XiaoMi-AI文件搜索系统
World File Search Systemmodalit
SMU-Net：用于缺失模态的脑肿瘤分割的风格匹配 U-Net
胶质瘤是最常见的原发性脑肿瘤类型之一，占所有病例的 30% 以上，它们由胶质干细胞或祖细胞发展而来。理论上，大多数脑肿瘤可以通过使用磁共振成像 (MRI) 来识别。每种 MRI 模态都会提供有关人脑软组织的不同信息，整合所有这些信息将为胶质瘤的准确分割提供全面的数据，这对于患者的预后、诊断和确定最佳后续治疗至关重要。不幸的是，由于各种原因，MRI 容易出现伪影，这可能导致一个或多个 MRI 模态缺失。多年来，已经提出了各种策略来合成缺失的模态或补偿其对自动分割模型的影响。然而，这些方法通常无法模拟潜在的缺失信息。在本文中，我们提出了一种风格匹配 U-Net (SMU-Net) 用于 MRI 图像上的脑肿瘤分割。我们的联合训练方法利用内容和风格匹配机制将全模态网络中的信息特征提取到缺失模态网络中。为此，我们将全模态和缺失模态数据编码到潜在空间中，然后将表征空间分解为风格和内容表征。我们的风格匹配模块通过学习匹配函数将信息和纹理特征从全模态路径转移到缺失模态路径，自适应地重新校准表征空间。此外，通过对互信息进行建模，我们的内容模块超越了信息量较少的特征，并根据判别性语义特征重新校准了表征空间。BraTS 2018 数据集上的评估过程显示了所提出方法在缺失模态场景中的重要性。关键词：缺失模态、脑瘤、内容风格匹配、分割。
病例报告 晚期高钙血症型卵巢小细胞癌 (SCCOHT) 的多模态疗法：三例病例报告和文献报道
背景：高钙血症型卵巢小细胞癌 (SCCOHT) 是一种罕见但高度未分化的侵袭性恶性肿瘤，主要影响年轻女性。大多数 SCCOHT 患者表现出晚期疾病并且预后很差。尽管已经提出了几种治疗方案，但是对于最佳治疗策略尚无共识。病例：本文，我们描述了三例年龄在 16 至 36 岁之间的晚期 SCCOHT 病例，这些病例接受了细胞减灭手术和化疗，联合或不联合免疫检查点阻断治疗。采用不同的治疗策略，患者显示出完全不同的结果。结论：这些病例强调了及时诊断以及早期、积极和综合治疗 SCCOHT 的重要性。我们相信，改进的治疗方法可以让更多年轻的 SCCOHT 患者存活下来。
药物发现和开发中的新治疗方式：见解和机遇
抗体、抗体-药物偶联物、融合蛋白、神经毒素、肽、聚合物、小干扰 RNA、疫苗等正在进入市场。此外，所谓的“超越五化合物规则”（bRo5）的引入表明，即使对于一些要求苛刻的靶标，也可以设计和优化较大的化合物（MW >> 500），以具有足够的 ADMET 特征并产生具有所需体内效果的生物利用度。虽然尚未报道设计口服生物可利用 bRo5 候选药物的一般策略，但构象灵活性已被确定为描述大型柔性衍生物的 ADME 特征的重要参数。例如，最近有研究表明，灵活性描述符有助于改善 bRo5 化合物的计算溶解度预测 [8]。此外，许多 bRo5 化合物似乎具有内在的潜力，可以构象调整以适应周围介质并表现得像分子变色龙。例如，已经分析了以环境依赖性方式形成的分子内氢键，以解释一些新治疗方式的被动渗透技巧[9,10]。
透析方式对移植失败后肾移植受体死亡率的影响。存在竞争事件时的分析
近年来，肾脏病学见证了肿瘤疾病患者的护理需求的增加。1,2 因此，肾脏病学家和肿瘤学家都认为需要合作以优化对这些患者的护理。肿瘤肾脏病学正在成为一个日益复杂且快速发展的医学领域。其原因是癌症患者肾脏并发症的发病率较高，以及肾脏疾病患者癌症的发病率较高。癌症相关肾脏疾病最有可能发生急性肾损伤 (AKI)，有时与肾毒性药物有关 3-6，并且在存在慢性肾脏疾病 (CKD) 的情况下急剧增加。此外，某些类型的癌症和癌症治疗也可能对肾小球结构产生有害影响，并通过损害足细胞导致蛋白尿。 7 癌症与肾脏之间的联系不断扩大，涉及免疫治疗相关的肾脏损害、电解质紊乱、透析 CKD 患者化疗剂量和时间相关问题、癌症和 CKD 患者的部分或全部肾切除术、以及肾移植相关问题（有癌症病史的捐赠者和接受者）。8
人工智能及其在牙科中的现代应用 Akansha Vilas Bansod 博士、Sweta Kale Pisulkar SPDC 博士、Wardha 摘要：人工智能 (AI) 已以多种方式应用于医疗保健领域。它是一门工程和科学领域，与感知智能行为以及创建复制此类行为的人工制品有关。技术一直是每个行业最大的创新，牙科护理也不例外。人工智能可以作为口腔病变诊断和治疗的有用方式，并且可用于筛查和分类正在发生癌前和恶性变化的可疑口腔粘膜。可以极大地探索这一领域，以便于诊断、正确治疗和获得令人满意的结果。 关键词：人工智能、人工神经网络、深度学习、机器学习。1. 简介
人工智能及其在牙科中的现代应用 Akansha Vilas Bansod 博士、Sweta Kale Pisulkar SPDC 博士、Wardha 摘要：人工智能 (AI) 已以多种方式应用于医疗保健领域。它是一门工程和科学领域，与感知智能行为以及创建复制此类行为的人工制品有关。技术一直是每个行业最大的创新，牙科护理也不例外。人工智能可以作为口腔病变诊断和治疗的有用方式，并且可用于筛查和分类正在发生癌前和恶性变化的可疑口腔粘膜。可以极大地探索这一领域，以便于诊断、正确治疗和获得令人满意的结果。 关键词：人工智能、人工神经网络、深度学习、机器学习。1. 简介
基于备忘录的神经调节装置，用于实时监测和自适应控制体外神经元种群
。cc-by-nc-nd 4.0国际许可证（未获得同行评审证书）获得的是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权所有，该版本发布于2021年5月25日。 https://doi.org/10.1101/2021.05.25.25.445577 doi：biorxiv preprint
文章在大鼠模型中使用多模态神经影像学的体内3D纳米载体递送的雾化3D定位 - 协议发展
摘要：在大鼠模型中，通过正电子发射断层扫描/计算机断层扫描/计算机断层扫描（PET/CT）成像跟踪鼻内气泡放射性标记的聚合物胶束纳米颗粒（LPNP）的命运，以测量鼻子到脑的递送。在体内寻求了一种新的无线电毒剂的定量时间和空间测试方案。用锆89（89 ZR）标记的LPNP通过鼻内或静脉输送，然后进行串行PET/CT成像。连续成像2小时后，将动物牺牲，并分离出脑结构（嗅球，前脑和脑干）。测量每个大脑区域的活性通过活动测量与相应的PET/CT区域进行比较。LPNP（100 nm PLA – PEG – DSPE+ 89 ZR）的串行成像通过鼻管内经室传递，与静脉内给药后1和2 h后1和2 h在大脑中的活性增加，与静脉内给药相比，与静脉内相关，这与ex vivo gamma gamma comma counting and AutoRodighice相关。尽管评估从鼻子到脑的交付是一种有前途的方法，但该技术有几个需要进一步发展的局限性。本文提供了一种用于气溶性鼻内递送的实验方案，该方案可能提供了一个更好地靶向嗅觉上皮的平台。
Larry E. Jennings，Jr。
认知能力的差异源于潜在神经结构的细微差异。从大脑网络中的差异中理解和预测认知中的个体变异性需要利用不同的神经影像模式捕获的独特差异。在这里，我们采用了一种多级机器学习方法，结合了人类连接组项目（n = 1050）的扩散，功能和结构性MRI数据，以提供各种认知能力的单一预测模型：全球认知功能，流畅的智力，结晶智力，脉冲，脉冲，脉冲，脉冲，空间方向性，言语上的记忆和持续性记忆和持续性记忆。对每个认知评分的样本外预测首先是使用单个神经成像方式上的稀疏性主体成分回归产生的。然后将这些个体预测汇总并提交给套索估计器，该估计量消除了跨通道的冗余可变性。相对于最佳的单一模态预示，这项堆叠的词典导致了准确性的显着提高（在解释的方差中约为1％至超过3％的提升），这是大多数测试的认知能力。进一步的分析发现，扩散和脑表面证券对预测能力的贡献最大。我们的发现建立了一个下限，以使用多种神经影像学测量来预测认知的个体差异，包括结构和功能，量化不同成像模态的相对预测能力，并揭示每种方式如何提供有关认知功能中个人差异的独特和表达信息。
20A305_基因组模态：了解基因组的物理特性
自从DNA双螺旋结构被发现以来，基因组研究的范围不断扩大，我们对基因组的认识也得到了极大的进步；与此同时，许多模式生物的全基因组测序已经完成，而基因组编辑技术也正在迅速普及。过去的基因组研究主要集中在基因组信息的复制、修复、重组、分裂等信息层面，并进一步强调表观遗传调控来解释遗传现象。另一方面，DNA的物理性质，如硬度、扭转、超螺旋等，虽然是直接影响基因组结构的重要性质，但人们对其了解甚少。在本项目中，我们将重点研究基因组/DNA的物理性质，以了解基因组如何构建其结构以及如何发挥作用。我们将“基因组模态”定义为组织基因组结构和功能的多维模式。我们将从基因组模态的角度揭示基因组的真实面貌。为此，我们运用生物化学、细胞生物学、基因组科学、高分子物理学等方法，开辟了研究“基因组形态”的新领域。【研究项目内容】
标题跨架构和记录模式的神经解码的深度学习方法。
直接从神经信号解码行为、感知或认知状态对于脑机接口研究至关重要，也是系统神经科学的重要工具。在过去十年中，深度学习已成为从语音识别到图像分割等许多机器学习任务的最新方法。深度网络在其他领域的成功引发了神经科学领域新一轮的应用浪潮。在本文中，我们回顾了深度学习的神经解码方法。我们描述了用于从从脉冲到 fMRI 的神经记录模式中提取有用特征的架构。此外，我们探索了如何利用深度学习来预测包括运动、语音和视觉在内的常见输出，重点是如何将预训练的深度网络作为复杂解码目标（如声学语音或图像）的先验。深度学习已被证明是一种有用的工具，可用于提高广泛任务中神经解码的准确性和灵活性，我们指出了未来科学发展的领域。