XiaoMi-AI文件搜索系统
World File Search Systemict
探索Nivolumab和ipilimumab在肾细胞癌中的功效：来自地区医院队列研究的见解
2024年4月1日 - 卫生部 - Gov.pl。的偿还药物，特殊营养目的地的食品和医疗设备的食品https://www.gov.pl/web/zzdrowie/obwieńka-ministra--health-health-health-z-dnia-18-marca-2024-r-w-sprawie-wykazu-wykazu-refundne-lefundne-lekow-lekow-srodkow-srodkow-srodkow-srodkow-srodkow-srodkne-spo@------------------ Edical（19.05.2024）。8。pilimumab-产品特性摘要。https://www.ema.europa.eu/en/documents/product- inofernal/yervoy-epar-productive-information_en.pdf（16.06.2022）。 9。 nivolumab-产品炭分摘要。 https://www.ema.europa.eu/en/documents/product- inofern/opdivo-epar-productive-information_en.pdf（16.06.2022）。 10。 Somarouthu B，Lee SI，Urban T等。 与免疫相关的肿瘤反应评估标准：全面综述。 br j radol。 2018; 91（1084）：20170457，doi：10.1259/bjr.20170457，PubMed索引：29172675。 11。 Seymour L，Bogaerts J，Perrone A等。 恢复工作组。 IRECIST：用于测试免疫治疗药的试验中的响应标准指南。 lancet oncol。 2017; 18（3）：E143-E152，doi：10.1016/s1470-2045（17）30074-8，在PubMed索引：28271869。 12。 Mao，Chen D，Duan S等。 总统淋巴细胞 - 单位细胞比率对高级上皮癌的预后影响：一种荟萃分析。 癌细胞 2018; 18：201，doi：10.1186/s12935-018-0698-5，在PubMed中索引：30534002。 13。 Templeton AJ，Ace O，McNamara MG等。https://www.ema.europa.eu/en/documents/product- inofernal/yervoy-epar-productive-information_en.pdf（16.06.2022）。9。nivolumab-产品炭分摘要。https://www.ema.europa.eu/en/documents/product- inofern/opdivo-epar-productive-information_en.pdf（16.06.2022）。10。Somarouthu B，Lee SI，Urban T等。与免疫相关的肿瘤反应评估标准：全面综述。br j radol。2018; 91（1084）：20170457，doi：10.1259/bjr.20170457，PubMed索引：29172675。11。Seymour L，Bogaerts J，Perrone A等。恢复工作组。IRECIST：用于测试免疫治疗药的试验中的响应标准指南。lancet oncol。2017; 18（3）：E143-E152，doi：10.1016/s1470-2045（17）30074-8，在PubMed索引：28271869。12。Mao，Chen D，Duan S等。 总统淋巴细胞 - 单位细胞比率对高级上皮癌的预后影响：一种荟萃分析。 癌细胞 2018; 18：201，doi：10.1186/s12935-018-0698-5，在PubMed中索引：30534002。 13。 Templeton AJ，Ace O，McNamara MG等。Mao，Chen D，Duan S等。总统淋巴细胞 - 单位细胞比率对高级上皮癌的预后影响：一种荟萃分析。癌细胞2018; 18：201，doi：10.1186/s12935-018-0698-5，在PubMed中索引：30534002。13。Templeton AJ，Ace O，McNamara MG等。血小板与淋巴细胞比率在实体瘤中的预后作用：系统评价和荟萃分析。癌症流行病生物标志物上一篇。2014; 23（7）：1204–1212，doi：10.1158/1055-9965.EPI-14-0146，在PubMed中索引：24793958。
大多数：运动预测的多模式场景象征化
许多现有的运动预测方法都依赖于符号感知输出来生成代理轨迹，例如边界框，路图信息和traf-fight。这种符号表示是现实世界的高级表现，它可能会使运动预测模型容易受到感知错误的影响（例如，在检测开放式录音障碍时失败），而缺少场景中的显着信息（例如，糟糕的道路条件）。另一种范式是从原始传感器中端到端学习。但是，这种方法缺乏解释性，需要大量的培训资源。在这项工作中，我们提出将视觉世界的标记化为一组紧凑的场景元素，然后利用预先训练的图像基础模型和LiDAR神经网络以开放式播音方式进行编码所有场景元素。图像基础模型使我们的场景令牌可以编码开放世界的一般知识，而LiDAR神经网络编码几何信息。我们提出的表示形式可以有效地用几百个令牌编码多帧多模式观察，并且与大多数基于变压器的体系结构兼容。为了评估我们的方法，我们使用了带有凸轮嵌入的Waymo开放运动数据集。通过Waymo开放运动数据集进行的实验表明，我们的方法会导致对最先进的表现的显着改善。
使用基于CT的深度学习的新辅助化学疗法对新辅助化学免疫疗法的病理完全反应的非侵入性预测：多中心
新辅助化学免疫性疗法已彻底改变了非小细胞肺癌（NSCLC）的治疗策略，并确定可能对这种先进治疗的候选者具有重要的临床意义。目前的多机构研究旨在开发一种深度学习模型，以预测基于计算机断层扫描（CT）成像的NSCLC中对新辅助免疫疗法的病理完全反应（PCR），并进一步探讨了拟议的深度学习签名的生物学基础。在2019年1月至2023年9月，总共有248名接受新辅助免疫疗法的参与者在Ruijin医院，Ningbo Hwamei医院接受NSCLC的手术，然后在Ruijin医院进行NSCLC手术和Zunyi医科大学的后医院。在新辅助化学免疫性疗法之前的2周内进行了成像数据。鲁伊因医院的患者被分为培训集（n = 104）和6：4比率的验证集（n = 69），而宁波·霍马伊医院（Ningbo Hwamei Hospital）和祖尼医科大学（Zunyi）医科大学的其他参与者则是外部队列（n = 75）。在整个人群中，在29.4％（n = 73）的病例中获得了PCR。我们对PCR预测深度学习签名曲线下的区域（AUC）为0.775（95％的置信间隔[CI]：0.649-0.901）和0.743（95％CI：0.618-0.869）的验证集和外部队列中的0.5％（95％）（95％）（95％）（95％）（95％）。临床模型的0.689）和0.569（95％CI：0.454-0.683）。此外，较高的深度学习评分与微环境中细胞代谢途径和更多抗肿瘤免疫的上调相关。我们开发的深度学习模型能够预测NSCLC患者的新辅助化学免疫性疗法。
机器学习筛查工具，用于预测废水中药物化合物的提取产率
药物化合物已成为废水中越来越重要的污染物来源，因为它是传统的处理方法无效地去除它们的方法，因此它们通常被放入环境中。可以使用液体液体提取成功去除药物，并且可以使用宇宙RS预测相互作用并识别最有前途的溶剂。但是，COSMO热模型无法解释关键过程参数，从而降低了这些计算模型的准确性。因此，需要替代计算方法来准确预测可以纳入处理和相互作用变量的药物的提取产率。这项工作使用机器学习来预测使用八种溶剂的11种药物的提取产率。探索了六个回归模型和两个分类模型。使用ANN回归器（测试MAE：4.510，测试R 2：0.884）和RF分类器（测试精度：0.938，测试召回：0.974）获得了最佳性能。RF回归分析和分类还显示了关键的提取产率特征：溶剂与喂养比，N - 辛烷 - 水分系数，氢键，氢键和范德华对多余的焓的贡献，以及pH距离至最近的PKA。机器学习显示为筛选和选择最有希望的溶剂和过程条件的绝佳工具，以从废水中去除药物。
人工智能在预测致病...
病原微生物的抗菌素耐药性 (AMR) 问题已成为全球公共卫生危机，对现代医疗保健系统构成重大威胁。人工智能 (AI) 和机器学习 (ML) 技术的出现为该领域带来了革命性的变化。这些先进的计算方法能够处理和分析大规模生物医学数据，从而揭示耐药性发展背后的复杂模式和机制。人工智能技术越来越多地用于根据基因含量和基因组组成预测病原体对各种抗生素的耐药性。本文回顾了人工智能和机器学习在预测病原微生物抗菌素耐药性方面的最新进展。我们首先概述了微生物耐药性的生物学基础及其流行病学研究。随后，我们重点介绍了用于耐药性预测的主要人工智能和机器学习模型，包括但不限于支持向量机、随机森林和深度学习网络。此外，我们探讨了该领域的主要挑战，例如数据可用性、模型可解释性和跨物种耐药性预测。最后，我们通过算法优化、数据集扩展和跨学科协作，探讨微生物耐药性研究的新视角和解决方案。随着人工智能技术的不断进步，未来我们将拥有对抗病原微生物耐药性的最有力武器。
fitbit Web API数据字典 - 可下载版本
Fitbit的免费公共网络API旨在使开发人员能够快速，轻松地创建应用程序以利用授权的Fitbit用户数据。计划利用Fitbit的API的组织将需要计算资源以及具有API架构技术知识的开发人员。您的应用程序的设计和所需的端点（数据）将在很大程度上由您的应用程序目的定义。如果您是设计用于收集Fitbit用户数据的应用程序的研究人员，则需要评估哪些端点与您的研究相关。此外，您的应用程序可以组合端点以创建新指标。换句话说，使用我们的Web API收集，可视化和组合FITBIT数据的方法几乎有很多。重要的是要记住考虑数据存储成本 - 尤其是在收集盘中数据时。
利用人工神经网络预测定向金属沉积中的高度
定向金属沉积 (DMD) 是一种很有前途的金属增材制造技术，其中零件是通过使用沿预定义轨迹移动的激光束融合注入的金属粉末颗粒来制造的。刀具路径通常包括曲线或边缘部分，机器轴需要相应地减速和加速。因此，局部施加的激光能量和粉末密度在沉积过程中会发生变化，导致局部过度沉积和过热。这些偏差还受到刀具路径几何形状和工艺持续时间的影响：先前的沉积可能会在时间和空间上影响相近的刀具路径段，导致局部热量积聚，并形成与使用相同参数沉积的其他段中产生的轮廓和微观结构不同的轮廓和微观结构，这是由于几何形状和温度相关的集水轮廓所致。为了防止这些现象，需要轻量级和可扩展的模型来预测可变刀具路径的工艺行为。在本文中，我们提出了一种基于人工智能的方法来处理 Inconel 718 的工艺复杂性和多种刀具路径变化。考虑到先前定义的刀具路径，使用人工神经网络 (ANN) 来预测沉积高度。通过打印包含多个曲率和几何形状的随机刀具路径，生成了训练数据。基于训练后的模型，可以成功预测整个刀具路径的显著局部几何偏差，并且可以通过相应地调整工艺参数来预测。
预测子宫内膜癌的免疫疗法效应
免疫疗法代表了一种开创性的治疗方法，基于免疫系统干扰肿瘤进展的内在能力，这为子宫内膜癌的治疗打开了水平。但是，免疫疗法的临床效率受到患者耐药性的发展受到阻碍。对免疫疗法的耐药性是多因素机制，包括调节免疫检查点分子的肿瘤细胞中的遗传和表观遗传改变，导致免疫监测逃避。肿瘤微环境可以协调免疫抑制环境，减轻免疫反应并促进肿瘤进展。要克服子宫内膜癌中的免疫治疗性，我们必须揭示肿瘤细胞，宿主免疫系统和肿瘤微环境之间复杂相互作用的机制。必须开发对免疫治疗反应的预测生物标志物的识别和能够逆转抗药性途径的创新剂。我们的评论总结了有关肿瘤微环境细胞作用及其调节分子在免疫检查点抑制剂的治疗作用的机制中的积累数据，包括抗治疗性。我们在这里提出的主要问题 - 哪一组患者最有利于在子宫内膜癌中获得持久的免疫疗法反应？