XiaoMi-AI文件搜索系统
World File Search Systemunknown
使用分子工具识别和指导治疗原发部位不明的癌症
原发灶不明的癌症 (CUP) 是指经组织学证实的转移性癌症，尽管进行了全面的诊断评估，但原发肿瘤仍未确定 [1,2]。CUP 约占全球所有癌症诊断的 3% 至 5%，估计每年每 100,000 人中有 7 至 12 例 [2]。尽管 CUP 罕见，但由于其异质性且通常与疾病相关的预后不良，它代表了重大的临床挑战。值得注意的是，CUP 不包括某些恶性肿瘤，例如肉瘤、黑色素瘤、生殖细胞肿瘤、神经内分泌肿瘤和血液系统癌症，因为这些肿瘤的确切来源部位尚未确定 [2]。绝大多数 CUP 患者（80-85%）属于高风险肿瘤组，即组织学分析无法明确组织来源的癌症，并且存在多个转移部位 [3]。这与 CUP 患者中的一小部分人形成了鲜明对比，这些人属于低风险人群，疾病表现有限，适合治愈目的、接受局部疗法治疗或临床表现高度提示组织来源，如患有孤立腋窝淋巴结的女性 [4]。
训练量子测量装置以辨别未知的非正交量子态
在这里，我们研究解码通过未知量子态传输的信息的问题。我们假设 Alice 将字母表编码为一组正交量子态，然后将其传输给 Bob。然而，介导传输的量子通道将正交状态映射到非正交状态，可能混合。如果没有准确的通道模型，那么 Bob 收到的状态是未知的。为了解码传输的信息，我们建议训练测量设备以在鉴别过程中实现尽可能最小的误差。这是通过用经典通道补充量子通道来实现的，经典通道允许传输训练所需的信息，并采用抗噪声优化算法。我们在最小误差鉴别策略的情况下演示了训练方法，并表明它实现了非常接近最优误差概率。特别是，在两个未知纯态的情况下，我们的建议接近 Helstrom 界限。对于更高维度中的大量状态，类似的结果也成立。我们还表明，减少训练过程中使用的搜索空间可以大大减少所需资源。最后，我们将我们的建议应用于相位翻转通道达到最佳误差概率的准确值的情况。
基于学习的实时扭矩预测用多指手抓住未知对象
摘要 - 用多指手抓住对象时，对于掌握稳定性至关重要，在每个关节上施加正确的扭矩以应对外力。大多数当前系统都使用简单的启发式方法，而不是正确对所需的扭矩进行建模。相反，我们提出了一种基于学习的方法，能够实时预测对未知对象的抓扭矩。使用监督学习的端到端训练的神经网络被证明可以预测更有效的扭矩，并且与所有经过测试过的启发式基准相比，对象的非自愿运动较少。具体来说，对于90％的掌握，对象的翻译偏差低于2。9毫米，旋转下方3。1◦。为了生成训练数据，我们使用弹性模型来制定扭矩的分析计算作为优化问题，并处理多接触的不确定性。我们进一步表明，网络概括以预测具有1个推理时间1的真实机器人系统上未知对象的扭矩。5 ms。网站：dlr-alr.github.io/grasping/
使用液体活检方法对未知原发性癌症的遗传表征
未知的原发性（杯子）的癌症包括一组异质的罕见转移性肿瘤，其主要部位在广泛的临床 - 病情研究后无法识别。 杯子患者通常接受经验化学疗法治疗，并且预后较低。 最近报道，杯赛基因组提出了可能提出靶向疗法的潜在可药物改变。 肿瘤组织的稀少以及难于DNA测试以及缺乏用于靶基因测序的专用面板是进一步的相关局限性。 在这里，我们建议可以使用循环肿瘤细胞（CTC）和循环肿瘤DNA（CTDNA）来识别杯赛患者中可起作用的突变。 血液是从两名杯子患者手中纵向收集的。 用细胞搜索r⃝和deparray tm nxt和parsortix系统分离 ctc，具有免疫表征的特征，用于使用Ampli 1 TM试剂盒进行单细胞基因组表征。 在不同时间点从血浆中纯化的循环无细胞DNA（CCFDNA），使用Sureselect目标富集技术测试了使用杯折线的92基因定制面板的肿瘤突变。 并行，用三种不同的测定法分析了FFPE肿瘤组织：FoundationOne CDX测定法，DeParray libprep和Oncoseek面板以及Sureselect自定义面板。 这些方法识别出相同的突变，当该基因被面板覆盖时，除了APC基因中的插入外。 由Oncoseek和SuneSelect面板检测到，但没有基础。 在一名患者的单个CTC，肿瘤组织和CCFDNA中检测到 FGFR2和CCNE1基因扩增。未知的原发性（杯子）的癌症包括一组异质的罕见转移性肿瘤，其主要部位在广泛的临床 - 病情研究后无法识别。杯子患者通常接受经验化学疗法治疗，并且预后较低。最近报道，杯赛基因组提出了可能提出靶向疗法的潜在可药物改变。肿瘤组织的稀少以及难于DNA测试以及缺乏用于靶基因测序的专用面板是进一步的相关局限性。在这里，我们建议可以使用循环肿瘤细胞（CTC）和循环肿瘤DNA（CTDNA）来识别杯赛患者中可起作用的突变。血液是从两名杯子患者手中纵向收集的。ctc，具有免疫表征的特征，用于使用Ampli 1 TM试剂盒进行单细胞基因组表征。在不同时间点从血浆中纯化的循环无细胞DNA（CCFDNA），使用Sureselect目标富集技术测试了使用杯折线的92基因定制面板的肿瘤突变。并行，用三种不同的测定法分析了FFPE肿瘤组织：FoundationOne CDX测定法，DeParray libprep和Oncoseek面板以及Sureselect自定义面板。这些方法识别出相同的突变，当该基因被面板覆盖时，除了APC基因中的插入外。由Oncoseek和SuneSelect面板检测到，但没有基础。在一名患者的单个CTC，肿瘤组织和CCFDNA中检测到 FGFR2和CCNE1基因扩增。在肿瘤组织和CCFDNA中检测到ARID1A基因（P.R1276 ∗）中的体细胞变体。通过在肿瘤演化期间收集的所有CCFDNA样品中，通过液滴数字PCR验证了变化。CTC呈现出ASPM和SEPT9基因中的复发放大模式以及FANCC的丧失。识别CCFDNA中的92基因自定义面板16个非同义体细胞改变，包括删除（I1485rfs ∗ 19）和体细胞突变（p。
未知癌症的分子诊断和现场特异性治疗：重要的里程碑
未知的原发性（杯） - EI，转移性癌症的癌症，尽管有足够的检查，但在临床上无法检测到的转移性癌症，这对患者和医生构成了数十年的艰巨挑战。1,2转移性癌症的治疗传统上是基于主要部位的。杯子患者伴有临床病理学特征，暗示原发性肿瘤的患者在相应治疗时会产生良好的预后。1名不利杯子的患者占经验化学疗法的约80％的病例，没有经验化学疗法治疗。在活检中进行的3个基因表达分析（GEP）经常可以诊断为假定的原始。1,3基于GEP的站点特异性疗法在前瞻性的单臂和回顾性研究中表现出了令人鼓舞的结果，特别是对于分子诊断的反应性癌症类型。2,4-6然而，与标准的经验化疗相比，随后的不利杯子随后的随机试验并未显示出GEP指导的特定于特异性疗法的优势。7,8这些试验是在针对许多不同的转移性癌症（尤其是分子引导疗法（MGT）和免疫疗法的大大改善疗法出现之前进行的。更重要的是，这些研究对分子预测的初选的预测过多，预期的预后不良，对于许多患者而言，特异性疗法类似于经验化学疗法。
术前MRI脑表型与老年人的术后del妄有关
未知原发性（MUP）的抽象黑色素瘤被认为与已知原发性（MKP）的黑色素瘤不同，目前尚不清楚这些患者是否从新颖的疗法中受益。在当前的研究中，在新的治疗时代比较了晚期和转移性MUP和MKP患者的特征和总生存期（OS）。从前瞻性荷兰黑色素瘤治疗登记中心（DMTR）中选择患者。应用了以下标准：在2012年7月至2017年7月之间，诊断IIIC不可切除或IV皮肤MKP（CMKP）或MUP以及免疫检查点抑制和/或靶向治疗的治疗。OS。分层的多变量COX回归模型用于调整分析。共有2706名患者符合条件，其中包括2321例（85.8％）CMKP患者和MUP的385例（14.2％）。在比较分析中，MUP患者在初级诊断时更常见于性能较差，LDH较高和中枢神经系统转移时出现晚期和转移性疾病。在粗分析中，CMKP或MUP患者的中位OS分别为12个月（四分位数范围[IQR] 5 - 44）和14个月（IQR 5 - 未达到）（p = 0.278）。在调整后的分析中，MUP患者的OS较高（危险率为0.70，95％置信区间0.58-0.85; p <0.001）。与患有晚期和转移性CMKP的患者相比，MUP患者在调整后的分析中具有较高的存活率，但通常具有较差的预后特征。与患有晚期和转移性CMKP的患者相比，MUP患者在调整后的分析中具有较高的存活率，但通常具有较差的预后特征。在粗分析中，OS可比表明MUP患者至少受益于新型疗法的治疗。
使用3D高斯弹奏
摘要 - 可推广的感知是太空机器人技术中高级自治的支柱之一。估计动态环境中未知对象的结构和运动对于此类自主系统至关重要。传统上，解决方案依赖于目标对象的先验知识，多个不同的表示或不适合机器人操作的低保真输出。这项工作提出了一种新颖的方法，可以使用统一表示形式来逐步重建和跟踪动态未知对象 - 一组3D高斯斑点，描述了其几何形状和外观。可区分的3DGS框架适合以动态对象设置。管道的输入是一组顺序的RGB-D图像。3D重建和6-DOF姿势跟踪任务是使用基于一阶梯度的优化来解决的。该公式很简单，不需要预训练，不假定对对象或其运动的先验知识，并且适合在线应用程序。在任意相对运动下的10个未知航天器的数据集中验证了所提出的方法。实验表明，在短期到中持续时间内，目标对象的成功3D重建和准确的6-DOF跟踪。讨论了跟踪漂移的原因，并概述了潜在的解决方案。
捍卫未知的：探索强化学习代理在现实，看不见的网络中的部署
摘要越来越多的网络模拟器为探索和应用最先进的算法开放了机会，以了解和衡量众多领域此类技术的能力。在这方面，最近发布的打哈欠泰坦是网络网络场景的简单化但不太详细的一个例子，可以通过强化学习算法来训练代理，并衡量其试图停止感染的有效性。在本文中，我们探讨了不同的强化学习算法如何导致不同示例和现实网络中各种代理的培训。我们评估了如何在一组网络中部署此类代理，尤其关注代理在探索具有复杂起始状态的网络，连接节点和不同级别挑战级别的路线数量的增加，旨在评估现实网络中从未见过的部署性能。
语义信念行为图：在未知环境中启用自主机器人检查
摘要 - 本文解决了在复杂且未知环境中自动机器人检查的问题。即使面对感知不确定性和对环境的先验知识，这种能力对于各种现实世界中的有效和精确检查至关重要。现有的实际自主检查方法典型地依赖于预定义的目标和路点，并且通常无法适应动态或未知设置。在本文中，我们介绍了语义信念行为图（SB2G）框架，作为一种新的语义意识自主机器人检查的方法。sb2g使用行为节点为机器人生成控制策略，该行为节点封装了设计用于检查不同类别对象的各种基于语义的策略。我们设计了一种主动的语义搜索行为，以指导机器人定位对象进行检查，同时降低语义信息不确定性。SB2G中的边缘编码这些行为之间的过渡。我们使用腿部机器人平台通过模拟和现实世界的城市检查来验证我们的方法。我们的结果表明，SB2G实现了更有效的检查政策，表现出与人类经营的检查相当的性能。
二战时期美国海军游击队在中国不为人知的故事
大多数人会惊讶于美国在二战期间在中国组建了一支军队；1944 年诺曼底登陆法国北部和太平洋岛屿战争使这种关系黯然失色。1941 年 12 月 7 日日本袭击珍珠港后，日军获得了作战动力，而美军则努力在远东战区站稳脚跟。正是在这个时候，美国海军发现了一个军事信息缺口，这可能会严重影响即将到来的行动——缺乏气象站。预报天气对军事规划至关重要。日军知道如何利用天气预报来掩饰他们的行动，因为大多数气象编队都是从西向东穿越中国、日本，然后穿越太平洋。美国海军认为有必要通过在中国建立气象站来跟踪日本之前的每日和每周预报，因此派遣米尔顿·E·迈尔斯上尉执行一项任务，最终扰乱了日军的行动，