XiaoMi-AI文件搜索系统
World File Search Systempredicted
ATTR 中的 TTR 越少越好：模型预测的 TTR 减少结果
Clinicaltrials.gov ID：NCT04601051 NIS：神经病变损伤评分 mNIS+7：修改后的 NIS+7 PK：药代动力学 PD：药效学 * 2022 年 8 月 4 日宣布：计划在固定剂量相当于 0.7 mg/kg 或接近该剂量下增加第二个剂量扩展队列进行研究，但需遵守监管反馈。第 1 阶段研究越来越多的临床数据表明，在 0.7 mg/kg 和 1.0 mg/kg 时血清 TTR 降低相似。此外，在第 28 天，在多发性神经病组剂量扩展部分，服用 80 mg（相当于 1.0 mg/kg 的固定剂量）NTLA-2001 的患者的肝酶显着升高。升高的 LFT 无需任何医疗干预即可恢复正常。患者无症状，研究者认为该事件并不严重。
俄罗斯反卫星试验中预测和观察到的航天器遭遇情况的比较
本文对 2021 年 11 月 15 日进行的俄罗斯反卫星 (ASAT) 拦截试验进行了后续分析，该试验发射了一套 ASAT 武器系统来拦截和摧毁在轨的 COMOS 1408，这是一颗已报废的苏联电子情报 (ELINT) 卫星，于 1982 年发射。最初的分析估计了碎片事件产生的碎片将如何对航天器操作员、他们的 SSA 知识、他们检测和缓解高碰撞威胁事件的能力以及他们在大型星座框架内使用机动燃料产生不利影响。本文将这些最初的相遇率预测、对低地球轨道 (LEO) 航天器（尤其是太阳同步轨道上的航天器）的碰撞风险以及轨道寿命估计与运行飞行安全系统和服务检测到的实际会合和轨道寿命进行了比较。对连续模型和离散破碎模型中实际碎片碎片跟踪与碎片体积演变进行了比较。将我们最初的预测与实际情况进行比较，可以发现，最初的 ASAT 碎片轨道寿命预测与迄今为止在轨观测到的寿命非常接近，预测寿命比迄今为止观测到的寿命长约 25%。飞行安全和所需避让机动预测也得到了观测到的结合趋势的验证，俄罗斯 ASAT 试验在某些高度导致飞行安全性和可持续性降低多达 20%，在某些轨道条件下碰撞风险增加一倍。
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。
使用标量量化大脑预测年龄的不确定性......
通过脑解剖磁共振成像预测受试者的年龄有可能提供脑部变化的敏感摘要，从而指示不同的神经退行性疾病。然而，现有的研究通常忽略了这些预测的不确定性。在这项工作中，我们通过应用功能数据分析方法考虑了这种不确定性。我们针对阿尔茨海默病神经影像学计划 (ADNI) 中的认知正常 (CN) 受试者，提出了一个年龄与脑结构影响的惩罚功能分位数回归模型，并用它来预测轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 受试者的脑年龄。与脑年龄预测文献中可用的机器学习方法不同，它们只提供点预测，而我们的模型的结果是每个受试者的预测区间。
人工智能能否重新编程新闻编辑室？自动化新闻中的信任、透明度和道德 计算机程序能否撰写引人入胜的新闻报道？路透社最近发布的《技术趋势与预测》报告中显示，在接受调查的 200 名数字领袖、编辑和首席执行官中，78% 表示投资人工智能 (AI) 技术将有助于确保新闻业的未来 (Newman, 2018)。然而，探索这些新的报道方法给那些已经在努力理解人类记者和计算工作之间复杂动态的人们带来了一系列无法预料的道德问题。在新闻编辑室实施自动化叙事向记者提出了一些问题：如何保持和鼓励报道的准确性和公正性，以及对他们所服务的受众的透明度。新闻编辑室的人工智能已经从一个想法发展成为现实。 1998 年，计算机科学家 Sung-Min Lee 预测人工智能将在新闻编辑室得到应用，届时“机器人代理”将与人类记者一起工作，有时甚至代替人类记者工作 (Latar, 2015)。2010 年，Narrative Science 成为第一家利用人工智能将数据转化为叙事文本的商业企业。Automated Insights 和其他公司紧随 Narrative Science 之后，通过自动叙事将 Lee 的“机器人代理”带入新闻编辑室。虽然当今的新闻编辑室正在使用人工智能来简化各种流程，从跟踪
人工智能可以重新编程新闻编辑室吗？自动化新闻中的信任、透明度和道德 计算机程序可以编写引人入胜的新闻故事吗？在路透社最近的一份技术趋势和预测报告中，接受调查的 200 名数字领导者、编辑和首席执行官中，78% 表示投资人工智能 (AI) 技术将有助于确保新闻业的未来 (Newman, 2018)。然而，探索这些新的报道方法，为那些已经在努力理解人类记者和计算工作之间复杂动态的人带来了一系列无法预见的道德问题。在新闻编辑室实施自动化叙事向记者提出了如何保持和鼓励报道的准确性和公正性以及对他们所服务的受众的透明度的问题。新闻编辑室中的人工智能已经从一个想法发展成为现实。1998 年，计算机科学家 Sung-Min Lee 预测人工智能将在新闻编辑室得到应用，届时“机器人代理”将与人类记者一起工作，有时甚至代替人类记者 (Latar, 2015)。2010 年，Narrative Science 成为第一家使用人工智能将数据转化为叙事文本的商业企业。Automated Insights 和其他公司紧随 Narrative Science 之后，通过自动化讲故事的方式将 Lee 的“机器人代理”带入新闻编辑室。虽然当今的新闻编辑室正在使用人工智能来简化各种流程，从跟踪突发新闻、收集和解释数据、核实在线内容，甚至创建聊天机器人来向用户推荐个性化内容，但自动生成文本和视频故事的能力促使整个行业转向自动化新闻，或“使用软件或算法自动生成新闻故事而无需人工干预的过程”(Graefe, 2016)。《福布斯》、《纽约时报》、《华盛顿邮报》、《ProPublica》和彭博社只是当今在新闻报道中使用人工智能的部分新闻编辑室。《华盛顿邮报》的“内部自动化叙事技术”Heliograf 只是新闻编辑室利用人工智能扩大其在体育和金融等严重依赖结构化数据的领域的报道的众多例子之一，“让记者专注于深入报道”（Gillespie，2017 年）。人工智能有可能让新闻编辑室和报摊的记者都变得更好。通过自动化，现在可以进行大量的新闻报道新闻智库 Polis 在其 2019 年新闻 AI 报告中透露，新闻编辑室使用人工智能的主要动机是“帮助公众应对新闻过载和错误信息的世界，并以便捷的方式将他们与与他们的生活相关、有用和有益的可靠内容联系起来”（Beckett，2019 年）。
