XiaoMi-AI文件搜索系统
World File Search System从单
从单架飞机到社区：对空中的中立解释...
目前的空中交通复杂性指标是根据 ATM 不同管理层的利益来定义的。这些层级有不同的目标，实际上它们会竞争以最大化自己的目标，从而导致决策分散。这种分散性以及相互竞争的 KPA 需要透明和中立的空中交通信息来为可解释的行动铺平道路。在本文中，我们引入了单架飞机复杂性的概念，以确定每架飞机对空中交通整体复杂性的贡献。此外，我们描述了一种扩展此概念的方法，以定义复杂社区，即在特定空域中贡献大部分复杂性的相互依赖的飞机群。为了展示该方法，开发了一种可视化算法不同输出的工具。通过基于合成和真实历史流量的用例，我们首先表明该算法可用于形式化控制器决策以及指导控制器做出更好的决策。此外，我们研究如何使用所提供的信息来提高决策者对不同空域用户的透明度，这也有助于提高公平性和公正性。最后，进行敏感性分析，以系统地分析每个输入如何影响方法。
从单独和组合机载成像光谱和无人机多光谱数据中进行作物分离
摘要：作物品种分离对于广泛的农业应用至关重要——特别是在需要季节性信息时。通常，遥感可以高精度地提供此类信息，但在小规模结构化的农业区域，需要非常高的空间分辨率数据 (VHR)。我们提出了一项研究，涉及使用无人机 (UAV) 获取的近红外 (NIR) 红绿蓝 (NIR-RGB) 波段数据集以及机载棱镜实验 (APEX) 获取的成像光谱 (IS) 数据集得出的光谱和纹理特征。使用基于随机森林的方法来分析这些数据集的单独使用和组合，以确定作物的可分离性。此外，还分析了基于特征因子加载的不同波段缩减方法。使用 IS 数据集和两个组合数据集获得了最准确的作物分离结果，平均准确度 (AA) >92%。此外，我们得出结论，在 IS 特征数量（即波长）减少的情况下，可以通过使用额外的 NIR-RGB 纹理特征（AA > 90%）来补偿准确度。
免疫检查点抑制相关的免疫相关不良事件的潜在疗法：从单克隆抗体到激酶抑制
摘要 免疫检查点抑制剂 (ICI) 可促进抗肿瘤免疫反应，但其治疗效果可能会因不良的免疫相关不良事件 (irAE) 而减弱。最近才提出了根据 irAE 表型和免疫组织病理学发现分层的治疗建议，这些建议通常基于原发性自身免疫性疾病中使用的治疗建议，包括使用单克隆抗体靶向特定促炎细胞因子。越来越多的证据支持使用此类基于抗体的策略作为有效的类固醇减量治疗，尽管这些疗法本身可能与额外的药物毒性和 ICI 疗效降低有关。激酶是驱动原发性自身免疫性疾病和 irAE 的适应性和先天性反应的关键因素。 Janus 激酶/信号转导和转录激活因子、布鲁顿酪氨酸激酶和丝裂原活化蛋白激酶相互作用丝氨酸/苏氨酸蛋白激酶 1 和 2 通路对肿瘤进展也至关重要，并在肿瘤微环境细胞中发挥重要作用。本文，我们回顾了组织病理学、生物学和临床证据，以支持特定单克隆抗体和激酶抑制作为 irAE 的管理策略。
从单个细胞到整个大脑：基因表达，细胞类型和脑
艾伦学院（Allen Institute）是位于华盛顿西雅图的非营利生物医学研究所。我们的四个部门 - 艾伦脑科学研究所，艾伦细胞科学研究所，艾伦免疫学研究所和Paul G Allen Frontiers Group-致力于回答世界各地的一些最大问题，并在全球范围内加速研究。我们与科学界和公众共享所有数据和研究结果。由创始人保罗·艾伦（Paul G.艾伦脑科学研究所创建了大规模开放的数据集，该数据集解决了有关大脑组件和功能的基本问题。这些数据集和其他工具形成了Allen Brain Map，并在Brain-map.org上在线公开获取。
十二指肠粘膜在从单个地点扩张到多个地点的早期经验
Jacques Bergman Research support from: Fuji-film, Boston Scientific, Covidien Metronic GI Solutions, Erbe, NinePoint Medical, C2 Therapeutics, Cernostics, Interpace, Fractyl Laboratories, Olympus, Cook Medical Consulting fee from: C2 Therapeutics, Covidien Metronic GI Solutions, Boston Scientific, Cook Medical
IMG2nDSM：使用深度学习从单个机载 RGB 图像估计高度
摘要：估计单幅航拍图像中建筑物和植被的高度是一个具有挑战性的问题。提出了一种以任务为中心的深度学习 (DL) 模型，该模型结合了成功的 DL 模型（U-NET 和残差网络）的建筑特征，并学习从单个航拍图像到规范化数字表面模型 (nDSM) 的映射。该模型在具有相应 DSM 和数字地形模型 (DTM) 的航拍图像上进行训练，然后用于推断没有高程信息的图像的 nDSM。使用覆盖英国曼彻斯特大片地区的数据集以及 2018 年 IEEE GRSS 数据融合竞赛 LiDAR 数据集对该模型进行了评估。结果表明，所提出的 DL 架构适合该任务，并且大大超越了其他最先进的 DL 方法。
一个紧凑而可解释的卷积神经网络，用于从单个通道EEG
摘要 - 驾驶员嗜睡是导致运输行业道路死亡和危害的主要因素之一。脑电图（EEG）被认为是检测驾驶员昏昏欲睡状态的最佳生理信号之一，因为它直接测量了大脑中的神经生理活性。但是，设计一个无校准的系统，用于用脑电图设计驾驶员的嗜睡检测仍然是一项艰巨的任务，因为脑电图遭受了不同受试者的严重精神和身体漂移。在本文中，我们提出了一个紧凑且可解释的卷积神经网络（CNN），以发现不同受试者跨主题的共享脑电图特征，以进行驾驶员嗜睡检测。我们将全局平均池（GAP）层纳入模型结构中，从而允许类激活图（CAM）方法用于定位对分类最大的输入信号的区域化区域。结果表明，对于2级跨受试者EEG信号分类，提出的模型可以实现11名受试者的平均准确性，高于常规机器学习方法和其他最先进的深度学习方法。通过可视化技术揭示了该模型在生物学上可以解释的特征，例如α纺锤体和theta爆发，作为昏昏欲睡状态的证据。也很有趣的是，该模型使用通常主导着觉醒的脑电图，例如肌肉伪影和传感器漂移来识别警报状态。代码可从：https：//github.com/cuijiancorbin/a-compact-and-interpretable-convolutional-neural-network- for single-channel-eeg提出的模型说明了使用CNN模型作为一个强大工具的潜在方向，以发现与EEG信号不同受试者的不同心理状态相关的共享特征。
一种从单通道脑电信号中检测癫痫发作的多视图 SVM 方法
摘要 癫痫发作是发生在中枢神经系统中的癫痫的一部分，会导致大脑活动异常。脑电图 (EEG) 信号记录主要用于癫痫发作检测过程。癫痫发作的检测是患者进一步治疗的关键部分。本文提出了一种使用单通道 EEG 信号进行癫痫发作检测的多视图 SVM 模型。在本实验中，提取了 EEG 数据的两个视图，(1) 使用独立成分分析 (ICA) 的时域特征和 (2) 在频域中获得功率谱密度。提取的特征已输入到多视图 SVM 分类模型。在本研究中，单通道 EEG 数据集用于癫痫发作检测。已经估计了性能估计参数，即准确度、灵敏度、特异性、F1 分数和 AUC 值，以评估所提出的模型。该模型使用 k 倍交叉验证对 A vs E 和 B vs E 集上的癫痫和非癫痫进行了分类，准确率超过 99%。使用相同特征，多视图 SVM 获得的分类准确率比单视图 SVM 高 1-4%。此外，还将所提出的模型与现有的单视图 SVM 模型进行了比较。观察到，与单视图 SVM 模型相比，多视图 SVM 模型在相同特征上的表现明显更好。
基因组医学：从单基因和复杂骨疾病中学到的教训
目前对单基因和复杂骨疾病的遗传研究扩大了我们对疾病生理学的理解，强调了对患者特征量身定制的医疗干预措施和治疗的需求。随着基因组研究的进展，对分子机制的新见解开始为临床决策提供支持。现在为疾病筛查，诊断，预后和治疗提供了充足的机会。持有具有遗传支持的机制的药物靶标更可能成功。因此，对药物开发过程实施遗传信息以及骨骼疾病的分子重新发现可以帮助克服药物研究中当前的缺点，包括失败的尝试和令人震惊的成本。本综述总结了骨骼领域的遗传研究成就及其在临床护理中的应用，这说明了基因组医学时代的即将出现。
基因选择，用于从单细胞转录组数据中对细胞位置的最佳预测
单细胞RNA-Sequencing（Scrnaseq）技术正在迅速发展。尽管在标准的scrnaseq概述中非常有用，但是丢失了原始组织中细胞的空间组织。相反，旨在维持细胞定位的空间RNA-seq技术的吞吐量和基因覆盖率有限。将SCRNASEQ映射到具有空间信息的基因上，在提供空间位置时会增加覆盖范围。但是，执行此类映射的方法尚未标记。为了填补这一差距，我们组织了梦想的单细胞转录组学挑战，重点是从scrnaseq数据中从果蝇胚胎中的细胞进行空间重新构造，利用了银标准，并带有银色标准基因，具有原位杂交数据，来自伯克利果蝇转录网络项目的原位杂交数据。34个参与的团队使用了不同的算法选择进行基因选择和位置预测，同时能够正确定位细胞的簇。选择预测基因对于此任务至关重要。预测基因的表达熵相对较高，空间聚类较高，并包括显着的发育基因，例如间隙和成对基因和组织标记。将前10种方法应用于斑马鱼胚胎数据集，产生了相似的性能和