虑了启发和调试的替代方法[9]。sleec-tk与规范的操作[1] [10]有关，支持自动化过程，以验证和验证捕获这些规范的规则，通过其在𝑡𝑜𝑐𝑘-CSP中描述的语义机械化（定时过程代数[4，11]）。sleec-tk被用作Eclipse环境的一组插件，但包括用于Sleec规则验证的独立版本。存储库中的readme.md文件提供了用于下载，安装和使用软件的说明，并提供示例。规则的定义是通过图形界面提供有关任何句法或打字问题的指导的图形界面。在后台，生成𝑡𝑜𝑐𝑘-CSP脚本以支持冲突和冗余的检查。通过在后台使用CSP型号Checker FDR4 [12]，以按下按钮进行。验证是通过与Robotool 1 [13]集成而进行的，这是一种使用域特异性符号Robochart建模和验证移动和自治机器人的工具。SLEEC规则可以作为Robochart模型的文档定义属性的一部分，用于自动验证和报告。
通过精度概况验证定量分析方法
简介Max Feinberg是我手中的这个特殊问题的INRA技术的人，可能会出现两个问题： - 为什么我要验证我使用的分析方法？- 如果我决定，我应该如何处理？回答问题：为什么要验证？始终通过使一系列措施或多或少地组织起来，以证明它们适合其目标来“有效”他们的方法。当然，那些经过认可的实验室的人知道，这是不够的，并且必须根据更严格的实验程序进行验证，在该程序中我们只是说话，可重复性等。验证已成为证明这些认可实验室能力的主要因素。
174 个 SARS-CoV-2 表位的预测与验证
最近爆发的 SARS-CoV-2 (2019-nCoV) 病毒凸显了快速有效疫苗开发的必要性。刺激导致保护的适当免疫反应高度依赖于通过 HLA 复合物向循环 T 细胞呈递表位。SARS-CoV-2 是一种大型 RNA 病毒，体外测试所有重叠肽以反卷积免疫反应是不可行的。因此，通常使用 HLA 结合预测工具来缩小要测试的肽的数量。我们测试了 19 种表位-HLA 结合预测工具，并使用体外肽 MHC 稳定性测定法，我们评估了 777 种预测为 11 种 MHC 同种异型良好结合剂的肽。在这项对潜在 SARS-CoV-2 表位的研究中，我们发现当前的预测工具在评估结合稳定性时的性能各不相同，并且它们高度依赖于所讨论的 MHC 同种异型。因此，设计一种仅包含少数表位靶标的 COVID-19 疫苗是一项非常具有挑战性的任务。在这里，我们展示了 174 个具有高预测结合分数的 SARS-CoV-2 表位，这些表位经验证可与 11 种 HLA 同种型稳定结合。我们的研究结果可能有助于设计一种有效的 COVID-19 疫苗。
174 个 SARS-CoV-2 表位的预测与验证
最近爆发的 SARS-CoV-2 (2019-nCoV) 病毒凸显了快速有效疫苗开发的必要性。刺激导致保护的适当免疫反应高度依赖于通过 HLA 复合物向循环 T 细胞呈递表位。SARS-CoV-2 是一种大型 RNA 病毒，体外测试所有重叠肽以反卷积免疫反应是不可行的。因此，通常使用 HLA 结合预测工具来缩小要测试的肽的数量。我们测试了 15 种表位-HLA 结合预测工具，并使用体外肽 MHC 稳定性测定法，我们评估了 777 种预测为 11 种 MHC 同种异型良好结合剂的肽。在这项对潜在 SARS-CoV-2 表位的研究中，我们发现当前的预测工具在评估结合稳定性时的性能各不相同，并且它们高度依赖于所讨论的 MHC 同种异型。因此，设计一种仅包含少数表位靶标的 COVID-19 疫苗是一项非常具有挑战性的任务。在这里，我们展示了 174 个具有高预测结合分数的 SARS-CoV-2 表位，这些表位经验证可与 11 种 HLA 同种型稳定结合。我们的研究结果可能有助于设计一种有效的 COVID-19 疫苗。
HPV 阴性头颈癌放化疗反应的生物学决定因素：多中心外部验证 Heijden, Martijn van d
1 荷兰阿姆斯特丹荷兰癌症研究所细胞生物学部，2 荷兰阿姆斯特丹荷兰癌症研究所头颈肿瘤学和外科系，3 荷兰阿姆斯特丹荷兰癌症研究所放射肿瘤学系，4 阿姆斯特丹 UMC、阿姆斯特丹自由大学、阿姆斯特丹癌症中心耳鼻喉科/头颈外科，5 荷兰马斯特里赫特大学医学中心 GROW—肿瘤学和发育生物学学院放射肿瘤学系 (MAASTRO)，6 荷兰马斯特里赫特大学肿瘤学和发育生物学学院 GROW—精准医学系 D-Lab 和 M-Lab，7 荷兰奈梅亨拉德堡德大学医学中心放射肿瘤学系，8 荷兰阿姆斯特丹 UMC、学术医学中心口腔颌面外科系
通过现实世界的数据和健康的社会决定因素来识别青少年抑郁症和焦虑：机器学习模型开发和验证
背景：青春期心理健康状况（例如抑郁症和焦虑）的患病率显着增加。尽管有机器学习的潜力（ML），但缺乏使用现实世界数据（RWD）来增强这些条件的早期检测和干预的模型。目的：本研究旨在使用RWD和社会卫生社会决定因素（SDOH）识别青少年的抑郁和焦虑。方法：我们分析了10-17岁的青少年的RWD，考虑到各种因素，例如人口统计学，事先诊断，处方药，医疗程序和实验室测量，在焦虑或抑郁症开始之前记录。临床数据与SDOH在区块级别上相关。开发了三个单独的模型，以预测焦虑，抑郁和两种状况。我们的ML选择模型是极端的梯度提升（XGBOOST），我们使用嵌套的交叉验证技术评估了其性能。要解释模型预测，我们使用了Shapley添加说明方法。结果：我们的队列包括52,054名青少年，识别12,572名患有焦虑症，7812的抑郁症和14,019个疾病。焦虑的曲线值为0.80，抑郁症为0.81，两者合并为0.78。不包括SDOH数据对模型性能的影响最小。Shapley添加性解释分析确定性别，种族，教育程度和各种医学因素是焦虑和抑郁的关键预测指标。结论：本研究强调了ML在使用RWD的青少年早期识别抑郁和焦虑症中的潜力。通过利用RWD，医疗保健提供者可能会更精确地确定高风险的青少年，并更早进行干预，并有可能改善心理健康成果。