XiaoMi-AI文件搜索系统
World File Search Systemclassi
大脑结构年龄 - 一种用于多疾病分类的新生物标志物
年龄是描述正常衰老轨迹的预期大脑解剖状态的重要变量。偏离规范性衰老轨迹的偏差可能会提供一些对神经系统疾病的见解。在神经影像学中，预测的脑年龄广泛用于分析不同的疾病。但是，仅使用大脑年龄差距信息（即，年代年龄和估计年龄之间的差异可能对疾病分类问题的信息不足。在本文中，我们建议通过使用结构磁共振成像估算大脑结构年龄来扩展全球大脑年龄的概念。为此，首先使用深度学习模型的合奏来估计3D老化图（即，体素的年龄估计）。然后，使用3D分割掩码来获得最终的大脑结构年龄。此生物标志物可以在几种情况下使用。首先，它可以准确地估计大脑年龄，以便在人群水平上检测异常。在这种情况下，我们的方法的表现优于几种最新方法。第二，可以使用大脑结构年龄来计算与每个大脑结构的正常老化过程的偏差。此功能可用于多疾病分类任务中，以在受试者级别进行准确的分歧诊断。最后，可以看到个体的大脑结构年龄偏差，从而提供了一些有关脑异常的见解，并在实际医学环境下帮助临床医生。
使用深度学习来自动检测和分类Willis圈子
大多数颅内动脉瘤（ICA）出现在脑血管树的特定部分上，名为Willis圈（Cow）。尤其是，它们主要出现在构成这种圆形结构的主要动脉分叉上的十个。因此，对于有效而及时的诊断，开发一些能够准确识别每个感兴趣分叉（BOI）的方法至关重要。的确，自动提取出现ICA风险较高的分叉将使神经放射学家快速浏览最令人震惊的地区。由于最近在人工智能上的效果，深度学习是许多模式识别任务的最佳性能技术。此外，各种方法是专门为医学图像分析目的而设计的。这项研究旨在帮助神经放射科医生迅速找到任何出现ICA发生风险的分叉。它可以看作是一种计算机辅助诊断方案，在该方案中，人工智能有助于访问MRI内感兴趣的区域。在这项工作中，我们提出了一种完全自动检测和识别构成威利斯圈子的分叉的方法。已经测试了几个神经网络架构，我们彻底评估了分叉识别率。
基于工业反馈
数字双胞胎范式是一项非常有前途的技术，可以应用于各种领域和应用程序。但是，它缺少用于分类和定义用例的统一框架。本文的目标是解决确定的差距。使用现场研究和自下而上的方法，它旨在对工业数字双胞胎的各种用途进行分类，以帮助正式化概念并合理地通过一系列工业领域的采用。该研究是基于采用基本理论原理从各种垂直领域收集用例的迭代过程。提取，合成，分组和抽象的使用情况方案，以开发可操作的用例分类框架。本文介绍了由此产生的分类法，并通过详细说明实际工业用例（包括其价值主张和应用领域）来说明它。对用例的收集，分类和分析导致对数字双胞胎学术和工业定义中提出的共同方面进行了研究。的目标是将这些方面结合在一起，成为务实而统一的定义，未来工业联盟（AIF）委员会汇聚在一起。这项工作的主要贡献包括从共同的工业和学术角度提出提议，（i）第一个独立于领域的数字双胞胎用例的系统收集，（ii）分析和分类数字双胞胎用例及其需求的综合框架，以及（iii）对工业数字化的共识，以贡献这种结构性的构图和标准化，以实现这种结构化和标准化。
Synteruptor：非经典专用代谢物基因簇的采矿基因组岛
*应向谁解决。电话：+33 1 69 82 62 48;电子邮件：sylvie.lautru@i2bc.paris-saclay.fr也可以发送给Olivier Lespinet。电话：+33 1 69 82 62 21;电子邮件：olivier.lespinet@i2bc.paris-saclay.fr†前两位作者应被视为联合第一作者。当前的地址：Drago Haas，Biose Industrie，Aurillac 15000，法国。Matthieu Barba，欧洲生物信息学研究所，欣克斯顿CB10 1SD，英国。CláudiaM。Vicente，Genphyse，Toulouse Univer，Inrae，Envt，Castanet-Tolosan，法国。 AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。 Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。 Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。CláudiaM。Vicente，Genphyse，Toulouse Univer，Inrae，Envt，Castanet-Tolosan，法国。AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。 Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。 Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。
在分类结直肠癌或肺癌患者死亡的多伴病因
患者多酸性生存结果的分类对于个性化的癌症治疗很重要。机器学习（ML）算法越来越多地用于为医疗保健的决策提供信息，但是这些模型容易受到数据收集和创建算法的偏见。ML模型以前已显示出表现出种族偏见，但他们对不同年龄和性别群体的患者的公平性尚未研究。因此，当对结直肠癌患者（n = 515）分类时，使用TCGA数据进行分类时，我们比较了5个ML模型（随机森林，多项式逻辑回归，线性支持矢量分类器，线性判别分析和多层感知）的多项性表现。所有五个模型均对这些社会人口统计学群体表现出偏见。然后，我们在肺腺癌（n = 589）上重复了相同的过程，以验证我们的发现。令人惊讶的是，对于最大的社会人口统计学组，大多数模型的总体趋势往往较差。优化模型性能的方法，包括在合并年龄，性别或种族群体上测试模型，以及创建经过培训并用于个人或合并的社会人口统计学群体的模型，显示出减少不同群体模型绩效差异的潜力。值得注意的是，这些方法可用于提高ML公平性，同时避免对表现出偏见的模型进行惩罚，从而牺牲整体性能。
AutoNeuriteJ：用于测量和分类神经延伸的 ImageJ 插件
形态测量表征是描述神经元培养和识别表型差异的重要程序。这项任务通常需要劳动密集型的测量和对大量培养神经元中的众多神经突进行分类。为了自动执行这些测量，我们编写了 AutoNeuriteJ，这是一个 imageJ/Fiji 插件，可以测量和分类大量神经元中的神经突。我们表明，Auto-NeuriteJ 能够检测由已知会影响神经元生长的几种化合物引起的神经突生长变化。在这些实验中，在几个小时内获得了每种条件下超过 5000 个小鼠神经元的测量结果。此外，通过分析缺乏微管相关蛋白 6 (MAP6) 的小鼠神经元和野生型神经元，我们说明 AutoNeuriteJ 能够检测轴突长度的细微表型差异。总体而言，使用 AutoNeuriteJ 将提供快速、无偏和准确的神经元形态测量。
现代机器学习算法根据脑电信号对认知和情感状态进行分类
从脑信号中估计认知或情感状态是创建被动脑机接口 (BCI) 应用程序的关键但具有挑战性的一步。到目前为止，从 EEG 信号中估计心理工作量或情绪仅在中等分类准确度下可行，因此导致不可靠的神经自适应应用。然而，最近的机器学习算法，特别是基于黎曼几何的分类器 (RGC) 和卷积神经网络 (CNN)，已显示出对其他 BCI 系统（例如运动想象-BCI）的前景。然而，它们尚未在认知或情感状态分类方面进行正式研究和比较。因此，本文探讨了此类机器学习算法，提出了它们的新变体，并与经典方法对它们进行了基准测试，以从 EEG 信号中估计心理工作量和情感状态（效价/唤醒）。我们研究了这些方法，同时进行了受试者特定和受试者独立的校准，以走向无校准系统。我们的结果表明，在心理负荷研究的两种条件下，CNN 的平均准确率最高，尽管差异并不显著，其次是 RGC。然而，对于情绪数据集（一个训练数据较少的数据集），同一个 CNN 在两种条件下的表现都不佳。相反，事实证明，使用我们在本文中介绍的滤波器组切线空间分类器 (FBTSC)，RGC 具有最高的平均准确率。因此，我们的结果有助于提高从 EEG 进行认知和情感状态分类的可靠性。它们还提供了有关何时使用哪种机器学习算法的指导。
可视化方法评估医学图像分类神经网络的鲁棒性
深度学习方法已显示出在医学图像分析 [1] 中的高性能潜力，尤其是计算机辅助诊断的分类。然而，解释它们的决策并非易事，这可能有助于获得更好的结果并了解它们的可信度。已经开发了许多方法来解释分类器的决策 [2]–[7]，但它们的输出并不总是有意义的，而且仍然难以解释。在本文中，我们将 [8] 的方法改编为 3D 医学图像，以找出网络对定量数据进行分类的基础。事实上，定量数据可以从不同的医学成像模式中获得，例如用正电子发射断层扫描 (PET) 获得的结合电位图或从结构磁共振成像 (MRI) 中提取的灰质 (GM) 概率图。我们的应用重点是检测阿尔茨海默病 (AD)，这是一种诱导 GM 萎缩的神经退行性综合征。我们使用从 T1 加权 (T1w) MRI 中提取的 GM 概率图（萎缩的代理）作为输入。该过程包括两个不同的部分：首先训练卷积神经网络 (CNN) 以将 AD 与对照对象进行分类，然后固定网络的权重并训练掩码以防止网络正确分类训练后已正确分类的所有对象。这项工作的目标是评估最初为自然图像开发的可视化方法是否适用于 3D 医学图像，并利用它来更好地理解分类网络所做的决策。这项工作是原创作品，尚未在其他地方提交。
家族的重新分类A DNA聚合酶揭示了新型的功能亚家族和独特的结构特征
家族A DNA聚合酶（Polas）形成了参与DNA复制和修复的现有聚合酶的重要且研究的一类。否则，尽管在独立的，专门的作品中表征了多个子家族，但到目前为止，他们的综合性分类却缺少。因此，我们重新审查了所有目前可用的pola semence，将它们的成对相似性转化为欧几里得空间中的位置，将它们分为19个主要簇。中有11个对应于已知的亚家族，但以前没有八个特征。对于每个组，我们都会汇编它们的一般特征，检查其系统发育关系，并在基本序列基序中进行保护分析。大多数亚家族与生命的特定领域有关（包括噬菌体），但一个亚科出现在细菌，古细菌和真核生物中。我们还表明，两个新的小家族含有功能性酶。我们使用alphafold2来生成缺乏实验降低结构的所有群集的高牢固预测模型。我们确定了涉及结构变化，有序的插入和明显的尿嘧啶-DNA糖基酶（UDG）结构域的明显结构掺入的新的保守效果。最后，T7样噬菌体子集的网络和结构分析表明，将3'–5'EXO和POL结构域分裂为两个单独的基因，第一次在Polas中观察到。
