XiaoMi-AI文件搜索系统
World File Search Systempredicting
预测耐药性
n 2001年，《时代》杂志的封面显示了一些在“反癌症战争”中被认为是“子弹”的黄色药丸（Lemonick and Park，2001年）。在这些药丸中，一种称为伊马替尼的化合物特异性靶向了慢性髓样白血病（CML）中常见的突变，这是一种影响骨髓和血细胞的罕见类型的癌症（Druker等，1996; Druker等，2001; Deininger等，2001; Deininger等，2005）。这一发现促使开发了类似的药物，称为酪氨酸激酶抑制剂，这些药物可以治疗包括CML在内的各种癌症。虽然这些药物已被证明成功，但对治疗的耐药性仍然是一个重大问题。这是由于癌症的持续存在，可以在治疗中生存并重新填充被消除的癌细胞群体，从而导致疾病的再次发生。在CML中，这些癌症引起的细胞称为白血病细胞，并带有一种称为BCR：ABL的遗传突变。 突变导致两个基因（BCR和ABL）融合并产生促进细胞分裂的蛋白质，从而导致过量含有的未成熟血细胞在CML中，这些癌症引起的细胞称为白血病细胞，并带有一种称为BCR：ABL的遗传突变。突变导致两个基因（BCR和ABL）融合并产生促进细胞分裂的蛋白质，从而导致过量含有
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。
预测欧洲银行困境
本文开发了一种用于预测大型欧洲银行困境的预警系统。我们使用一种新的困境定义，该定义源自银行超出监管要求的余地，研究了三种机器学习技术相对于传统逻辑模型的表现。我们发现随机森林模型在样本外和时间外都表现出优越的性能。与以前的研究不同，我们还采用了一系列采样技术，表明无论使用哪种模型，它们都能显著提高识别困境事件的能力。此外，我们表明，相对于单个最佳表现模型，集成技术可以帮助提高性能。最后，利用最新的机器学习可解释性工具，我们表明与银行盈利能力和偿付能力密切相关的变量是预测银行困境的重要驱动因素。总体而言，我们的论文对银行监管机构和宏观审慎当局具有重要的实际意义，他们可以利用我们的研究结果提前发现银行的弱点，并采取先发制人的措施来维护金融稳定。
预测 ECoG-BCI 性能
摘要 目的 . 植入式脑机接口 (BCI) 利用神经信号来控制计算机，可能为闭锁综合征 (LIS) 患者提供另一种通信渠道。使用来自感觉运动 (SM) 区域的信号已经获得了有希望的结果。然而，在早期对 LIS 患者在家中使用基于皮层脑电图 (ECoG) 的 BCI 的研究中，我们发现 ECoG-BCI 性能存在差异，这与 SM 区域低频带 (LFB) 功率调制的差异有关。对于未来 ECoG-BCI 的临床实施，确定在植入电极之前是否可以预测可靠的性能将至关重要。为了评估非侵入性头皮脑电图 (EEG) 是否可以用于这种预测，我们在此研究了 EEG 是否可以检测到在 ECoG 信号的 LFB 调制中观察到的特征。方法 . 我们纳入了早期研究中的三名 LIS 参与者，以及一个由 20 名健康参与者组成的对照组。所有参与者都执行了休息任务和运动任务，其中涉及实际（健康）或尝试（LIS）手部运动，同时记录他们的 EEG 信号。主要结果。休息任务的数据用于确定信噪比，结果显示 LIS 和健康参与者的信噪比范围相似。使用运动任务的数据，我们选择了七个 EEG 电极，这些电极在健康参与者中显示与运动相关的 β 功率（13-30 Hz）一致下降。在两名 LIS 参与者的这组电极的 EEG 记录中，我们识别出了之前报告的他们 ECoG 记录中 LFB 的现象。具体而言，在一名 LIS 参与者中观察到强烈的运动相关 β 波段抑制，但在另一名 LIS 参与者中没有观察到，并且两名参与者几乎没有运动相关的 α 波段（8-12 Hz）抑制。由于 EEG 记录的技术问题，第三名 LIS 参与者的结果尚无定论。意义。总之，这些发现支持头皮 EEG 在 ECoG-BCI 候选人术前评估中发挥潜在作用。
一个有前景的毒性预测平台
是否会导致皮疹、肝炎或结肠炎，具体取决于皮肤、肝脏还是肠道受到侵袭（ Marin-Acevedo 等人，2019 年）。因此，肿瘤学的一大挑战是预测哪些新的免疫治疗药物对患者危害太大。这通常在动物模型中进行检查，但由于它们的免疫系统与人类免疫系统不同，因此很难可靠地预测毒性（ Zschaler 等人，2014 年）。现在，在 eLife 上，Nikolce Gjorevski（罗氏公司）、Lauriane Cabon（罗氏公司）及其同事（包括波士顿 Emulate Inc 的 Jordan Kerns 和 Chaitra Belgur 作为共同第一作者）报告了体外模型如何帮助 T 细胞双特异性抗体免疫疗法绕过这一问题（ Kerns 等人，2021 年）。 T 细胞双特异性抗体 (或 TCB) 可以识别并结合肿瘤表面的“抗原”蛋白，以及免疫“T 细胞”显示的受体：通过使两种类型的细胞更接近，该过程有助于激活 T 细胞并使其杀死目标。然而，TCB 结合的抗原并不总是癌细胞独有的。识别与肿瘤共享抗原的非癌细胞（称为靶向、脱肿瘤效应）可导致正常细胞受损（ Labrijn 等人，2019 年；图 1 ）。预测哪些正在临床开发中的 TCB 会导致这种不良毒性是肿瘤学中的一个重要挑战。为了解决这个问题，Kerns 等人。首先利用肺芯片模型（Huh 等人，2010 年）——一种在模拟体内条件下生长的系统——来预测对 TCB 的毒性。这个“微型器官”暴露于
精神病学：预测可预测性
精神病学是一个新兴领域，旨在为精神卫生保健提供个性化的方法。实现此精度的重要策略是减少对预后和治疗反应的不确定性。多变量分析和机器学习用于基于临床数据，例如人口统计学，评估，遗传信息和大脑成像创建结果预测模型。尽管已经将很多重点放在技术创新上，但心理健康的复杂性和多样性的性质给这些模型的成功实施带来了挑战。从这个角度来看，我回顾了精神病学领域的十个挑战，包括需要对现实世界人群进行研究和现实的临床结果定义，以及考虑与治疗相关的因素（例如安慰剂效应和对处方不遵守）的考虑。公平性的验证是当前正在研究的其他关键问题。从基于线性和静态疾病概念的回顾性研究提出了转变，转移到了前瞻性研究，该研究认为情境因素的重要性以及心理健康的动态和复杂性。
多发性硬化症的间充质干细胞衍生的神经祖细胞疗法的演变：从概念到诊所
血管免疫细胞T细胞淋巴瘤（AITL）是一种独特的外周T细胞淋巴瘤（PTCL），预后较差（Swerdlow等，2016）。对于AITL患者，5年的总生存率（OS）率为44％，无进展生存率（PFS）率为32％（Advani等，2021）。基于蒽环类药物的化学疗法方案经常使用，但其有效性受到限制。基于传统治疗的不令人满意的结果，NCCN肿瘤学的临床实践指南建议参与临床试验作为首选管理策略（Horwitz等，2022）。值得注意的是，尽管某些患者的分期分期或预后评分通常用于评估T细胞淋巴瘤，但其临床结局差异很大。预后的差异可能是由于AITL的异质性引起的（Zhang等，2023）。因此，需要更好地分层患者的新型模型。Chidamide是一种亚型选择性组蛋白脱乙酰基酶（HDAC）抑制剂的苯甲酰胺类型（Gong等，2012）。近年来，奇达胺在PTCL中似乎是一种有前途的治疗方法，尤其是在AITL中。在复发或难治性（R/R）AITL中的Chidamide II期研究中，总反应率（ORR）为50％（Shi等，2015）。在一项多中心II期临床试验中，将奇达胺与未经处理的AITL中的泼尼松，依托泊苷和沙利度胺相结合，ORR为90.2％。2年无进展生存率（PFS）和总生存率（OS）率分别为66.5％和82.2％（Wang等，2022b）。然而，在现实世界分析中，与单独的化学疗法相比，将奇达酰胺与化学疗法相比是否可以改善OS的矛盾结果（Shi等，2017； Liu等，2021； Wang等，2022a）。需要进一步的证据来阐明在现实世界中奇达胺的效率。机器学习（ML）算法是人工智能的关键领域，可以通过利用计算方法来从复杂的数据中学习，以识别预测的可能功能（Haug and Drazen，2023）。与传统的广义线性模型相比，基于高级算法的机器学习在数据分布和完整性方面更容易接受，并且在挖掘数据值方面具有更大的功能（Elemento等，2021）。因此，近年来，机器学习已被广泛用于医疗领域，并已发展成为一种有效的工具，可以在做出临床决策时使用（Radakovich等，2020； Haug and Drazen，2023; Swanson等，2023）。因此，本研究的目的是建立ML模型来预测AITL的预后，并在现实世界中评估Chidamide的好处。
