XiaoMi-AI文件搜索系统
World File Search Systemcantly
我们niriotic流体衍生的细胞外囊泡显着改善了人类
关键字：细胞外囊泡，神经再生，细胞间交流，PC12细胞引入神经系统疾病具有挑战性治疗，因为中枢神经系统（CNS）的再生潜力差。在过去的几十年中，细胞疗法已成为再生医学的前线。但是，临床试验的糟糕证据要求科学家的极端重点来制定适当的方案和方法[1]。例如，神经营养因子的表达可以通过基因治疗作为一种补充方法增强治疗作用，但不幸的是，可能会导致与遗传变化相关的可能风险。干细胞旁分泌作用的证据是组织再生的突破[2]。在2005年，Gnecchi等人。表明，间充质干细胞（MSC）培养基通过缺氧下心脏细胞的AKT1过表达表明细胞保护作用，以及心肌梗塞大小的减小，并增强了体外和体外和体内的心室功能， *相应的作者 *相应的作者。电子邮件：saeidifar@merc.ac.ir
AI 可显著降低剂量并提高图像质量1
临床任务、患者体型和解剖位置。应咨询放射科医生和物理学家，以确定获得特定临床任务诊断图像质量的适当剂量。使用参考身体协议在“更平滑”设置下使用 1.0 毫米切片进行剂量减少评估，并在 MITA CT IQ Phantom（CCT189，Phantom 实验室）上进行测试，评估 10 毫米针脚并与滤波投影进行比较。使用通道化酒店观察工具可以看到 4 个针脚的范围，包括降低 85% 的图像噪声和在剂量减少 50% 至 80% 时从 0% 到 60% 的低对比度可检测性得到改善。NPS 曲线偏移用于评估图像外观，在中心 50mm x 50 mm 感兴趣区域的 20 cm 水模体上测量，平均偏移量为 6% 或更低。文件中的数据。2.Žabic S、Wang E、Morton T、Brown KM。带有能量积分探测器的 CT 系统的低剂量模拟工具。
微重力显著影响神经干细胞的大小和数量：对长期太空任务的影响
有两种方法可用于研究微重力对细胞的影响——使用地球上的模拟微重力 (sim-µG) 或将细胞送入太空 (SPC-µG)。我们最近报告称，人类神经干细胞 (NSC) 在太空中的增殖速度比地球上的地面控制 (GC) NSC 高出七倍。在这里，我们使用延时显微镜确定在 sim-µG 和 SPC-µG 中都有两个细胞亚群，它们以体细胞直径的差异来区分。在 SPC 飞行的 NSC 与 GC 的情况下，直径超过 10 µm 的“大”细胞（归类为大）的比例明显更高，占测量总群体的 81%，而 GC 细胞中“大”NSC 的比例要小得多，为 49.2%。暴露于 sim-µG 后，细胞直径小于 10 µm 的“小” NSC 百分比为 45%，而直径较大的 NSC 数量增加到 55%。相对于在 1G 中维持的对照 NSC，大多数 (72%) 这些细胞是“小”的，而 28% 的 NSC 大于 10 µm。因此，目前的研究表明，SPC-µG 暴露产生的“大” NSC 比例不仅比 GC 细胞大，而且比 sim-µG 处理的细胞大。将 SPC-NSCs 分泌组添加到幼稚 NSC 中会增加增殖和细胞大小。30 小时后，细胞出现不健康形态的迹象，揭示了 SPC_NSC 分泌组的有害影响。
培训数据分布通过机器学习
目的：监督机器学习（ML）为定量MRI中的参数映射提供了一种令人信服的替代方法。这项工作的目的是证明和量化不同训练数据分布对超级访问的ML用于拟合时的准确性和精度的影响。方法：我们使用传统的模型拟合和监督ML拟合了两个和三校区的生物物理模型以及模拟的扩散数据的扩散测量。对于监督的ML，我们培训了几个人工神经网络以及随机的森林回归器，以不同的地面真相参数分布。我们比较了使用合成测试数据从不同估计中获得的参数估计值的准确性和精度。结果：当训练集中参数组合的分布与在健康人类数据集中观察到的参数组合匹配时，我们观察到高精度，但对非典型参数组合的估计值不准确。相反，当从整个合理参数空间中统一采样训练数据时，对于非典型参数组合，估计值往往更准确，但对于典型的参数组合可能具有较低的精度。结论：这项工作强调，使用监督ML对模型参数的估计在很大程度上取决于训练集分布。我们表明，使用ML获得的高精度可能会掩盖强偏置，并且参数图的视觉评估不足以评估估计值的质量。
人工智能可显著降低剂量并提高图像质量
AI 系统可以使用符号规则或学习数字模型，它们还可以通过分析环境如何受到其先前行为的影响来调整其行为。作为一门科学学科，AI 包括多种方法和技术，例如机器学习（其中深度学习和强化学习是具体示例）、机器推理（包括规划、调度、知识表示和推理、搜索和优化）和机器人技术（包括控制、感知、传感器和执行器，以及将所有其他技术集成到网络物理系统中）。
俄罗斯的人工智能战略：国有企业的作用 2020 年 11 月 作者：Stephanie Petrella、Chris Miller 和 Benjamin Cooper 摘要：2017 年，俄罗斯总统弗拉基米尔·普京宣布，无论哪个国家成为人工智能 (AI) 的领导者，“都将成为世界的统治者”。然而，俄罗斯在人工智能能力方面远远落后于中国和美国等竞争对手。俄罗斯促进人工智能技术发展的战略是什么？俄罗斯精英群体在制定这一战略方面扮演什么角色？俄罗斯的人工智能发展战略的独特之处在于，它不是由政府或私营部门主导，而是由国有企业主导。政府对俄罗斯最大的科技公司 Yandex 的不信任，使该公司被排除在国家人工智能规划之外。与此同时，俄罗斯国防集团 Rostec 公开表示，它更关注其他高科技优先事项，而不是人工智能。因此，俄罗斯的人工智能开发被交给了国有银行 Sberbank，该银行牵头制定了政府支持的人工智能投资计划。俄罗斯联邦总统弗拉基米尔·普京在 2017 年宣称，无论哪个国家成为人工智能 (AI) 的领导者，“都将成为世界的统治者”。1 对于普京来说，人工智能带来的广泛能力为增强国家在国际舞台上的实力提供了可能性。人工智能可用于提高军事能力、推进科学和医学发展以及提高工业效率。普京宣称，俄罗斯军方正试图利用人工智能，用“现代武器系统，包括基于数字技术和人工智能的武器系统”取代旧式武器系统。2 尽管官员们大肆宣扬人工智能的好处，但俄罗斯在人工智能能力方面的许多指标都远远落后于其他国家。从 1996 年到 2017 年，俄罗斯的人工智能能力远远落后于其他国家。
俄罗斯的人工智能战略：国有企业的作用 2020 年 11 月 作者：Stephanie Petrella、Chris Miller 和 Benjamin Cooper 摘要：2017 年，俄罗斯总统弗拉基米尔·普京宣布，无论哪个国家成为人工智能 (AI) 的领导者，“都将成为世界的统治者”。然而，俄罗斯在人工智能能力方面远远落后于中国和美国等竞争对手。俄罗斯促进人工智能技术发展的战略是什么？俄罗斯精英群体在制定这一战略方面扮演什么角色？俄罗斯的人工智能发展战略的独特之处在于，它不是由政府或私营部门主导，而是由国有企业主导。政府对俄罗斯最大的科技公司 Yandex 的不信任，使该公司被排除在国家人工智能规划之外。与此同时，俄罗斯国防集团 Rostec 公开表示，它更关注其他高科技优先事项，而不是人工智能。因此，俄罗斯的人工智能开发被交给了国有银行 Sberbank，该银行牵头制定了政府支持的人工智能投资计划。俄罗斯联邦总统弗拉基米尔·普京在 2017 年宣称，无论哪个国家成为人工智能 (AI) 的领导者，“都将成为世界的统治者”。1 对于普京来说，人工智能带来的广泛能力为增强国家在国际舞台上的实力提供了可能性。人工智能可用于提高军事能力、推进科学和医学发展以及提高工业效率。普京宣称，俄罗斯军方正试图利用人工智能，用“现代武器系统，包括基于数字技术和人工智能的武器系统”取代旧式武器系统。2 尽管官员们大肆宣扬人工智能的好处，但俄罗斯在人工智能能力方面的许多指标都远远落后于其他国家。从 1996 年到 2017 年，俄罗斯的人工智能能力远远落后于其他国家。
新型人工智能驱动软件显著缩短
7 Borgli H、Thambawita V、Smedsrud PH 等人。 HyperKvasir，一套用于胃肠内窥镜检查的综合多类图像和视频数据集。科学数据2020； 7:16。 doi:10.1038/s41597-020-00622-y
人工智能辅助显着提高病理学家对前列腺活检的格里森分级
摘要 Gleason 评分是前列腺癌患者最重要的预后指标，但其存在显著的观察者差异。基于深度学习的人工智能 (AI) 系统可以在 Gleason 分级中达到病理学家级别的表现。但是，如果存在伪影、异物组织或其他异常，此类系统的性能可能会下降。病理学家将他们的专业知识与 AI 系统的反馈相结合，可以产生协同效应，其表现优于个体病理学家和系统。尽管 AI 辅助被大肆宣传，但病理学领域关于这一主题的现有文献有限。我们研究了 AI 辅助对前列腺活检分级的价值。一个由 14 名观察员组成的小组在使用和不使用 AI 辅助的情况下对 160 次活检进行了分级。使用 AI，小组与专家参考标准的一致性显著提高（二次加权 Cohen 's kappa，0.799 vs. 0.872；p = 0.019）。在 87 个病例的外部验证集中，小组与前列腺病理学国际专家小组的一致性显著提高（二次加权 Cohen 's kappa，0.733 vs. 0.786；p = 0.003）。在两个实验中，从群体层面来看，AI 辅助病理学家的表现都优于无辅助病理学家和独立的 AI 系统。我们的结果表明 AI 系统具有 Gleason 分级的潜力，但更重要的是，结果表明了病理学家与 AI 协同作用的好处。
DeNOx AI 显著降低了该行业对生态的影响。
迈向全面自动化的下一步是开发机器学习，使其能够为更具挑战性的控制任务提供建议。为此，该技术对当前和未来 NOx 浓度的预测必须与过程控制系统相结合。成功集成到现有系统中需要对特定单元的流程和操作有专业知识。有了足够的历史数据，人工智能可以控制和稳定工厂的运行，准确推荐成功的行动，并考虑薄弱因素和隐藏的依赖关系。这些能力意味着该技术甚至可以用于复杂、不太为人所知的过程，或者物理模型难以创建和维护的情况。