医疗人工智能 (AI) 对未来的医疗保健系统至关重要。医疗 AI 研究使用以变量为中心的方法,从知识、态度和行为层面孤立地研究了人们对使用医疗 AI 的抵触情绪,同时忽略了存在一些亚群,他们的知识、态度和行为的综合水平可能存在差异。为了解决文献中的这一空白,我们采用以人为本的方法,采用潜在概况分析来考虑人们的医疗 AI 客观知识、主观知识、消极态度和行为意图。在两项研究中,我们确定了三种不同的医疗 AI 概况,它们根据人们对医疗 AI 的信任和感知风险而系统地变化。我们的研究结果揭示了人们不愿使用医疗 AI 的本质,以及不同特征的个体在医疗 AI 方面可能具有不同的知识、态度和行为。
我们针对 Z nmk 中的隐子群问题提出了一个多项式时间精确量子算法。该算法使用模 m 的量子傅里叶变换,不需要对 m 进行因式分解。对于光滑的 m ,即当 m 的素因数为 (log m ) O (1) 时,可以使用 Cleve 和 Coppersmith 独立发现的方法精确计算量子傅里叶变换,而对于一般的 m ,可以使用 Mosca 和 Zalka 的算法。即使对于 m = 3 和 k = 1,我们的结果似乎也是新的。我们还提出了计算阿贝尔群和可解群结构的应用程序,它们的阶具有与 m 相同(但可能是未知的)素因数。可解群的应用还依赖于 Watrous 提出的用于计算子群元素均匀叠加的技术的精确版本。
摘要在包括嵌套亚组(嵌套亚组)中报道的临床试验的设计中,在寻求新的批准适应症的新型代理中很常见。这种结构代表了有动力寻求广泛生物标志物批准的药品公司之间的紧张关系,其最大感兴趣的患者是确定最有可能从药物中受益的亚组。编程的死亡配体1(PD-L1)和检查点抑制剂是一个重要的例子,早期试验报告了PD-L1较高的同类群体检查点抑制剂的效率。随后的分析逐步报告了更广泛的患者队列中的结果,其中包括高PD-L1表达的嵌套亚组,从而驱动整个队列中的积极结果。比较具有已知异质结果的患者组之间的综合结果,可以阻止对所有可用数据的有效分析。探索针对不同水平的PD-L1表达的个体患者的最佳治疗方法,无论是检查点抑制剂,仅结合化学疗法或化学疗法的检查点抑制剂,都需要一种颗粒状的试验设计和报告方法。在辅助治疗的环境以及在单个基因突变中表现出效率的靶向疗法中,越来越多地看到了具有不同生物标志物发现的患者的这种分组。在这里,我们讨论了肿瘤学中嵌套和相邻亚组之间的差异。ª2021Elsevier Ltd.保留所有权利。
摘要:粘膜黑色素瘤(MM)是一种罕见且侵略性的临床癌症,主要发生在头部,颈部和肛门生殖器区域。尽管遗传学最近的进步和革命治疗的发展,例如免疫疗法,但MM的预后仍然很差。犬MM与人类对应物共享几种临床,组织学和遗传特征,提供了相关的自发和免疫能力模型,以破译遗传基础并探索人类MM的治疗选择。我们对32个犬MM样品进行了整合基因组和转录组分析,这使我们能够鉴定出微环境和结构变体(SV)含量不同的两个分子亚组。与微环境和T细胞反应相关的基因的过表达与具有较低的结构变体含量的肿瘤有关,而与色素沉着相关的途径和癌基因(如TERT)的过表达与高SV负担相关。详细介绍了SV,尤其是那些具有局灶性扩增的SV,在四个犬MM细胞系上进行了全基因组测序。我们表明,焦点放大表征了靶向癌基因的复杂染色体重排,例如MDM2或CDK4,以及犬30犬30上的一个经常放大的区域,其中包含TRPM7,GABPB1,USP8和SPPL2A的基因,是MMMM的候选。我们表明这些基因的拷贝数与它们的表达水平显着相关。最后,我们证明了TRPM7,GABPB1和SPPL2A基因在细胞增殖中起作用。因此,这些可能被视为人类MM的新候选癌基因。我们的发现表明存在可能受益于专用疗法的两个MM分子亚组,例如免疫检查点抑制剂或靶向疗法。这些结果说明了自发MM中狗模型对解密遗传机制的相关性,并有可能筛选人类中罕见和侵略性癌症有效的靶向疗法。。
虽然仍然无法描述人脑的神经元水平连接,但我们可以通过应用基于分解-MRI的技术来用数百个顶点绘制人类连接组。在这些图中,节点对应于大脑的解剖学上鉴定的灰质区域,而边缘对应于轴突纤维,将这些区域连接起来。在我们以前的贡献中,我们描述了人类连接组的众多图形理论现象。在这里,我们绘制了人脑网络的频繁完整子图:在这些子图中,每对顶点都与边缘结合。我们还检查结果中的性别差异。频率子图的映射在图表中给出了可靠的子结构:如果图80%中存在子图,那么很可能是测量或数据处理工作流的伪像。我们在这里列出了413名受试者(238名女性和175名男性)的人类胸罩的频繁完整子图,每个人具有463个节点,其频率阈值为80%,并识别812个完整的子图,在男性和224个完整的子图中更频繁,在女性连接体中更频繁。
本论文由 UNM 数字存储库的工程 ETD 免费提供给您,供您开放访问。它已被 UNM 数字存储库的授权管理员接受并纳入土木工程 ETD。欲了解更多信息,请联系 disc@unm.edu 。