XiaoMi-AI文件搜索系统
World File Search Systemdata
利用非脑和多模态脑成像数据预测健康和病理衰老过程中未来的认知能力下降
a 瑞士苏黎世大学心理学系可塑性研究方法 b 瑞士苏黎世大学和苏黎世联邦理工学院苏黎世神经科学中心 (ZNZ) c 瑞士苏黎世大学大学研究优先计划“健康老龄化动力学” d 法国帕莱索巴黎萨克雷大学、Inria、CEA e 德国莱比锡马克斯普朗克人类认知和脑科学研究所神经病学系 f 加拿大魁北克省蒙特利尔蒙特利尔大学老年医学研究所功能神经影像科 g 美国德克萨斯州奥斯汀德克萨斯大学戴尔医学院计算神经影像实验室 h 美国密歇根州底特律韦恩州立大学老年学研究所和心理学系 i 加拿大蒙特利尔康考迪亚大学心理学系 j 大脑与运动研究所认知神经解剖学实验室épinière，法国巴黎 k 德克萨斯大学心理学系，美国德克萨斯州奥斯汀
利用大数据了解心理健康的因果关系：一个研究框架
在过去的 30 年中，我们开展了大量大规模的纵向精神病学研究，以增进我们对精神疾病的理解和治疗。然而，尽管研究界付出了巨大的努力和大量资金，我们仍然缺乏对大多数精神疾病的因果理解。因此，大多数精神病学诊断和治疗仍然在症状体验的层面上进行，而不是衡量或解决根本原因。这导致了一种反复试验的方法，这种方法与潜在的因果关系不相符，临床结果也不佳。在这里，我们讨论了如何将源于因果因素探索而不是症状分组的研究框架应用于大规模多维数据，以帮助解决心理健康研究面临的一些当前挑战，进而解决临床结果。首先，我们描述了寻找心理健康状况因果驱动因素所面临的一些挑战和复杂性，重点关注目前评估和诊断精神疾病的方法、症状和原因之间的多对多映射、对异质症状组的生物标记的搜索以及影响我们心理的多个动态相互作用变量。其次，我们提出了一个以因果为导向的框架，该框架基于两个大型数据集，这两个数据集来自青少年大脑认知发展 (ABCD) 研究，这是美国最大的大脑发育和儿童健康长期研究，以及全球心智项目，这是世界上最大的心理健康档案数据库以及来自全球 140 万人的生活背景信息。最后，我们描述了如何对此类数据集使用聚类和因果推理等分析和机器学习方法，以帮助阐明对心理健康状况的更因果理解，从而能够采取诊断方法和预防解决方案，从根本上解决心理健康挑战。
摘要 研究：AI 社会认知评估与建模。评估 LLM 中的心智理论及其在心理学中的应用 NLP：LLM IFT、表征学习（对比和三重态损失）、语义聚类、总结 DL：Transformers、MoE、EncDec、RNNs、DPO、LoRA 工具：Python、Pytorch、Deepspeed、AWS Sagemaker、hydra、SQL 管理：建立 ML 团队、职能、策略和 OKR、招募和指导科学家和实习生以及建立数据和注释伙伴关系。
摘要 研究：AI 社会认知评估与建模。评估 LLM 中的心智理论及其在心理学中的应用 NLP：LLM IFT、表征学习（对比和三重态损失）、语义聚类、总结 DL：Transformers、MoE、EncDec、RNNs、DPO、LoRA 工具：Python、Pytorch、Deepspeed、AWS Sagemaker、hydra、SQL 管理：建立 ML 团队、职能、策略和 OKR、招聘和指导科学家和实习生以及建立数据和注释合作伙伴关系。
人工智能驱动的开放科学的开放数据和算法......
近年来，深度学习和基于人工智能的分子信息学发展迅猛。AlphaFold 的成功引发了人们对将深度学习应用于多个子领域的兴趣，包括合成化学的数字化转型、从科学文献中提取化学信息以及基于天然产物的药物发现中的人工智能。人工智能在分子信息学中的应用仍然受到这样一个事实的限制：用于训练和测试深度学习模型的大多数数据都不是 FAIR 和开放数据。随着开放科学实践越来越受欢迎，FAIR 数据运动、开放数据和开源软件等举措应运而生。对于分子信息学领域的研究人员来说，拥抱开放科学并提交支持其研究的数据和软件变得越来越重要。随着开源深度学习框架和云计算平台的出现，学术研究人员现在能够轻松部署和测试自己的深度学习算法。随着深度学习的新硬件和更快硬件的发展，以及数字研究数据管理基础设施的不断增加，以及促进开放数据、开源和开放科学的文化，人工智能驱动的分子信息学将继续发展。本综述探讨了分子信息学中开放数据和开放算法的现状，以及未来可以改进的方法。
K211951 - 罗杰·格雷 - accessdata.fda.gov
贸易/设备名称：GI Genius 法规编号：21 CFR 876.1520 法规名称：胃肠道病变软件检测系统 监管类别：II 类 产品代码：QNP 日期：2021 年 6 月 18 日 收到日期：2021 年 6 月 23 日 亲爱的 Roger Gray： 我们已审查了您根据第 510(k) 条提交的上市前通知，该通知表明您有意销售上述设备，并已确定该设备与在 1976 年 5 月 28 日（医疗器械修正案颁布日期）之前在州际贸易中合法销售的同类设备基本等同（就附件中注明的用途而言），或与根据《联邦食品、药品和化妆品法案》（法案）的规定重新分类的设备基本等同，这些设备不需要获得上市前批准申请（PMA）的批准。因此，您可以销售该设备，但须遵守该法案的一般控制规定。虽然本函将您的产品称为设备，但请注意，一些已获准的产品可能是组合产品。位于 https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/pmn.cfm 的 510(k) 上市前通知数据库可识别组合产品提交。该法案的一般控制条款包括年度注册、设备列表、良好生产规范、标签以及禁止贴错标签和掺假的要求。请注意：CDRH 不会评估与合同责任担保相关的信息。但我们提醒您，设备标签必须真实且不得误导。如果您的设备被归类（见上文）为 II 类（特殊控制）或 III 类（PMA），则可能会受到其他控制。影响您设备的现有主要法规可在《联邦法规》第 21 篇第 800 至 898 部分中找到。此外，FDA 可能会在《联邦公报》上发布有关您设备的进一步公告。
Sep 2 62008 -AccessData.fda.gov
我们已经审查了您的第510（k）节上述设备的意图上的第510（k）节，并确定该设备在1976年5月28日，在跨国商业的法律销售的谓语中，在1976年5月28日，与医疗设备的纳入日期相关的是，该设备在法律上销售的谓词在法律上销售的谓词，该设备在法律上销售的谓词是相等的，该谓语是在医疗设备上或已纳入了医疗设备的范围。不需要批准前市场批准申请（PMA）的化妆品法案（法案）。因此，您可能会销售该设备，但要遵守该法案的一般控制条款。该法案的一般控制条款包括年度注册，设备上市，良好的制造实践，标签和禁止品牌和掺假的禁令。
视频 + AI 解决方案可自动捕获外周水肿数据，无需患者遵守
简介：慢性心力衰竭导致许多患者住院，尤其是那些年老且不遵守治疗 1 的患者。这种住院通常可以通过前几周体重增加 2 和外周水肿增加来预测。对于不遵守每日体重记录的患者，我们假设从零依从性全自动远程监控解决方案中收集可靠的数据以评估外周水肿将减少住院并改善护理。
结合模型和瑞士艾滋病队列数据的研究
1 巴塞尔大学医院医学与临床研究系传染病与医院流行病学科，瑞士巴塞尔 4031；2 巴塞尔大学医学院，瑞士巴塞尔 4031；3 Certara UK Limited，英国谢菲尔德；4 瑞士洛桑大学医院和洛桑大学实验室医学与病理学系临床药理学服务与实验室；5 巴塞尔大学巴塞尔州立大学，瑞士布鲁德霍尔茨；6 瑞士洛桑大学医院传染病服务中心；7 瑞士苏黎世大学医院传染病与医院流行病学系；8 瑞士伯尔尼大学医院传染病系； 9 瑞士卢加诺日内瓦大学及瑞士南部大学卢加诺州立医院传染病科；10 瑞士日内瓦大学日内瓦大学医院传染病科；11 圣加仑州立医院传染病和医院流行病学系
wifi 追踪技术数据控制者指南。......
• 生成随机 MAC 地址的程序不标准化，导致终端之间的行为不同。 • 终端连接到给定 AP 后，即使 MAC 地址是随机生成的，其在整个连接过程中也保持不变，因此允许将设备在整个连接过程中执行的操作关联起来，例如，将其绝对位置和相对位置与其他终端的位置关联起来。 • 据估计，目前有 5% 到 10% 的设备不使用随机 MAC 地址。 • 在许多情况下，即使移动设备使用不断变化的随机 MAC 地址，也有许多技术能够唯一地识别它们。这些是当前在 Wi-Fi 跟踪中使用的技术，基于探测请求帧中包含的（或从中推断出的）各种信息以及
公众对数据和人工智能的态度：跟踪调查
然而，这项研究也有局限性。虽然这项调查已经并将继续提供关于对数据和人工智能使用的态度的重要和新颖的见解，但调查结果应该放在背景中，并与其他研究一起考虑。人们对“数据”的态度并不单一：不同的群体对数据的理解和看法不同，并且取决于许多背景因素。重要的是，我们要针对特定用例开展深入的公众参与活动，并利用替代方法来补充调查研究——例如，进行审议焦点小组，用公众自己的话听取他们的意见，或进行行为实验，看看公众在实践中的行为。本报告中的数据是事实和中立的。我们不寻求提出建议或提供超出我们研究范围的解释，应该与该领域的其他研究一起进行解读。