XiaoMi-AI文件搜索系统
World File Search Systemlimitations
针对 COVID-19 药物再利用的计算方法：优势与局限性
药物再利用或重新定位是指使用现有药物来治疗该药物最初设计针对的疾病以外的疾病。它有几个优点，例如减少开发新药物分子所需的时间、风险和成本。2,5,6 药物再利用的好处还在于，近 30% 的新市场进入者来自现有药物。7 使用药物再利用策略的原因有很多，其中包括：(a) 减少临床试验的时间和成本，因为可能不需要进行 I 期和 II 期评估；(b) 已经建立了用于分销的药品供应链；(c) 与单一疗法相比，联合疗法与其他药物在治疗中具有附加或共生作用；(d) 可以探索旧药的新作用机制。8 药物再利用策略有一些局限性，例如专利壁垒。然而，监管途径的复杂性、缺乏融资机会、从其他行业赞助的临床试验中获取数据的渠道更广、新临床研究的人群异质性等其他因素，都促使药物再利用成为最有前途的方法之一。
针对疾病中的氧化应激：前景和局限性......
“氧化应激”一词最早由 Helmut Sies 1 提出，指的是氧化剂和抗氧化防御之间的不平衡，这种不平衡可能导致生物系统受损。从那时起，氧化还原生物学领域已经从病理学中的氧化应激概念发展到生理学中的氧化还原信号传导 2 – 4 。氧化应激已被证明与多种疾病有关，包括动脉粥样硬化、慢性阻塞性肺病 (COPD)、阿尔茨海默病和癌症，这揭示了氧化剂导致细胞损伤的多种机制 5 。然而，氧化应激参与疾病病理的程度非常多变，因此增加抗氧化防御的有效性在某些疾病中可能有限。氧化应激涉及由氧和氮衍生的所谓活性物质的化学反应 (框 1 )。了解这些物质中的哪些会对大分子造成损害有助于为改善抗氧化防御的治疗方法提供理论依据。然而，到目前为止，小分子在治疗上的应用令人失望，主要是因为人们对抗氧化剂的作用原理过于乐观和不正确的假设 6 。例如，清除羟基自由基 (•OH) 是不切实际的，但通过减少过氧化氢 (H 2 O 2 ) 的产生来阻止其形成可以有效预防损伤。氧化应激领域的主要误解之一是小分子可以清除超氧化物 (O 2 • − ) 或 H 2 O 2 ，而小分子在细胞内也是无效的。这是因为抗氧化酶会与数千种
合成数据与人工智能医疗设备的创新、评估和监管 Puja Myles，公共卫生硕士、博士；Johan Ordish，文学硕士；Richard Branson，理学硕士、文学硕士 摘要 合成数据是模仿真实数据的属性和关系的人工数据。它有望促进数据访问、验证和基准测试，解决缺失数据和欠采样、样本增强以及在临床试验中创建对照组的问题。英国药品和保健产品管理局 (MHRA) 正在利用其目前对高保真合成数据开发的研究，制定其对经过合成数据训练的人工智能医疗设备的监管立场，并将合成数据作为人工智能医疗设备验证和基准测试的工具。 关键词 人工智能作为医疗设备 (AIaMD)、数据隐私、健康数据、合成数据、验证、监管 简介 人工智能 (AI) 在医疗和社会保健领域的应用预计将会兴起，这意味着人工智能作为医疗设备 (AIaMD) 将成为医疗设备中越来越突出的子类别。 1 因此，医疗器械法规是否适合人工智能变得越来越重要，制造商是否了解并遵守其义务也变得越来越重要，其中最主要的是证明其 AIaMD 具有良好的效益风险比。2 强大的数据集是展示 AIaMD 性能的核心，通常是此类设备开发的主要障碍。3 医疗器械监管机构有责任确保制造商拥有履行这些义务所需的工具，并提供更广泛的支持以鼓励此类创新设备的开发。合成数据集的开发很可能成为这样一种辅助工具。本文概述了 MHRA 在研究和开发合成数据方面的努力，并考虑在更广泛的改革背景下使用合成数据，以确保医疗器械法规适用于人工智能。合成数据概况 近年来，人们对合成数据的兴趣日益浓厚，原因有很多，包括在数据治理法规更加严格的世界中可能易于获取、保护患者隐私、在机器学习算法背景下的基准测试和验证能力，以及解决真实数据局限性的能力，如数据缺失、欠采样和样本量小。4 更重要的是，尽管合成数据的潜在应用已经讨论了多年，但直到最近，合成数据生成方法的进步才能够产生高质量的合成数据。5 定义合成数据 从概念上讲，合成数据是模仿真实数据的属性和关系的人工数据。合成数据的质量取决于生成合成数据的方法。合成数据的质量通常用其“效用”或“保真度”来描述。“能够捕捉各种数据字段之间复杂的相互关系以及真实数据的统计特性的合成数据集可称为“高实用性”或“高保真度”合成数据集。在患者医疗保健数据方面，高保真度合成数据集将能够捕捉复杂的临床关系，并且在临床上与真实患者数据难以区分。高效用合成数据的生成往往需要大量资源，并且根据需要合成数据的应用，使用低效用或中等效用合成数据可能是可以接受的。
合成数据与人工智能医疗设备的创新、评估和监管 Puja Myles，公共卫生硕士、博士；Johan Ordish，文学硕士；Richard Branson，理学硕士、文学硕士 摘要 合成数据是模仿真实数据的属性和关系的人工数据。它有望促进数据访问、验证和基准测试，解决缺失数据和欠采样、样本增强以及在临床试验中创建对照组的问题。英国药品和保健产品管理局 (MHRA) 正在利用其目前对高保真合成数据开发的研究，制定其对经过合成数据训练的人工智能医疗设备的监管立场，并将合成数据作为人工智能医疗设备验证和基准测试的工具。 关键词 人工智能作为医疗设备 (AIaMD)、数据隐私、健康数据、合成数据、验证、监管 简介 人工智能 (AI) 在医疗和社会保健领域的应用预计将会兴起，这意味着人工智能作为医疗设备 (AIaMD) 将成为医疗设备中越来越突出的子类别。 1 因此，医疗器械法规是否适合人工智能变得越来越重要，制造商是否了解并遵守其义务也变得越来越重要，其中最主要的是证明其 AIaMD 具有良好的效益风险比。2 强大的数据集是展示 AIaMD 性能的核心，通常是此类设备开发的主要障碍。3 医疗器械监管机构有责任确保制造商拥有履行这些义务所需的工具，并提供更广泛的支持以鼓励此类创新设备的开发。合成数据集的开发很可能成为这样一种辅助工具。本文概述了 MHRA 在研究和开发合成数据方面的努力，并考虑在更广泛的改革背景下使用合成数据，以确保医疗器械法规适用于人工智能。合成数据概况 近年来，人们对合成数据的兴趣日益浓厚，原因有很多，包括在数据治理法规更加严格的世界中可能易于获取、保护患者隐私、在机器学习算法背景下的基准测试和验证能力，以及解决真实数据局限性的能力，如数据缺失、欠采样和样本量小。4 更重要的是，尽管合成数据的潜在应用已经讨论了多年，但直到最近，合成数据生成方法的进步才能够产生高质量的合成数据。5 定义合成数据 从概念上讲，合成数据是模仿真实数据的属性和关系的人工数据。合成数据的质量取决于生成合成数据的方法。合成数据的质量通常用其“效用”或“保真度”来描述。“能够捕捉各种数据字段之间复杂的相互关系以及真实数据的统计特性的合成数据集可称为“高实用性”或“高保真度”合成数据集。在患者医疗保健数据方面，高保真度合成数据集将能够捕捉复杂的临床关系，并且在临床上与真实患者数据难以区分。高效用合成数据的生成往往需要大量资源，并且根据需要合成数据的应用，使用低效用或中等效用合成数据可能是可以接受的。
401（k）修复计划概述|解决高薪雇员（HCE）的贡献限制问题
此外，为了消除歧视，对高薪雇员（HCE）的某些其他限制也受到了。HCE被定义为雇员的收入超过130,000美元或5％或更多的赞助雇主股东。无金额补偿的员工（NHCE）定义为不符合HCE定义的任何人。HCE的实际延期百分比（ADP）不能超过NHCE的ADP的1.25倍，或者HCES的ADP不超过NHCE的ADP乘以2.0，前提是HCES的ADP不超过NHCE的ADP，而NHCE的ADP不超过两个百分点。为了消除ADP测试和限制，雇主可以选择使用两个“安全港”捐款选举之一。雇主可以代表所有符合条件的计划参与者做出非政治捐款，等于所承保的薪酬的3％。匹配的贡献
高温泵热能存储系统的热力学分析：制冷剂的选择、性能和局限性
更广泛地应用可再生能源的瓶颈之一是开发高效的能源存储系统，以弥补可再生能源的间歇性。抽水蓄能 (PTES) 是一项非常新的技术，它可以成为抽水蓄能或压缩空气储能的一种有前途的独立于场地的替代方案，而不会受到相应的地质和环境限制。因此，本文对由高温热泵 (HTHP) 组成的 PTES 系统进行了完整的热力学分析，该系统通过中间高温热能存储系统 (HT-TES) 驱动有机朗肯循环 (ORC)。后者结合了潜热和显热热能存储子系统，以最大限度地发挥制冷剂过冷的优势。在验证了所提出的模型后，已经进行了几项参数研究，以评估在广泛的源和散热器温度下使用不同制冷剂和配置的系统性能。结果表明，对于在 HTHP 和 ORC 中采用相同制冷剂的系统，以及在 133 o C 下的潜热储热系统，R-1233zd(E) 和 R-1234ze(Z) 表现出最佳性能。在所有研究的 133 ◦ C 潜热储热系统的案例中，在 HTHP 中采用 R-1233zd(E) 并在 ORC 中采用丁烯时，系统性能最佳（同时考虑到对环境的影响）。理论上，在 HTHP 源温度和 ORC 接收器温度分别为 100 ◦ C 和 25 ◦ C 下，此类系统可达到 1.34 的功率比。© 2020 由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
非人类人道主义：当人工智能的善举变成坏事时 Mirca Madianou 伦敦大学金史密斯学院 2018 年，有超过 1.68 亿人需要人道主义援助，同时有超过 6900 万人成为难民，人道主义部门面临着重大挑战。人工智能 (AI) 应用可以成为人道主义危机的潜在解决方案的提议受到了热烈欢迎。这是“人工智能用于社会公益”大趋势的一部分，也是“数字人道主义”更广泛发展的一部分，“数字人道主义”指的是公共和私营部门为应对人道主义紧急情况而使用数字创新和数据。聊天机器人、声称可以预测未来流行病或人口流动的预测分析和建模以及依赖于采用机器学习算法的先进神经网络的生物识别技术，都是在援助行动中越来越受欢迎的例子。本文建立了一个跨学科框架，将殖民和非殖民理论、人道主义和发展的批判性探究、批判性算法研究以及对人工智能的社会技术理解结合在一起。人道主义在这里被理解为一种复杂的现象：不仅仅是通常定义的“减少痛苦的必要性”（Calhoun，2008），而且是一种行业、一种话语和一种源于 19 世纪和 20 世纪殖民主义的历史现象（Fassin，2012；Lester & Dussart，2014）。人工智能同样是一个多面现象：不仅仅是基于先进计算和机器学习算法的技术创新，而且是一个行业以及关于技术的特定话语。人工智能只能与数据和算法一起理解——这三者是不可分割的，因为人工智能依赖于机器学习算法，而机器学习算法是特定数据集的产物。鉴于“大数据”本质上是不完整的，且具有本体论和认识论的局限性（Crawford & Finn，2014），人工智能应用会重现并可能放大大型数据集中发现的现有偏见（Benjamin，2019；Eubanks，2018；Noble，2018 等）。
非人类人道主义：当人工智能的善举变成坏事时 Mirca Madianou 伦敦大学金史密斯学院 2018 年，有超过 1.68 亿人需要人道主义援助，同时有超过 6900 万人成为难民，人道主义部门面临着重大挑战。人工智能 (AI) 应用可以成为人道主义危机的潜在解决方案的提议受到了热烈欢迎。这是“人工智能用于社会公益”大趋势的一部分，也是“数字人道主义”更广泛发展的一部分，“数字人道主义”指的是公共和私营部门为应对人道主义紧急情况而使用数字创新和数据。聊天机器人、声称可以预测未来流行病或人口流动的预测分析和建模以及依赖于采用机器学习算法的先进神经网络的生物识别技术，都是在援助行动中越来越受欢迎的例子。本文建立了一个跨学科框架，将殖民和非殖民理论、人道主义和发展的批判性探究、批判性算法研究以及对人工智能的社会技术理解结合在一起。人道主义在这里被理解为一种复杂的现象：不仅仅是通常定义的“减少痛苦的必要性”（Calhoun，2008），而且是一种行业、一种话语和一种源于 19 世纪和 20 世纪殖民主义的历史现象（Fassin，2012；Lester & Dussart，2014）。人工智能同样是一个多面现象：不仅仅是基于先进计算和机器学习算法的技术创新，而且是一个行业以及关于技术的特定话语。人工智能只能与数据和算法一起理解——这三者是不可分割的，因为人工智能依赖于机器学习算法，而机器学习算法是特定数据集的产物。鉴于“大数据”本质上是不完整的，且具有本体论和认识论的局限性（Crawford & Finn，2014），人工智能应用会重现并可能放大大型数据集中发现的现有偏见（Benjamin，2019；Eubanks，2018；Noble，2018 等）。
增材制造正在改变制造方式，但它是什么？它是如何工作的？有哪些优点和局限性？行业
令人惊讶的是，这项看似现代的技术已经存在了近 40 年。1981 年，Hideo Kodama 详细介绍了自动制作 3D 模型的方法。他发表的论文描述了使用紫外线 (UV) 固化光聚合物材料层形成 3D 塑料模型的技术。1984 年，Chuck Hull 申请了一项专利，创造了立体光刻技术，该技术利用紫外线激光和床或桶或光聚合物树脂来制作 3D 物体。1986 年，Hull 与他人共同创立了第一家 3D 打印公司 3D Systems。1987 年，3D Systems 将第一台 3D 打印机 SLA-1 立体光刻 (SLA) 打印机商业化，将增材制造带入商业市场。
![电子商务[框架，障碍，限制，好处]](/simg/0/0099927091e8434d18d5f5957144fa2bbfc69488.webp)
电子商务[框架，障碍，限制，好处]
应该有一个明确的愿景、使命和目标，即要实现什么目标、用多少时间、在多少预算内实现目标、确定执行商业计划中提到的战略所需的资源和约束，以及路线图将考虑哪些要素。需要对有助于接触和获取客户的数字营销工具和技术有深入的了解和理解
药物输送系统的进步和局限性为眼滴
局部滴注眼滴仍然是最常见的，对于大多数最简单的眼药管理途径，代表了许多眼部疾病的选择治疗。然而，局部施用的药物分子的低眼生物利用度可以大大限制其疗效。在过去的几十年中，已经开发了许多药物输送系统（DDS），以改善眼表上的药物生物利用度。本综述系统地涵盖了通过局部滴注适用的DDS的最新进展，与标准眼滴配方相比，在体内模型上表现出更好的性能。这些输送系统基于原位形成凝胶，纳米颗粒和两者的组合。大多数DDS都是使用天然或合成聚合物开发的。聚合物为设计高级DDS（包括生物相容性，凝胶化特性和/或粘膜粘附性）提供了许多有利的特性。然而，尽管在过去十年中发表了大量的研究，但DDS的临床翻译却存在一些局限性。本评论还提出了新DDS商业化的潜在挑战。
“如何度过人工智能寒冬” James Luke 博士，IBM 杰出工程师和首席发明家 如果您不知道，人工智能寒冬是指在人们对人工智能的期望达到顶峰之后出现的低迷，资金枯竭，专业人士对其潜力嗤之以鼻。70 年代末 80 年代初发生过一次人工智能寒冬，十年后又发生过一次——最后一次是在 1992 年。在这样的“寒冬”里，人们对人工智能嗤之以鼻并不罕见——James Luke 深情地回忆起 IBM 的一位（至今仍是）高管在他职业生涯早期告诉他，“如果你想在公司有所成就，就离开人工智能”。但即便是 Luke 也承认，考虑到挑战的规模，出现怀疑者并不奇怪。Luke 在会议开幕式主旨演讲中表示：“我们试图用人工智能重塑人脑的智能，这是人类面临的最大工程挑战。” “它比曼哈顿计划、比大型强子对撞机还要大——但我们通常只以两三个人组成的团队进行研究。”尽管如此，他仍敦促与会代表对人工智能保持积极态度，因为如果以正确的方式对待，人工智能可以发挥作用并带来巨大的机遇。那么，什么才是“正确的方式”？卢克说，人工智能有效用例的最佳例子之一仍然是 1997 年超级计算机深蓝与世界冠军国际象棋选手加里卡斯帕罗夫之间的著名比赛。深蓝曾在 1996 年挑战卡斯帕罗夫并失败，而它的架构师 IBM 决心不再重蹈覆辙。IBM 工程师寻求另一位国际象棋大师的帮助来构建深蓝，并对计算机进行编程，使其能够预测未来 14 步。从本质上讲，它复制了人类的能力，但通过巨大的规模进行了扩展。尽管“深蓝”赢得了 1997 年的锦标赛，但它的局限性也暴露无遗。当时参与打造它的大师说：“深蓝每秒评估两百万步，我评估三步。但我怎么知道该评估哪三步？”卢克说，这句话完美地概括了人工智能的缺点：“我们还没有解决这个问题，我们不明白大师如何知道该评估哪三步。这是智能和人工智能之间差异的一个很好的例子。人工智能不会比人类更好——人类脑细胞比电子神经元复杂得多。”他补充说，人工智能经常被认为比人类智能更好，因为它不会忘记东西。但卢克认为，人类忘记的能力是智能的一部分，因为忘记可以帮助我们“概括、实验和学习”——更不用说不会被我们做过的所有可耻的事情所打败。卢克分享了三条让人工智能发挥作用的建议：
“如何度过人工智能寒冬” James Luke 博士，IBM 杰出工程师和首席发明家 如果您不知道，人工智能寒冬是指在人们对人工智能的期望达到顶峰之后出现的低迷，资金枯竭，专业人士对其潜力嗤之以鼻。70 年代末 80 年代初发生过一次人工智能寒冬，十年后又发生过一次——最后一次是在 1992 年。在这样的“寒冬”里，人们对人工智能嗤之以鼻并不罕见——James Luke 深情地回忆起 IBM 的一位（至今仍是）高管在他职业生涯早期告诉他，“如果你想在公司有所成就，就离开人工智能”。但即便是 Luke 也承认，考虑到挑战的规模，出现怀疑者并不奇怪。Luke 在会议开幕式主旨演讲中表示：“我们试图用人工智能重塑人脑的智能，这是人类面临的最大工程挑战。” “它比曼哈顿计划、比大型强子对撞机还要大——但我们通常只以两三个人组成的团队进行研究。”尽管如此，他仍敦促与会代表对人工智能保持积极态度，因为如果以正确的方式对待，人工智能可以发挥作用并带来巨大的机遇。那么，什么才是“正确的方式”？卢克说，人工智能有效用例的最佳例子之一仍然是 1997 年超级计算机深蓝与世界冠军国际象棋选手加里卡斯帕罗夫之间的著名比赛。深蓝曾在 1996 年挑战卡斯帕罗夫并失败，而它的架构师 IBM 决心不再重蹈覆辙。IBM 工程师寻求另一位国际象棋大师的帮助来构建深蓝，并对计算机进行编程，使其能够预测未来 14 步。从本质上讲，它复制了人类的能力，但通过巨大的规模进行了扩展。尽管“深蓝”赢得了 1997 年的锦标赛，但它的局限性也暴露无遗。当时参与打造它的大师说：“深蓝每秒评估两百万步，我评估三步。但我怎么知道该评估哪三步？”卢克说，这句话完美地概括了人工智能的缺点：“我们还没有解决这个问题，我们不明白大师如何知道该评估哪三步。这是智能和人工智能之间差异的一个很好的例子。人工智能不会比人类更好——人类脑细胞比电子神经元复杂得多。”他补充说，人工智能经常被认为比人类智能更好，因为它不会忘记东西。但卢克认为，人类忘记的能力是智能的一部分，因为忘记可以帮助我们“概括、实验和学习”——更不用说不会被我们做过的所有可耻的事情所打败。卢克分享了三条让人工智能发挥作用的建议：