XiaoMi-AI文件搜索系统
World File Search Systemthy
春季2024
d28 Maja Kadic Tushara Sadasivuni病毒化Maximilian Arendale，Brandon Chung，Peter Kim，Aneesh Pallapolu D29 Newton Pham Tushara Sadasivuni和In-In Invan Loh，Nethmee Perara dawawate。 Christian Spencer，Abraham Ochoa D30 Komal Ganta Tushara Sadasivuni Tessrae（Scrambler密码）KOI Steward，Junyeong哦，Yesenia Hurtado，Julian Hernandez D31 Joshua投票移动应用程序Osaid Zeyad，Trinity Gordon，Jared Stewart，Andy Kang D32 James Parker Tushara Sadasivuni政策政策投票移动应用程序Kamil Elwawi，Khang Truong，Sofia Lug-Bob-Bobonilla，Christophler， D33 Steven Ton Tushara Sadasivuni TimeSync Abdul Fawy, Aqra Qadeer, Dylan Trejo, Elaf Mustafa, Lorry Hoang D34 Zian Chowdhury Tushara Sadasivuni Care Hub Ngoc Minh Thy Nguyen, Steven Tea，Andy Ha，Abdul-Malik Mohammed D35 Richard Duel Tushara sadasivuni预算叮咬Anvar Suleyman，Zoe Cryton，Christopher Baez，Joe Yonathan，Mitchell Bailey Bailey D36 Ritik Patela Tushara Tushara Tushara Sadla废料Ri Merritt，Jae Jeong，Ryan Tran，Robbie Jr Owivry D37 Karrim Muhammad
S-亚硝化与2型糖尿病的相关性...
糖尿病是一种复杂的慢性代谢性疾病，以高血糖和各种并发症为特征[1]。它主要表现为两类：1型糖尿病（T1DM）和2型糖尿病（T2DM），其中2型糖尿病约占所有糖尿病病例的90%[2]。1型糖尿病的病因在于细胞免疫的破坏，而2型糖尿病则是由胰岛素敏感性降低和胰岛素抵抗（IR）引起的[3]。糖尿病是全球面临的重大健康挑战，近年来由于生活方式和饮食习惯的改变，糖尿病的发病率和患病率显著上升。预计到2045年，全球将有约6.93亿人患有糖尿病[4]。糖尿病不仅影响患者的生活质量，也给医疗系统带来巨大的经济负担。根据受影响组织的不同，糖尿病并发症可分为糖尿病肾病 (DN)、糖尿病周围神经病变 (DPN) 和糖尿病心血管疾病 (DCD) 等 [5–7]。糖尿病的管理相当困难，因为影响其发病的因素众多，其病理学的复杂性
aratrust：对阿拉伯语中LLM的可信赖性的评估
迅速的进步和广泛接受人工智能（AI）系统突出了一个紧迫的要求，以理解与AI相关的能力和潜在风险。鉴于AI研究中Arabic的语言复杂性，文化丰富性和代表性不足的状态，因此需要重点关注大型语言模型（LLMS）的效果和安全性。尽管他们的发展进展有所进展，但缺乏全面的信任评估基准，这在准确评估和证明阿拉伯语提示时提出了LLM的安全性。在本文中，我们介绍了Aratrust 1，这是阿拉伯语LLM的第一个全面的可信赖台。Aratrust包括522个人工编写的多项选择问题，这些问题解决了与真理，道德，隐私，非法活动，人类健康，身体健康，身体健康，不公平和冒犯性语言有关的各种维度。我们评估了针对我们的基准测试的一组LLM，以评估其可信度。gpt-4是最值得信赖的LLM，而开源模型（特别是ACEGPT 7B和JAIS 13B）努力在我们的基准测试中取得60％的分数。
我们信任人工智能：道德、人工智能和可靠性
摘要 评估人工智能 (AI) 的主要困难之一是人们倾向于将其拟人化。当我们将人类的道德活动与人工智能联系起来时，这一点尤其成问题。例如，欧盟委员会人工智能高级专家组 (HLEG) 采取的立场是，我们应该与人工智能建立信任关系，并培养值得信赖的人工智能 (HLEG 人工智能伦理指南，2019 年，第 35 页)。信任是人际关系中最重要和最具决定性的活动之一，因此提出人工智能应该被信任是一个非常严肃的说法。本文将表明，根据最普遍的信任定义，人工智能不可能是具有被信任能力的东西，因为它不具备情感状态，也不能对自己的行为负责——这是情感和规范信任的要求。虽然人工智能满足了理性信任的所有要求，但本文将表明，这实际上根本不是一种信任，而是一种依赖。最终，即使是像人工智能这样复杂的机器也不应被视为值得信任，因为这会破坏人际信任的价值、将人工智能拟人化，并转移开发和使用人工智能的人的责任。
心力衰竭的生活质量：新数据，新药和设备
由五个维度组成的多维，个人结果：身体健康，物质健康，社会健康，情感健康以及发展和活动[4]。中央插图呈现QOL维度。有许多评估QOL的工具，例如与健康相关的生活质量问题 - NAIRE，世界卫生组织生活质量工具，简短表格36卫生调查范围征询税（SF-36），《生活质量量表》 [5]。其中一些专门用于HF：慢性心力衰竭评估工具，充血性心力衰竭的心脏健康状况，慢性心力衰竭问卷（CHFQ），堪萨斯城心脏病问卷（KCCQ）（KCCQ），剩下的心脏衰竭问卷，明尼苏达州的心脏衰竭问卷，严重的心脏失败（Minnesota）的心脏衰竭（Minnesota），MEL HERT FAILEER（M）和MLHHER（MLHHEFQ），以及生命（Mlhfq）和良好的生活。表1显示了选定的QOL问卷。使用某些问卷具有临床潜力。评估KCCQ用于识别高危患者并设计其个人治疗计划。KCCQ评分较低或恶化的患者表明心血管事件和死亡率的风险增加[6]。iqbel在al。[7]表明，基线质量质量预测死亡率和住院 - 患者
人工智能伦理的未来和神经技术的作用
摘要 作为科学家和研究人员，我们不仅要创造和推进技术，还有义务确保新技术的设计和使用方式具有包容性和可信度，符合社会价值观，并让公司和个人遵守严格透明的标准。这一责任并不新鲜，在人工智能伦理的背景下被广泛讨论。在本文中，我们指出，人工智能正在逐渐与神经技术融合，为我们的生活带来积极影响的同时也带来了额外的担忧。因此，我们需要扩展我们的能力来识别和解决新出现的伦理问题。然而，我们可以而且应该利用在人工智能伦理领域收集到的所有知识和开发的能力，加速解决人工智能和神经技术结合所引发的扩大甚至新问题。本文是识别伦理问题和指出神经技术为讨论带来什么的第一步。这也是对人工智能伦理思想领袖和从业者的号召，以支持更广泛的多学科和多利益相关方方法，包括人工智能+神经技术研究、技术和部署解决方案方面的专业知识。鉴于神经技术仍处于新兴阶段，这是一个独特的机会，可以从过去吸取教训，积极思考潜在问题和负面影响，并在问题出现之前制定预防性的技术、社会和教育解决方案。
多重型心率价值分析：一种新的糖尿病神经病诊断方法
摘要：2型糖尿病（T2DM）的特征是几种并发症，例如视网膜，肾衰竭，心血管疾病和糖尿病神经病。在其中，由于其早期发现的挑战性，神经病是最严重的并发症。线性壁炉率可变性（HRV）分析是糖尿病神经病的最常见诊断技术，其特征是通过使用PhotoPleplethymmography获得的转速图通过线性分析来确定外围神经上的交感神经 - 降低性平衡。我们旨在执行多重分析分析以识别自主神经病，该神经病尚未表现出来，并且无法通过线性HRV分析检测到。我们招募了10个健康对照，10例T2DM诊断为不饱受神经病的患者，还有10名T2DM诊断为诊断为成熟的神经性疾病的患者。使用手指光摄像学获得了用于HRV分析的转速图，并进行了线性和/或多重分析分析。我们的初步结果表明，线性分析可以有效地区分健康的患者和成熟神经病的T2DM患者。然而，没有差别揭示了将成熟的糖尿病患者与不成熟的神经性糖尿病患者进行比较。相反，多重HRV分析可有效区分成熟和不满的神经性T2DM患者。多重分析分析也可以代表确定神经性发作的有力策略，即使没有临床诊断证据。
授权可信赖的客户选择在边缘联盟学习利用强化学习
联合学习（FL）是一种在不共享原始本地数据的情况下培训Edge Computing（EC）中多个客户端的AI模型的有前途的方法。通过启用本地培训并将更新汇总到全球模型中，FL在促进协作学习的同时保持隐私。从未有过，FL遇到了一些挑战，包括您的客户参与，由于患有恶意或不准确的模型而导致的客户效率低下的模型聚合。在本文中，我们提出了一种可信赖的FL方法，该方法结合了Q学习，信任和声誉机制，增强了模型的认可和公平性。此方法促进客户参与，减轻恶意攻击的影响并确保公平的模型分布。受强化学习的启发，Q学习算法使用Bellman方程优化了客户选择，从而使服务器能够平衡探索和开发，以改善系统性能。更重要的是，我们探索了点对点fl设置的优势。广泛的实验证明了我们提出的可信赖的FL方法在实现高学习准确性方面的有效性，同时确保客户之间的公平性并保持有效的客户选择。我们的结果揭示了模型性能，收敛速度和概括方面的显着改善。
CADASIL-DigitalCommons@TMC
背景：伴有皮质下梗塞和白质脑病的常染色体显性脑动脉病 (CADASIL) 是最常见的遗传性脑小血管病 (CSVD)，其病理学特征为非动脉粥样硬化和非淀粉样弥漫性血管病，主要累及中小型穿透动脉和软脑膜动脉。1996 年，Notch 受体 3 基因 (NOTCH3) 突变被确定为 CADASIL 的病因。然而，从那时起，其他遗传性 CSVD 已被描述，包括 HtrA 丝氨酸肽酶 1 基因相关 CSVD 和蛋白酶 A 基因相关 CSVD，其临床表现与原始表型相似。尽管 NOTCH3 相关脑小血管病现在是一种公认的遗传性疾病，研究这种疾病的研究数量也在增加，但 NOTCH3 在 CADASIL 发病机制中的作用仍然不清楚。综述目的：本综述旨在深入了解遗传性脑小血管病的发病机制和诊断，以及个性化治疗、预测方法和有针对性的预防。在本综述中，我们总结了 CADASIL 的最新进展，包括临床、神经影像学、病理学、遗传学、诊断和治疗方面以及鉴别诊断，其中强调了 NOTCH3 突变的作用。综述的关键科学概念：在本综述中，CADASIL 与其他遗传性脑小血管病一起被重新审视为一种 NOTCH3 相关脑小血管病。2024 作者。由 Elsevier BV 代表开罗大学出版 这是一篇根据 CC BY-NC-ND 许可 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 的开放获取文章。
如何引用本文：Gallego-Munevar C，Carrillo-Godoy N，Rondón-Barragán是。 TPO基因相关的新型突变的分子检测
目的：这项研究的目的是分析来自诊断为先天性甲状腺功能减退症（CH）的CAT的甲状腺过氧酶（TPO）基因的不同片段的序列。材料和方法：由于您的流血刺激激素和低T4的血清浓度高，因此被诊断为猫科动物。从具有CH的狗的TPO基因中含有突变的序列的分析允许预测受影响CAT中基因中的突变位点。此外，基于聚合酶链反应测试的设计还可以放大和测序这些基因段。此外，在患者死亡后，进行了死灵病和组织病理学，寻找受影响器官的宏观和微观改变。结果：尸检检查表明甲状腺的心脏同心左心室高奖杯和甲状腺的双侧增大。甲状腺的组织病理学表现出卵泡性发育不全和低胶体产生。gDNA分析允许检测TPO基因中的突变，该突变与位于核苷酸14.627（G/A）中的核苷酸12.542（a> g）中的一个过渡相对应，在核苷酸和核苷酸30.713（g/c）中。结论：由于存在这些多态性，因此怀疑存在一种突变等位基因的单相表达。需要进行更多的研究，以了解杂合中杂合中的作用，以及与CH在CAT中相关的基因突变的作用。另一方面，本研究的数据是开发分子测试的基础，该测试可以快速准确诊断猫中的HC。