XiaoMi-AI文件搜索系统
World File Search Systemresponding
BRAF V600E 突变的混合性大细胞神经内分泌癌和腺癌对靶向治疗有反应
背景肺癌仍然是全球癌症相关死亡的主要原因。非小细胞肺癌（NSCLC）的治疗策略根据多个驱动癌基因进行细分。然而，神经内分泌肺癌，特别是大细胞神经内分泌癌（LCNEC）的治疗并未改善。由于 LCNEC 的发生率低，其基因状态和体细胞突变检测在日常实践中的意义尚不清楚。2013 年，日本开展了全国性的个体化医疗肺癌基因组筛查项目（LC-SCRUM Japan），旨在为携带稀有基因的 NSCLC 患者开发分子靶向治疗方法。自 2019 年起，Onco-mine Dx Target test 多 CDx 系统已在日本晚期肺癌的多重基因检测中用于日常实践。因此，肺癌患者很可能接受体细胞突变检测。我们报告了一例携带 BRAF V600E 突变的 LCNEC 病例，该病例对达拉非尼和曲美替尼 (DT) 有反应。该病例证明了体细胞突变检测在 LCNEC 中的重要性。
阿联酋军事教育体系人工智能与电子学习的现状、挑战与策略 Ali Mohamed Ali Alnaqbi 1、Azlina Md Yassin 1* 1 马来西亚敦胡先翁大学技术管理与商业学院，马来西亚柔佛州峇株巴辖巴力拉惹 *通讯作者 DOI：https://doi.org/10.30880/ijscet.2021.12.03.034 2000 年 00 月收到；2000 年 01 月接受；2021 年 12 月 2 日在线发布
摘要：最近，阿联酋已在包括教育在内的多个领域采用了人工智能 (AI) 和电子学习系统。除了采用传统教育系统的机构外，军事学院也采用了这项新技术。本研究评估了阿联酋军事学院采用基于 AI 的电子学习系统的现状、挑战和策略。这项研究是基于联合指挥参谋学院 (JCSC) 师生的看法进行的。向 50 名教师和 157 名学生提出了一组问题，以强调每个问题的同意程度。问题分为三个部分，即采用程度、挑战和使用基于 AI 的电子学习教育系统的策略。研究发现，就目前情况而言，由于高度的灵活性，AI 和电子学习在教育系统中非常受欢迎。尽管存在挑战，但师生之间缺乏人际关系被认为是采用基于 AI 的电子学习系统面临的主要挑战。最后，关于策略，受访者表示，阿联酋正在努力制定计划和替代方案，以解决军事学院采用的传统教学和人工智能方法之间的差异。这项研究为制定促进这些现代工具使用的策略提供了宝贵的信息来源，并激励学生最大限度地利用人工智能和电子学习技术。关键词：人工智能的挑战和策略、电子学习、军事学院、阿联酋
评估在电子学习环境中采用人工智能的成功因素 Ali Mohamed Ali Alnaqbi 1、Azlina Md Yassin 1* 1 马来西亚敦胡先翁大学科技管理与商业学院，马来西亚柔佛州峇株巴辖巴力拉惹 *通讯作者 DOI：https://doi.org/10.30880/ijscet.2021.12.03.035 2000 年 00 月收到；2000 年 01 月接受；2021 年 12 月 2 日在线提供
摘要：本文重点评估在电子学习中采用人工智能 (AI) 技术的关键成功因素 [CSF]。这是一项基于阿拉伯联合酋长国联合指挥参谋学院 (JCSC) 学生和教师看法的定量评估研究。数据是通过问卷调查收集的，问卷分发给了学院共 240 名 JCSC 学生和教师，但只收到了 207 份填写完整的表格。问卷包含 7 组 20 个 CSF，使用 5 点李克特量表调查每个 CSF 在采用 AI 和电子学习中的重要性水平。使用 SPSS 软件包对数据进行了描述性分析。分析结果发现，在调查中考虑的 20 个 CSF 中有 18 个被报告为高度重要。最重要的关键成功因素是“人工智能系统能够计算大数据以改善教学”，阿联酋军事学院在电子学习中采用人工智能技术的平均得分最高，为4.04。在因素组方面，最重要的因素组是“让教育更有趣”，平均得分为3.98。然而，进一步分析发现，学历较高的受访者选择了个性化因素组，而教学经验丰富的受访者选择了绩效监控因素组作为最关键的成功因素组。本研究的结果对于制定在教育系统中推广人工智能先进技术的策略并获得最大收益非常有帮助。关键词：人工智能、电子学习、阿联酋军事学院
认识并应对与漏洞相关的风险指南：证据审查第二部分
6有关RMA和评分的更多信息，请参见：rast.rmascotland.gov.uk/risk-tools/ 7在进行研究时，该评级包括61个在八个部分中分组的工具。在2019年，该评分已更新了新的证据，现在包括74个在八个类似部分中分组的工具。本报告中的相关发现已更新，以反映最新的包含。
将不同偶联产品合成的不同概念和计算相应应变设计的单一框架系统化
图1用于生长耦合应变设计的不同计算方法的特征生产信封或产量空间。（a）典型的生产信封（双重）优化技术。在最坏的情况下，原始方法OptKnock（Orange）可能包含磁通量向量，而没有产物合成的最大生长速率，这是由OptKnock（蓝色）的继任者避免的。（b）用MCS计算的应变设计的典型产量空间，要求所有通量状态的产物产量最低。（c）具有固定最小产品合成和生长速率比率的应变设计的生产包膜。r BM：增长率； R P：产品合成率； Y P / S：产品产量； Y BM / S：生物质产量< / div>
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
对话角色对语音人工智能和人类对话者语音对齐的影响 标题：角色和对话者影响对齐 Georgia Zellou、Michelle Cohn 和 Tyler Kline 语音实验室，加州大学戴维斯分校语言学系 469 Kerr Hall，One Shields Ave.，戴维斯，CA 95616，美国 通讯作者电子邮件：gzellou@ucdavis.edu 摘要 两项研究调查了对话角色对人类和语音人工智能对话者语音模仿的影响。在单词列表任务中，给予者指示接收者将单词放在两个列表中的哪一个上；这个对话任务类似于用户与语音人工智能系统进行的简单口头交互。在地图任务中，参与者与对话者一起完成填空工作表，这是一项更复杂的交互任务。参与者与两个对话者一起完成了两次任务，一次作为信息提供者，一次作为信息接收者。语音对齐通过相似性评级进行评估，使用混合效应逻辑回归进行分析。在单词列表任务中，参与者在更大程度上仅向人类对话者靠拢。在地图任务中，仅作为给予者的参与者更多地向人类对话者靠拢。结果表明，语音对齐由对话者的类型介导，并且对话角色的影响因任务和对话者而异。关键词：语音对齐、语音-AI、人机交互、对话
对话角色对语音 AI 和人类对话者语音对齐的影响 标题：角色和对话者影响对齐 Georgia Zellou、Michelle Cohn 和 Tyler Kline 语音实验室，加利福尼亚大学戴维斯分校语言学系 469 Kerr Hall，One Shields Ave.，戴维斯，CA 95616，美国 通讯作者电子邮件：gzellou@ucdavis.edu 摘要 两项研究调查了对话角色对人类和语音 AI 对话者语音模仿的影响。在单词列表任务中，给予者指示接收者将单词放在两个列表中的哪一个上；这个对话任务类似于用户与语音 AI 系统进行的简单口头交互。在地图任务中，参与者与对话者一起完成填空工作表，这是一项更复杂的交互任务。参与者与两个对话者完成了两次任务，一次作为信息提供者，一次作为信息接收者。通过相似性评级评估语音对齐，并使用混合效应逻辑回归进行分析。在单词列表任务中，参与者在更大程度上仅与人类对话者保持一致。在地图任务中，仅作为给予者的参与者更多地与人类对话者保持一致。结果表明，语音对齐由对话者的类型介导，并且对话角色的影响因任务和对话者而异。关键词：语音对齐、语音-AI、人机交互、对话角色
![b'We考虑了确定有向图中的根和全局边缘和顶点连接性（以及计算相应切割）的基本问题。对于具有小整数容量的根（以及全局）边缘连接，我们给出了一种新的随机蒙特卡洛算法，该算法在时间\ xcb \ x9c o n 2中运行。对于根边的连接，这是第一个在\ xe2 \ x84 \ xa6（n 3）绑定在密集图高连续性方向上的时间上改进的算法。我们的结果取决于采样的简单组合以及稀疏性的稀疏性，这似乎是新的，并且可能导致有向图连接问题的进一步折衷。我们将边缘连接想法扩展到有向图中的根和全局顶点连接。我们在\ xcb \ x9c o（nw/\ xcf \ xb5）中获得了一个（1 + \ xcf \ xb5）-AppRoximation，其中w是总顶点的重量（假设Integral vertex weivertex weivertex weivertex weivertex）;特别地，这会产生一个\ xcb \ x9c o n 2 /\ xcf \ xb5时间随机算法的未加权图。这转化为\ xcb \ x9c o（\ xce \ xbanw）时间精确算法，其中\ xce \ xba是根的连接。我们以此为基础，以获得全局顶点连接的类似界限。我们的结果补充了由于Gabow的工作[8]的1991年边缘连通性以及Nanongkai等人的最新工作，因此在低连通性方面的这些问题的已知结果补充了。 [23]和Forster等。 [6]对于顶点连接。](/simg/8/8e7675640f7d11b8c01f2da32483c44d53994a39.webp)
b'We考虑了确定有向图中的根和全局边缘和顶点连接性（以及计算相应切割）的基本问题。对于具有小整数容量的根（以及全局）边缘连接，我们给出了一种新的随机蒙特卡洛算法，该算法在时间\ xcb \ x9c o n 2中运行。对于根边的连接，这是第一个在\ xe2 \ x84 \ xa6（n 3）绑定在密集图高连续性方向上的时间上改进的算法。我们的结果取决于采样的简单组合以及稀疏性的稀疏性，这似乎是新的，并且可能导致有向图连接问题的进一步折衷。我们将边缘连接想法扩展到有向图中的根和全局顶点连接。我们在\ xcb \ x9c o（nw/\ xcf \ xb5）中获得了一个（1 + \ xcf \ xb5）-AppRoximation，其中w是总顶点的重量（假设Integral vertex weivertex weivertex weivertex weivertex）;特别地，这会产生一个\ xcb \ x9c o n 2 /\ xcf \ xb5时间随机算法的未加权图。这转化为\ xcb \ x9c o（\ xce \ xbanw）时间精确算法，其中\ xce \ xba是根的连接。我们以此为基础，以获得全局顶点连接的类似界限。我们的结果补充了由于Gabow的工作[8]的1991年边缘连通性以及Nanongkai等人的最新工作，因此在低连通性方面的这些问题的已知结果补充了。 [23]和Forster等。 [6]对于顶点连接。
b'We考虑了确定有向图中的根和全局边缘和顶点连接性（以及计算相应切割）的基本问题。对于具有小整数功能的根（以及全局）边缘连接，我们给出了一种新的随机蒙特卡洛算法，该算法在时间\ xcb \ x9c o n 2中运行。对于根边连接性，这是第一个在密度高图高连续性方向上绑定的\ xe2 \ x84 \ xa6（n 3）时间上改进的算法。我们的结果依赖于采样的简单组合以及显得新颖的稀疏性，并且可能导致有向图连接问题的进一步权衡。我们将边缘连接想法扩展到有向图中的根和全局顶点连接。我们获得了\ xcb \ x9c o（nw/\ xcf \ xb5）中的根顶点连接的（1 + \ xcf \ xb5） - approximation，其中w是w是总顶点的重量的时间（假设Integral verterx werges flovex wevertex weivers apteral vertex weivers witteral wittex weivers w we特别地，这会产生一个\ xcb \ x9c o n 2 /\ xcf \ xb5时间随机算法的未加权图。这转化为\ xcb \ x9c o（\ xce \ xbanw）时间精确算法，其中\ xce \ xba是根的连接。我们以此为基础为全局顶点连接获得类似的范围。我们的结果补充了由于Gabow的工作[8]的1991年边缘连接性工作以及Nanongkai等人的最新工作，因此在低连通性方面的这些问题的已知结果。[23]和Forster等。[6]用于顶点连接。
医学研究中人工智能的报告指南 J. Peter Campbell, MD, MPH、Aaron Y Lee, MD, MSCI、Michael Abràmoff, MD、Pearse A. Keane, MD, FRCOphth、Daniel SW Ting, MD PhD 和 Michael F. Chiang, MD 资金支持：JPC 和 MFC 得到美国国立卫生研究院 (马里兰州贝塞斯达) 的 R01EY19474、R01EY031331、K12EY027720 和 P30EY10572 的支持；以及防盲研究 (JPC) 的无限制部门资金和职业发展奖的支持。AYL 得到 NIH/NEI K23EY029246、NIH P30EY10572 和防盲研究的无限制拨款的支持。赞助商/资助组织未参与本研究的设计或实施。财务披露：Michael D Abramoff，IDx（I、F、E、P、S）、Alimera（F）。J. Peter Campbell，Genentech（F）。Aaron Y Lee，美国 FDA（E）、Genentech（C）、Topcon（C）、Verana Health（C）、Santen（F）、Novartis（F）、Carl Zeiss Meditec（F）。Pearse A. Keane，DeepMind Technologies（C）、Roche（C）、Novartis（C）、Apellis（C）、Bayer（F）、Allergan（F）、Topcon（F）、Heidelberg Engineering（F）。Daniel Ting，EyRIS（IP）、Novartis（C）、Ocutrx（I、C）、Optomed（C）。通讯作者：Michael F Chiang 地址？联系方式？
医学研究中人工智能的报告指南 J. Peter Campbell, MD, MPH、Aaron Y Lee, MD, MSCI、Michael Abràmoff, MD、Pearse A. Keane, MD, FRCOphth、Daniel SW Ting, MD PhD 和 Michael F. Chiang, MD 资金支持：JPC 和 MFC 得到美国国立卫生研究院 (马里兰州贝塞斯达) 的 R01EY19474、R01EY031331、K12EY027720 和 P30EY10572 的支持；以及防盲研究 (JPC) 的无限制部门资金和职业发展奖的支持。AYL 得到 NIH/NEI K23EY029246、NIH P30EY10572 和防盲研究的无限制拨款的支持。赞助商/资助组织未参与本研究的设计或实施。财务披露：Michael D Abramoff，IDx（I、F、E、P、S）、Alimera（F）。J. Peter Campbell，Genentech（F）。Aaron Y Lee，美国 FDA（E）、Genentech（C）、Topcon（C）、Verana Health（C）、Santen（F）、Novartis（F）、Carl Zeiss Meditec（F）。Pearse A. Keane，DeepMind Technologies（C）、Roche（C）、Novartis（C）、Apellis（C）、Bayer（F）、Allergan（F）、Topcon（F）、Heidelberg Engineering（F）。Daniel Ting，EyRIS（IP）、Novartis（C）、Ocutrx（I、C）、Optomed（C）。通讯作者：Michael F Chiang 地址？联系方式？
市场营销人工智能的系统分析和未来研究方向 Worakamol Wisetsri 1、Ragesh T S 2、Catherene Julie Aarthy C 3、Vibha Thakur 博士 4、Digesh Pandey 5、Kamal Gulati 博士 6 1 泰国曼谷北部先皇科技大学商业与工业管理学院制造与服务业管理系副教授 worakamol.w@arts.kmutnb.ac.th 2 商业分析系助理教授，Prin。 L. N. 韦林卡管理发展与研究学院，印度 ragesh.ts@welingkar.org 3 印度印度斯坦理工学院管理学院 S. G 助理教授 catherinej@hindustanuniv.ac.in 4 印度中央邦博帕尔（巴尔卡图拉大学）职业学院计算机科学主任兼助理教授，vibhathakur.2020@gmail.com 5 印度勒克瑙 MUIT 计算机科学工程研究学者，digeshpandey001@gmail.com 6 印度北方邦诺伊达阿米蒂大学副教授 | 美国弗吉尼亚州斯特拉特福德大学独立顾问，drkamalgulati@gmail.com 通讯作者：：Kamal Gulati 博士 印度北方邦诺伊达阿米蒂大学副教授 |独立顾问，美国弗吉尼亚州斯特拉特福德大学，drkamalgulati@gmail.com 文章历史：收到日期：2021 年 1 月 10 日；修订日期：2021 年 2 月 12 日；接受日期：2021 年 3 月 27 日；在线发表日期：2021 年 5 月 10 日
市场营销人工智能的系统分析和未来研究方向 Worakamol Wisetsri 1、Ragesh T S 2、Catherene Julie Aarthy C 3、Vibha Thakur 博士 4、Digesh Pandey 5、Kamal Gulati 博士 6 1 泰国曼谷北部先皇科技大学商业与工业管理学院制造与服务业管理系副教授 worakamol.w@arts.kmutnb.ac.th 2 商业分析系助理教授，Prin。L. N. 韦林卡管理发展与研究学院，印度 ragesh.ts@welingkar.org 3 印度印度斯坦理工学院管理学院 S. G 助理教授 catherinej@hindustanuniv.ac.in 4 印度中央邦博帕尔（Barkatullah 大学）职业学院计算机科学主任兼助理教授，vibhathakur.2020@gmail.com 5 印度勒克瑙 MUIT 计算机科学工程研究学者，digeshpandey001@gmail.com 6 印度北方邦诺伊达阿米蒂大学副教授 | 美国弗吉尼亚州斯特拉特福德大学独立顾问，drkamalgulati@gmail.com 通讯作者：：Dr. Kamal Gulati 印度北方邦诺伊达阿米蒂大学副教授 |独立顾问，美国弗吉尼亚州斯特拉特福德大学，drkamalgulati@gmail.com 文章历史：收到日期：2021 年 1 月 10 日；修订日期：2021 年 2 月 12 日；接受日期：2021 年 3 月 27 日；在线发表日期：2021 年 5 月 10 日