XiaoMi-AI文件搜索系统
World File Search Systemlang
评估调节基因组学预训练的DNA语言模型的代表性
基因组语言模型（GLM）的出现提供了一种无监督的方法，用于学习非编码基因组中的广泛的顺式调节模式，而无需湿LAB实验产生的功能活动标签。先前的评估表明，可以利用预训练的GLM来提高广泛的监管基因组学任务的预测性能，尽管使用了相对简单的基准数据集和基线模型。由于这些研究中的GLM在对每个下游任务的重量进行微调时进行了测试，从而确定GLM表示是否体现了对顺式调节生物学的基本理解仍然是一个悬而未决的问题。在这里，我们评估了预训练的GLM的代表性，以预测和解释跨越DNA和RNA调控的细胞类型特异性功能基因组学数据。我们的发现表明，与使用单热编码序列的常规机器学习方法相比，探测预训练的GLM的表示没有实质性优势。这项工作强调了当前GLM的主要差距，从而在非编码基因组的常规培训策略中提出了潜在的问题。
情感分析：为阿拉伯语实施ML技术以提高当前技术的准确性
阿拉伯语中的情感分析由于其复杂的形态，多种方言和有限的语言资源而面临独特的挑战。尽管在该领域进行了大量研究，但在情感分类中实现高精度仍然是一个紧迫的问题。在本文中，我们系统地回顾了2018年至2024年发表的阿拉伯产品评论的31项情感分析研究。我们专注于机器学习（ML）和深度学习（DL）技术的最新进步，研究方法，数据集以及取得的绩效结果。我们的评论将情感分析技术分类为基于词典的基于机器学习和混合方法，并特别强调了在阿拉伯情感分析中普遍使用ML模型。审查的研究采用了各种算法，包括幼稚的贝叶斯，决策树，SVM，CNN和Arabert模型等。此外，我们的分析强调了所利用的常见预处理和特征提取技术，以及用于确定这些模型功效的评估指标。尽管取得了显着进步，但我们的发现表明，许多现有方法都没有提供最佳结果。我们认为，未来的研究应考虑实施替代的机器学习模型，并利用全面的数据集，以增强阿拉伯情感分析中当前技术的准确性。
自然语言处理760（COS 760）
一般的学术法规和学生规则规则一般学术法规（G法规）和一般学生规则适用于该大学的所有教职员工和注册学生，以及所有接受比勒陀利亚大学占有一席之地的潜在学生。在注册计划时，学生承担了确保他们熟悉适用于其注册的一般学术法规，以及相关年鉴中规定的特定于计划的特定教师和特定于计划的法规和信息。关于这些法规的无知将不会被视为任何违法行为的借口，也不会被视为上述任何法规的例外。G法规每年更新，可以在此信息发布后修改。
开发质量的定量检测方法
背景和目的：患有原发性硬化性胆管炎（PSC）的人具有可变且经常进行性疾病的病程，与胆道和实质变化有关。这些变化通常通过磁共振成像（MRI）评估，包括磁共振胆管造影术（MRCP）的定性评估。我们的目的是研究新型客观定量MRCP指标与预后分数和患者结局的关联。方法：我们进行了一项回顾性研究，其中包括77个具有基线MRCP图像的大型Duct PSC的个体，后处理后处理以使用MRCP+ TM获得胆管的定量测量。参与者的分析得分，通过振动控制的瞬态弹性图和生化指数在基线时收集。不良结果 - 无生存率是在12年内没有代偿性肝硬化，肝移植（LT）或与肝脏相关的死亡的。通过COX回归建模评估了MRCP+衍生指标的预后价值。结果：记录了总计386例患者，16例代偿性，2例LT和5例与肝有关的死亡。基线时，约有50％的患者被分类为患疾病并发症的风险。MRCP+指标，尤其是描述胆管扩张严重程度的指标，与所有预后因素相关。单变量分析表明，代表管道直径，扩张和狭窄和/或扩张的导管百分比的MRCP+指标与生存有关。©2022作者。在多变量调整的分析中，中位导管直径与存活率显着相关（危险比10.9，95％CI 1.3 - 90.3）。结论：PSC患者中的MRCP+指标与生化，弹性和放射学预后分数相关，并可以预测无效的生存率。lay摘要：在这项研究中，我们在患有原发性硬化性胆管炎（PSC）的患者中评估了由软件工具（MRCP+）自动提供的新型客观定量MRCP指标与预后分数和患者结果的关联。我们观察到，PSC患者的MRCP+指标与生化，弹性和放射学预后分数相关，并且可以预测无效的生存率。由Elsevier B.V.代表欧洲肝脏研究协会（EASL）出版。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
在高度熟练的早期和晚期
BarbaraKöpke，Ruairidh K R Howells，Francesca Cortelazzo，PatricePéran，Xavier de Boisse-Zon等。神经语言学杂志，2021，59，10.1016/j.jneuroling.2021.100988。hal-04407593
基于论点的自然语言解释和评估医疗保健
采矿论点是一个自动自然语言处理（TALN）和计算机论证模型的全面扩展领域，旨在在自然语言中自动识别文本资源中的论证结构（即组成部分和关系）。在媒体领域，通过提供自动检测论点结构以根据证据支持医学的方法，被证明是有益的。这些方法的重要性是基于以下事实：尽管神经模型在医学诊断预测中的准确性，但其结果的解释仍然有问题。本文解决了这个开放的问题，并着重于对自然语言中的论证解释的生成和评估，以帮助医学诊断预测，以帮助临床医生进行决策和教育。首先，我提出了一条新的完整管道，以根据医学本体论和从检查文本中检测到的医学本体论和临床实体进行自然考试（MCQ）医学的永久解释（MCQ）医学。我定义了对医疗指定实体（NERC）的认可和分类的艺术状态，以检测患者表达的症状以及我根据ONTTO-LOGIE的条款对医疗措施进行的，以证明提供给医学生提供的临床病例的诊断。关键字：自动自然语言处理，提取论证结构，解释性论点。管道称为SYMEXP，允许我们的系统基于模板以自然语言生成安排解释，以证明正确的答案是正确的，以及为什么提出的其他选项不正确。其次，我提出了一个框架，用于评估基于论证的解释，称为Abexa，以自动提取医学MCQ的论证结构，并突出显示一组可自定义的标准，以表征临床解释和文档的论点。abexa通过在自动论证图上定义一组模式来解决从论点的角度评估解释的问题。非常彻底，我为解毒剂软件的持续设计和开发做出了贡献，该软件提供了不同的解释性人工智能模块，这些模块由医学争论。我们的系统提供了以下功能：用于医学领域的多语言论证分析，临床诊断的解释，提取和生成，医学领域的多语言语言模型以及医学MCQ的第一个多语言基准。总而言之，在本文中，我探讨了人工智能与论证理论结合如何导致更透明的健康和卫生系统。，我们通过在医学支持方面展示其所有潜力，例如医学生，将结果应用于关键的医学领域。
干细胞研究
数据分析受到熟练专家的短缺的约束，特别是在生物学方面，在这种情况下，详细的数据分析和随后的解释对于理解复杂的生物过程以及开发新的治疗方法和诊断至关重要。专家短缺的一种可能解决方案是利用大型语言模型（LLMS）用于发电数据分析管道。但是，尽管在用于代码生成任务的情况下，LLMS显示出很大的潜力，但是在提示与域专家问题（例如OMICS相关数据分析问题）提示时，有关LLM的准确性的问题仍然有效。为了解决这个问题，我们开发了Mergen，这是一个利用LLMS进行数据分析代码生成和执行的R软件包。我们使用基因组学的各种数据分析任务评估了该数据分析系统的性能。我们的主要目标是使研究人员通过简单地描述其目标和通过清晰文本的特定数据集的所需分析来进行数据分析。我们的方法通过专门的及时工程和错误反馈机制来改善代码生成。此外，我们的系统可以执行LLM规定的数据分析工作流，从而为人类审查提供数据分析工作流程的结果。我们对该系统的评估表明，尽管LLM有效地生成了某些数据分析任务的代码，但在执行代码生成中仍然存在挑战，尤其是对于复杂的数据分析任务。对于复杂性3、4和5的任务，这一增加分别为52.5％，27.5％和15％。通过自我纠正机制可以看到最佳性能，与复杂性任务相比，自我校正能够将可执行代码的百分比增加22.5％。使用卡方检验，显示出使用不同的提示策略可以发现显着差异。我们的研究有助于更好地理解LLM功能和局限性，从而提供软件基础架构和实用见解，以有效地集成到数据分析工作流程中。
从大型语言模型到多模式AI
生成的人工智能（AI）模型，例如扩散模型和Openai的Chatgpt，正在通过增强诊断准确性和自动化临床工作流程来改变医学。该领域已经迅速发展，从文本 - 仅用于临床文档和决策支持的大型语言模型向多模式AI系统提供，能够在单个模型中整合各种数据模式，包括成像，文本和结构化数据。这些技术的各种景观以及不断上升的兴趣强调了对其应用和潜力进行全面审查的必要性。此范围审查探讨了多模式AI的演变，突出了其在临床环境中的方法，应用程序，数据集和评估。遵守Prisma-SCR指南，我们系统地查询PubMed，IEEE Xplore和Web of Science，优先于2024年底发表的最新研究。严格筛选后，包括144篇论文，揭示了这个动态领域的关键趋势和挑战。我们的发现强调了从单峰方式转变为多模式方法的转变，在诊断支持，医疗报告生成，药物发现和对话性AI方面引起了创新。然而，仍然存在关键挑战，包括整合异质数据类型，改善模型的解释性，解决道德问题以及在现实世界中验证现实世界临床环境中验证AI系统。本评论总结了当前的艺术状态，确定了关键差距，并提供了见解，以指导医疗保健中可扩展，可信赖和临床影响力的多模式AI解决方案的发展。
通过大脑语言训练恢复失语症–...
失语症是一种理解或产生语言障碍的疾病，是中风后常见的一种疾病，具有毁灭性的影响。传统的言语和语言治疗包括各种正式的干预措施，以提高语言和沟通能力。在中风后的慢性期，与不治疗相比，这种方法是有效的，但效果不大。我们提出了一种基于脑机接口系统的失语症患者康复的新语言训练方法。该方法利用其提供与大脑状态时间锁定的反馈的能力。因此，它实现了这样一种想法，即强化适当的语言处理策略可能会诱导有益的大脑可塑性。在我们的方法中，患者在记录脑电图的同时执行一个简单的听觉目标词检测任务。机器学习模型对这些信号的不断解码会产生个性化和即时的大脑状态相关反馈。它向患者表明他们在训练过程中完成任务的程度，即使他们无法说话。对 10 名患有轻度至重度慢性失语症的中风患者（年龄范围：38-76 岁）进行的概念验证研究的结果非常显著。首先，我们发现，尽管词语呈现速度较快且中风引起的脑电图信号特征不佳，但高强度训练（每周 4 天，每天 30 小时）是可行的。其次，训练使失语症持续恢复，这种恢复扩展到训练任务之外的多个语言方面。具体而言，所有测试的语言评估（亚琛失语症测试、Snodgrass & Vanderwart、交流活动日志）都显示，训练前后患者的表现有显著的中度到高度改善，亚琛失语症测试的标准化平均差异为 0.63，五名患者在训练后评估中被归类为非失语症。第三，我们的数据显示，这些语言能力的提高并没有伴随注意力技能和非语言技能的显著变化。研究这种基于大脑 - 计算机界面的语言训练的可能作用模式，神经影像数据（EEG 和静息状态功能 MRI）表明训练可以加快文字处理速度、增强语言网络以及语言和默认模式网络之间的重新平衡。