XiaoMi-AI文件搜索系统
World File Search Systemetri
对中药在癌症免疫疗法中的作用的文献计量和可视化分析
结果：癌症免疫疗法研究中TCM的发表率从1994年到2018年稳步增长，从2018年到2023年迅速增长。中国和TCM大学在这一领域取得了最大的研究进步。研究最多的癌症类型是肝脏，肺和结直肠癌。然而，很少有关于上呼吸道肿瘤，宫颈癌和黑色素瘤的研究，这值得更多关注。研究趋势已逐渐从体内和体外模型转变为临床效率。同时，研究重点从化合物TCM制剂或成分类别转变为特定的药效成分，以及从细胞因子转变为免疫检查点的相应靶标。一般而言，分子对接与多摩学分析相结合是TCM中一种流行而流行的研究方法，用于癌症免疫疗法，帮助研究人员更全面，准确地了解TCM在癌症免疫疗法中的机制。通过分析文献，很明显，基于TCM的免疫疗法应在整个癌症过程中有助于有效的维持或辅助治疗，而不仅仅是在后期阶段。
子宫内膜癌中的 Hippo 通路
子宫内膜癌是女性生殖道最常见的恶性肿瘤之一，全球范围内的发病率和死亡率呈上升趋势。Hippo通路是人类八种传统癌症信号通路之一，是一个复杂的信号网络，可通过一系列细胞内和细胞外信号调节细胞增殖、分化和迁移，以及限制器官大小。抑制Hippo通路可导致其下游核心成分YAP/TAZ异常激活，从而增强癌细胞的新陈代谢并维持其干性。此外，Hippo通路可以调节肿瘤微环境并诱导耐药性，从而发生肿瘤发生和进展。然而，Hippo通路在子宫内膜癌中的研究很少。本文旨在综述Hippo通路在子宫内膜癌的发病、发展和潜在治疗中的作用，以提供新的治疗靶点。
对称信息完全测量复合物及其在量子密钥分发中的应用
对称信息完整测量 (SIC) 是希尔伯特空间中优雅、著名且广泛使用的离散结构。我们引入了一个由多个 SIC 复合而成的更复杂的离散结构。SIC 复合结构定义为 d 维希尔伯特空间中的 d 3 个向量的集合，可以以两种不同的方式划分：划分为 d 个 SIC 和 d 2 个正交基。虽然当 d > 2 时，它们的存在似乎不太可能，但我们意外地发现了 d = 4 的明确构造。值得注意的是，这种 SIC 复合结构与相互无偏基具有密切的关系，正如通过量子态鉴别所揭示的那样。除了基本考虑之外，我们利用这些奇特的属性来构建量子密钥分发协议，并分析其在一般窃听攻击下的安全性。我们表明，SIC 复合结构能够在存在足够大的错误的情况下生成安全密钥，从而阻止六态协议的推广成功。
gpld3d：通过执行几何学和物理先验
扩散概率模型（DDPM）[39，40]，通过开发合适的3D表示，例如，体积网格[50]，点云[3，53]，三角形网格[24，32]，隐式含量[24，32]，隐式代表[12，28，36，36，36，36，56，36，56，36，36，36，56）。但是，这些生成模型的一个共同主题是匹配由训练数据定义的经验分布以及从潜在空间的先前分布中得出的诱导分布。这些方法在3D域中对下游应用程序至关重要的3D域中没有明确模型。考虑使用隐式形状代表的许多状态形状发生器。合成形状通常具有断开的作品，并具有其他物理稳定性和几何可行性的问题。现有技术的一个主要问题是，他们只看到培训实例，这是一组非常稀疏的样本。但是，它们没有对合成实例的几何和物理特性进行建模。这种问题不容易通过开发合适的神经代表来解决。随着人造形状具有多种拓扑结构，在可以对不同拓扑结构建模的代表下执行这些属性，例如隐式表面和点云仍然非常具有挑战性。在本文中，我们介绍了一种名为GPLD3D的新颖方法，该方法极大地增强了合成形状的几何学性和物理稳定性。考虑一个预先训练的生成模型，该模型将潜在空间映射到形状空间。我们将潜在扩散范式[12，34，36，56]证明是一种最先进的形状基因产生模型。与训练一个扩散模型不同，该模型将潜在空间的高斯分布映射到由训练形状的潜在代码定义的经验分布，我们介绍了一个潜在代码的优质检查器，以定义潜在空间的连续正规化分布。此质量检查器集成了一个学到的功能，该功能量化了合成形状的几何可行性评分以及量化其物理稳定性评分的刚度ma-Trix的光谱特性。我们展示了如何扩展最新的扩散框架EDM [20]，以整合数据分布和学习质量的denoising网络的质量检查器。关键贡献是一种原则性的方法，它决定了数据分散的损失条款与不同噪声水平的质量检查器之间的权衡参数。我们已经评估了shapenet-v2上GPLD3D的性能[6]。实验结果表明，在多个指标上，GPLD3D显着优于最先进的形状发生器。我们还提出了一项消融研究，以证明合并质量检查器并优化训练损失的超参数的重要性。
IVC过滤器和高级检索的当代作用...
深静脉血栓形成（DVT）和肺栓塞（PE），称为静脉血栓栓塞（VTE）是心肌梗塞和中风后心血管死亡的第三个原因。1所报告的单位状态DVT的年发病率为每100,000人80例，其中60％以上将发展为PE。尽管PE通常是无偶像的，但它是DVT的并发症，可能导致住院，发病率高和死亡率。2 DVT和/或PE患者的“黄金标准”治疗是抗凝治疗（AC）治疗。然而，对于患有现有或有VTE风险的高臭虫风险患者，AC治疗是禁忌的。3，特别是，在颅内出血或其他主要出血，活跃的胃肠道出血，威胁性的焦点，前启示剂和eClampsia，恶性高血压，脑部手术和脊柱手术中，AC治疗是由ICD-9-9-CM诊断所确定的。3需要防止这些患者的PE发生，支持使用永久性或可检索的下腔静脉过滤器（IVCF）。1
能源效率市场的不对称信息
摘要 信息不对称是采用节能技术的一个重要障碍。在本文中，我们研究了相关激励结构的供应方影响。我们基于现有证据，在某些情况下，能源效率具有信任成分，即市场供应方拥有更多关于哪种技术最适合消费者的信息。关于信任商品市场的文献表明，专家卖家的信息优势会导致市场效率低下，包括交易量低下。我们首先开发一个简单的框架来研究与提供节能技术相关的供应方激励。然后，我们通过讨论信任商品实证文献与能源效率市场实证文献之间的联系来记录效率低下和潜在的补救措施。通过这样做，我们确定了对促进采用节能技术的政策设计的影响。关键词：能源效率、信息不对称、信任商品、能源政策、环境外部性、技术采用
RDRS 使用情况指标 2025 年 1 月
简介 3 数据摘要 4 用户数据 6 指标 1 和 2：参与注册商 6 指标 3 和 4：请求者 6 指标 5：披露请求 7 指标 6.1：非参与注册商的数据请求表使用情况 8 指标 6.2：参与注册商的数据请求表使用情况 9 请求类型数据 10 指标 7：按优先级划分的披露请求 10 指标 8：按请求类型划分的披露请求 12 指标 9：按请求者划分的披露请求 14 指标 10：域名查询数量 15 请求交易数据 18 指标 11：未结请求 18 指标 12：已结请求 19 指标 13：按结果类型划分的已结披露请求数量 20 结果数据22 指标 14：按原因类型划分的拒绝率 22 指标 15：平均披露请求响应时间（天数） 23 指标 16：响应时间分布 24 指标 17：机密披露请求数量 25 指标 18：按国家代码和请求类别划分的披露请求 26 指标 19：按处理管辖区和请求类别划分的披露请求 30 参与注册商列表 34
区域脑体积测量的单受试者分析可能会受到头部尺寸调整方法的强烈影响
抽象目的总颅内体积（TIV）通常是基于MRI的脑容量的滋扰。这项研究比较了两种TIV调整方法在区域大脑体积估计的单个受试者分析中对Z分数的影响。在包含5059 T1W图像的正常数据库中分割了脑脑实质，海马，丘脑和TIV的方法。使用剩余方法或比例方法调整了TIV的区域体积估计值。年龄。TIV和年龄调整后的区域体积转化为Z分数，然后在两种调整方法之间进行比较。在127例多发性硬化症患者中测试了它们对丘脑萎缩检测的影响。结果剩余方法在所有地区删除了与TIV的关联。比例方法导致了方向的转换，而没有相关的关联强度变化。使用剩余方法的生理学间变异性的降低比使用比例方法更大。用残差方法与比例方法获得的z得分之间的差异与TIV密切相关。在5％的受试者中，它大于一个z得分点。用剩余方法比使用比例方法（0.84对0.79），鉴定多发性硬化症患者的TIV和年龄调整后的丘脑体积的ROC曲线下的面积更大。结论在单个受试者分析中，应首选剩余方法进行TIV和基于T1W-MRI的大脑体积估计的年龄调整。
三模式运动通过学习联合嵌入空间
信息检索是一个不断发展且至关重要的搜索域。对高质量人类运动数据的大量需求，尤其是在在线获取中，导致人类运动研究工作的激增。先前的作品主要集中在双模式学习上，例如文本和运动任务，但是很少探索三模式学习。直觉上，额外的引入方式可以丰富模型的应用程序方案，更重要的是，对额外模式的适当选择也可以充当中介，并增强其他两个不同方式之间的对齐方式。在这项工作中，我们介绍了Lavimo（语言视频 - 动作对齐），这是一个三模式学习的新型框架，将以人为中心的视频整合为一种额外的方式，从而可以在文本和运动之间弥合差距。更重要的是，我们的方法利用了一种专门设计的注意机制来增强文本，视频和运动方式之间的一致性和协同作用。经验，我们对HumanML3D和Kit-ML数据集的结果表明，Lavimo在各种与运动相关的跨模式检索任务中实现了最先进的表现，包括文本到动作，动作到运动，视频，视频到视频，动作和动态。我们的项目网页可以在https://lavimo2023.github.io/lavimo/中找到。
评估指标用于评估糖尿病预测模型的性能
日期：6 06,2024摘要：评估指标在评估糖尿病预测模型的性能中起着至关重要的作用。这些模型旨在根据年龄，体重，家族病史和血糖水平等各种因素来预测个体发展糖尿病的可能性。对这些模型的准确评估对于确保其有效性和可靠性至关重要。本文概述了常用的评估指标，以评估糖尿病预测模型的性能。本文讨论的评估指标包括准确性，灵敏度，特异性，精度，接收器操作特征（ROC）曲线，ROC曲线下的面积（AUC）（AUC），F1分数和Matthews相关系数（MCC）。定义了每个度量标准，并解释了其计算方法，解释和局限性。本文强调了考虑模型的目标和应用以及不同指标之间的权衡的重要性，以选择最合适的评估方法。此外，本文重点介绍了模型评估中的其他考虑因素，例如用于模型概括，偏见和公平评估以及预测校准的交叉验证。这些因素有助于全面的评估过程，并确保糖尿病预测模型的可靠性和公平性。