XiaoMi-AI文件搜索系统
World File Search Systemregression
与肥胖相关指数与中国中年和老年人之间的糖尿病前期回归与正常血糖的关联：一项前瞻性研究
结果：在4年的随访期内，有562（21.61％）参与者从糖尿病前期转变为正常血糖。他们的初始BRI，WHTR，CI，ABSI，CVAI和TYG的较低（p <0.05）。经过多变量调整后，参与者是初始BRI（OR，1.45，95％CIS，1.09–1.93），WHTR（OR，1.46，95％CIS，1.10-1.95）和CVAI（OR，1.47，95％CIS，1.47，11.11-11.93）的挑战（OR，1.46，95％CIS，1.10-1.95）（OR，1.46，95％）的参与者。三位一体。与TYG相比，TYG降低（OR，2.08; 95％CIS，1.61–2.70）的参与者的几率也增加了。BRI的初始肥胖相关指数的Cuto值为4.374，WHTR为0.568，TYG为8.621，CI为1.320，ABSI为0.083，CVAI分别为106.152。BRI <4.374的AFS为21.10％，WHTR <0.568，CVAI <107.794和17.48％和17.55％的AFS为20.85％，1 tyg <0分别为17.55％。
类风湿关节炎的靶向治疗策略中最佳目标是什么？系统评价和元回归分析的结果
摘要目的：靶向治疗 (T2T) 策略已被证明优于类风湿关节炎 (RA) 的常规治疗，但最佳目标仍然未知。目标基于疾病活动性测量（例如疾病活动性评分 28 (DAS28)、简化疾病活动性指数/临床疾病活动性指数 (SDAI/CDAI) 以及诸如缓解或低疾病活动性 (LDA) 之类的临界值。我们的目的是比较不同目标对临床和放射学结果的影响。方法在 Cochrane、Embase 和 (pre)MEDLINE 数据库中搜索（2022 年 6 月 1 日），以查找 2003 年后在 RA 患者中应用 T2T ≥12 个月的随机对照试验和队列研究。数据提取自各个 T2T 研究组；使用 Cochrane 协作工具评估偏倚风险。使用元回归，我们评估了所用目标对临床和放射学结果的影响，并校正了研究之间和研究内部的异质性。结果在元回归分析中使用了 115 个治疗组。就 DAS-缓解和 SDAI/CDAI/布尔缓解结果在 1-3 年内显著改善。以 SDAI/CDAI-LDA 为目标也明显优于 DAS 缓解，包括 SDAI/CDAI/布尔缓解（1-3 年内）和平均 SDAI/CDAI（1 年内）。以 DAS 缓解而非 DAS-LDA 为目标只会提高 DAS 缓解患者的百分比，并且仅在 2-3 年的 T2T 后才具有统计学意义。健康评估问卷和放射学进展方面没有差异。结论 就几种临床结果而言，以 SDAI/CDAI-LDA 为目标以及在较小程度上以 DAS 缓解为目标可能优于以 DAS-LDA 为目标。然而，由于残留混杂风险以及缺乏关于（过度）治疗和安全性的数据，未来的研究应旨在直接和全面地比较目标。PROSPERO 注册号 CRD42021249015。
DCC-3084 是一种 RAF 二聚体抑制剂，可广泛抑制 BRAF I、II、III 类、BRAF 融合和 RAS 驱动的实体瘤，从而导致
ARAF，丝氨酸/苏氨酸蛋白激酶 A–快速加速纤维肉瘤；ATP，三磷酸腺苷；AUC，浓度时间曲线下面积；AUC 0–last，从时间 0 到最后测量浓度的 AUC；BCRP，乳腺癌耐药蛋白转运蛋白；BID，每日两次；BRAF，v-Raf 鼠肉瘤病毒致癌基因同源物 B1；CNS，中枢神经系统；CRAF，丝氨酸/苏氨酸蛋白激酶 C-Raf；CSF，脑脊液；DFG，天冬氨酸-苯丙氨酸-甘氨酸；DMSO，二甲基亚砜；ELISA，酶联免疫吸附试验；ERK，细胞外信号调节激酶；GTP，三磷酸鸟苷；hrs，小时；IC 50，半数最大抑制浓度； Kp uu，非结合分配系数（游离脑浓度/游离血浆浓度）；KRAS，Kirsten RAS；M，摩尔；MDR1，多药耐药突变转运体；MEK，丝裂原活化蛋白激酶激酶；NRAS，神经母细胞瘤 RAS；PERK，蛋白激酶 R 样内质网激酶；PK，药代动力学；po，口服；pRSK，磷酸化 RSK；QD，每日一次；RAF，快速加速性纤维肉瘤；RAS，大鼠肉瘤小 GTPase 蛋白；RSK，核糖体 s6 激酶；SEM，均值标准误差；t 1/2，半衰期；TGI，肿瘤生长抑制；T. sol，热力学溶解度；WT，野生型。
DCC-3116，一种自噬的第一类选择性ULK1/2抑制剂，与试剂盒抑制剂ripretinib结合使用，可诱导G
AKT，蛋白激酶B; AMPK，单磷酸腺苷激活的蛋白激酶； ASR，适应性应激反应； ATG13，自噬相关蛋白13;出价，每天两次； CRO，临床研究组织； del，删除； DMSO，二甲基磺氧化物； ELISA，酶联免疫吸附测定； ERK，细胞外信号 - 调节激酶； GFP，绿色荧光蛋白；要点，胃肠道肿瘤； IC 50，最大抑制浓度的一半； LC3，微管相关的蛋白质轻链3; MAPK，有丝分裂原激活的蛋白激酶； Mek，Mapk激酶； MTOR，雷帕霉素的哺乳动物靶标； PATG13，磷酸化ATG13； PI3K，磷酸肌醇3-激酶； RAF，快速加速的纤维肉瘤丝氨酸/苏氨酸激酶； Ras，大鼠肉瘤小GTPase蛋白； Rheb，Ras同源物富含大脑； RTK，受体酪氨酸激酶； SEM，平均值的标准误差； TGI，肿瘤生长抑制； ULK，UNC-51样的自噬激活激酶。AKT，蛋白激酶B; AMPK，单磷酸腺苷激活的蛋白激酶； ASR，适应性应激反应； ATG13，自噬相关蛋白13;出价，每天两次； CRO，临床研究组织； del，删除； DMSO，二甲基磺氧化物； ELISA，酶联免疫吸附测定； ERK，细胞外信号 - 调节激酶； GFP，绿色荧光蛋白；要点，胃肠道肿瘤； IC 50，最大抑制浓度的一半； LC3，微管相关的蛋白质轻链3; MAPK，有丝分裂原激活的蛋白激酶； Mek，Mapk激酶； MTOR，雷帕霉素的哺乳动物靶标； PATG13，磷酸化ATG13； PI3K，磷酸肌醇3-激酶； RAF，快速加速的纤维肉瘤丝氨酸/苏氨酸激酶； Ras，大鼠肉瘤小GTPase蛋白； Rheb，Ras同源物富含大脑； RTK，受体酪氨酸激酶； SEM，平均值的标准误差； TGI，肿瘤生长抑制； ULK，UNC-51样的自噬激活激酶。
可解释的大脑图的堆叠回归和结构性方差分配
将与复杂刺激相关的大脑活动与2的不同特性相关联，刺激是构建功能性脑图的强大方法。然而，3当刺激是自然主义时，它们的性质通常是相关的（例如，自然图像的视觉和4个语义特征，或用作图像特征的卷积神经网络5的不同层）。相关性能可以充当混杂因素6，并使大脑图的解释性复杂化，并可能影响统计估计器的7个鲁棒性。在这里，我们根据提出的两种方法提出了一种大脑映射8的方法：堆叠不同的编码模型和结构化9方差分配。我们的堆叠算法结合了编码模型，每个模型都将10用作输入一个描述不同刺激属性的特征空间。算法11学会预测体素的活性，作为不同12个编码模型的输出的线性组合。我们表明，由此产生的组合模型可以更好或至少与单个编码模型更好或至少预测13个大脑活动。此外，线性组合的14个权重很容易解释；它们显示了预测体素的每个特征空间的重要性15。然后，我们将堆叠模型构建到16个引入结构化方差分区，这是一种新型的方差分区，考虑了17个特征之间的已知关系。我们验证了我们的模拟方法，展示其大脑在fMRI数据上的21个潜力，并发布Python软件包。24我们的方法限制了假设空间的18个大小，并使我们能够提出有关特征空间和大脑区域之间相似性19的有针对性问题，即使在20个特征空间之间存在相关性的情况下。我们的方法对于有兴趣将大脑活动与神经网络的不同层（23）或其他类型的相关特征空间对齐的研究人员有用。
与SLC6A1相关疾病的发育回归和相关临床特征的模式
方法：在这项研究中，我们确定了24例与SLC6A1相关疾病的患者组成的发育回归模式，并评估了与回归相关的临床特征。我们回顾了与SLC6A1相关疾病患者的病历，并将受试者分为两组：1）回归组和2）对照组。我们描述了发育回归的模式，包括在回归之前是否有触发因素，多次回归发作以及是否恢复了技能。我们评估了回归和对照组之间临床特征的关系，包括人口统计学因素，癫痫发作，发育里程碑获取，胃肠道问题，睡眠问题，自闭症谱系障碍和行为问题。
符号回归程序 AI-Feynman 在心理学中的应用
从自然科学到社会科学，发现数据中隐藏的规律是许多领域的核心挑战。然而，这项任务在历史上依赖于人类的直觉和经验，在许多领域，包括心理学。因此，使用人工智能 (AI) 发现规律有两个显著的优势。首先，它可以发现人类无法发现的规律。其次，它将有助于构建更准确的理论。一种名为 AI-Feynman 的人工智能在一个非常不同的领域发布，表现令人印象深刻。虽然 AI-Feynman 最初是为发现物理学规律而设计的，但它在心理学中也能很好地发挥作用。本研究旨在通过测试 AI-Feynman 是否可以发现双曲折现模型作为折现函数，来检验它是否可以成为跨期选择实验的一种新的数据分析方法。为了实现这些目标，进行了一项跨期选择实验，并将数据输入 AI-Feynman。结果，AI-Feynman 提出了七个折现函数候选。其中一个候选模型是双曲折现模型，目前认为该模型最为准确。三种均方根误差函数均优于双曲折现模型。此外，三种候选模型中有一种比标准双曲折现函数更“双曲”。这些结果表明了两点。一是 AI-Feynman 可以成为跨期选择实验的一种新数据分析方法。二是 AI-Feynman 可以发现人类无法发现的折现函数。
基于变分量子电路的函数回归理论误差性能分析
噪声中型量子器件使得量子神经网络 (QNN) 的变分量子电路 (VQC) 得以实现。尽管基于 VQC 的 QNN 已在许多机器学习任务中取得成功，但 VQC 的表示和泛化能力仍需要进一步研究，尤其是在考虑经典输入的维数时。在这项工作中，我们首先提出了一种端到端 QNN，TTN-VQC，它由基于张量训练网络 (TTN) 的量子张量网络（用于降维）和用于函数回归的 VQC 组成。然后，我们针对 TTN-VQC 的表示和泛化能力进行误差性能分析。我们还利用 Polyak-Lojasiewicz 条件来表征 TTN-VQC 的优化属性。此外，我们对手写数字分类数据集进行了函数回归实验，以证明我们的理论分析是正确的。
顺序非线性编码：一种低维回归算法，用于基于EEG的驱动疲劳检测
摘要。对现实世界数据的回归分析并不总是一件容易的任务，尤其是当输入向量以非常低的维空间呈现时。基于EEG的疲劳检测涉及低维问题，并且在降低致命事故的风险中起着重要作用。我们提出了一种内核投影追踪回归算法，该算法是一种针对低维问题（例如疲劳检测）量身定制的两步非线性。以这种方式，可以从两个不同的角度研究数据非线性：通过将数据转换为高维中间空间，然后将其样条估计应用于允许数据层次展开的输出变量。种子VIS数据库的实验结果说明了大脑的时间和后区域的平均RMSE值分别为0.1080％和0.1054％。我们的方法是通过对帕金森氏病预测进行的一些实验来验证的，这进一步证明了我们方法的效率。本文提出了一种新型回归算法，以解决高度复杂的低维数据的编码问题，该问题通常在生物神经学预测任务中遇到，例如基于EEG的驱动疲劳检测。
混杂生理信号的多元卡尔曼滤波回归用于 fNIRS 数据的实时分类
意义：功能性近红外光谱 (fNIRS) 是一种非侵入性技术，用于测量与神经功能相关的人体皮层血流动力学变化。由于其小型化潜力和相对较低的成本，fNIRS 已被提议用于脑机接口 (BCI) 等应用。与诱发神经活动产生的信号相比，大脑外生理产生的信号幅度相对较大，这使得实时 fNIRS 信号解释具有挑战性。通常使用结合生理相关辅助信号（例如短分离通道）的回归技术将脑血流动力学反应与信号中的混杂成分分离。然而，大脑外信号的耦合通常不是瞬时的，需要找到适当的延迟来优化干扰消除。