XiaoMi-AI文件搜索系统
World File Search System优于
一种新型的双特异性抗体CVL006优于AK112，用于癌症治疗中PD-L1和VEGF的双重靶向
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是制作
AI 辅导优于主动学习
现有的教学方法往往无法满足学生的个人需求，尤其是在学生拥有广泛先验知识的课堂中。在这里，我们展示了使用异步 AI 辅导作为学生首次接触具有挑战性的材料的优势。AI 可用于在课前有效地向学生教授入门材料，这使得宝贵的课堂时间可用于培养高级技能，如高级问题解决、基于项目的学习和小组工作。教师可以亲自评估这些技能，从而避免在家庭作业、论文和项目等评估中使用 AI 作为捷径。与“翻转课堂”方法一样，AI 导师不应取代面对面教学——相反，它应该用于将所有学生提升到可以从课堂时间中获得最大收益的水平。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
p-CD19CD20-ALLO1：靶向CD19和CD20的有效完全同种异体CAR-T疗法，其功效优于单目标产品
靶向CD19的自体嵌合抗原受体（CAR）T细胞已彻底改变了复发或化学疗法 - 难治性B细胞恶性肿瘤的治疗。但是，由于CD19的丧失或降低，许多患者经历了疾病的进展。自体疗法也对进入挑战构成挑战，因为每种CAR-T剂量都需要患者的语态和个人制造，从而导致相关的等待时间和桥接治疗的需求。在这里，我们描述了P-CD19CD20-Allo1，这是一种完全同种异体CAR-T产品，分别表达了两辆针对CD19和CD20的全长汽车。p-CD19CD20-Allo1目前正在对具有复发/难治性B细胞恶性肿瘤的受试者（NCT06014762）的受试者进行开放标签的多中心1期研究中进行研究，并且是临床开发中最先进的同种同种异体双重目标CAR-T。
葡萄糖度功能曲线优于传统连续葡萄糖监测指标
涉及健康和糖尿病种群的临床研究。但是，有效利用CGM概况的高时间分辨率仍然是一个重大挑战。已提出了许多指标，例如时间范围的指标和葡萄糖可变性度量，但证据表明这些指标忽略了glu-Cose动态稳态的关键方面。作为一种替代方法，本文探讨了葡萄糖度指标在捕获glu-cosos动力学时的临床价值（特别是CGM时间序列的速度和加速度），这是预测长期葡萄糖结果的新生物标志物。我们的结果表明，与传统的非CGM和CGM Glucose Biomarkers相比，在五年和八年的五年和八年中，在预测糖基化血红蛋白（HBA1C）和空腹血浆葡萄糖（FPG）方面，超过20％的信息获得了20％。这些发现强调了纳入更复杂的CGM功能指标的重要性，例如葡萄糖度方法，以完全捕获跨不同时间尺度分辨率的连续葡萄糖波动。关键字：葡萄糖动力学；连续葡萄糖监测数据；葡萄糖代谢；功能数据分析。
b'靶标发现对于药物开发至关重要，尤其是对于复杂的慢性疾病。高通量技术的最新进展和生物医学数据的爆炸式增长凸显了计算药物可药性预测方法的潜力。然而，大多数当前方法依赖于基于序列的特征和机器学习，这通常面临与手工制作的特征、可重复性和可访问性相关的挑战。此外，原始序列和蛋白质结构的潜力尚未得到充分研究。在这里，我们使用深度学习技术利用蛋白质序列和结构，揭示蛋白质序列，特别是预训练的嵌入，比蛋白质结构更具信息量。接下来，我们开发了 DrugTar，这是一种高性能深度学习算法，将来自 ESM-2 预训练蛋白质语言模型的序列嵌入与蛋白质本体相结合以预测药物可药性。DrugTar 实现了曲线下面积和精确召回曲线值高于 0.90，优于最先进的方法。总之，DrugTar 简化了靶标发现，这是开发新型疗法的瓶颈。'
b'靶标发现对于药物开发至关重要，尤其是对于复杂的慢性疾病。高通量技术的最新进展和生物医学数据的爆炸式增长凸显了计算药物可药性预测方法的潜力。然而，大多数当前方法依赖于基于序列的特征和机器学习，这通常面临与手工制作的特征、可重复性和可访问性相关的挑战。此外，原始序列和蛋白质结构的潜力尚未得到充分研究。在这里，我们使用深度学习技术利用蛋白质序列和结构，揭示蛋白质序列，特别是预训练的嵌入，比蛋白质结构更具信息量。接下来，我们开发了 DrugTar，这是一种高性能深度学习算法，将来自 ESM-2 预训练蛋白质语言模型的序列嵌入与蛋白质本体相结合以预测药物可药性。DrugTar 实现了曲线下面积和精确召回曲线值高于 0.90，优于最先进的方法。总之，DrugTar 简化了靶标发现，这是开发新型疗法的瓶颈。'
原始研究泛 - 免疫炎性价值优于其他炎症指标，可以预测住院主要不良心血管均匀
背景：对动脉粥样硬化的炎症反应是导致冠状动脉疾病的过程。泛免疫 - 炎症值（PIV）已成为炎症的新型生物标志物。然而，关于PIV对主要不良心血管事件（MACE）或冠状动脉狭窄程度的预测能力的研究很少。我们旨在探索经皮冠状动脉干预（PCI）后St段升高心肌梗塞（STEMI）患者PIV对MACE和冠状动脉狭窄程度的预测能力。方法：这项研究包括542例被诊断为STEMI的患者，并在2016年至2023年间接受了PCI，并测量了PIV和其他炎症标记。使用单变量和多元逻辑回归分析，评估了PCI后MACE和住院期间严重冠状动脉狭窄的风险变量，以创建接收器工作特性（ROC）曲线，并确定炎症标记的最佳阈值。Spearman相关分析用于评估PIV和其他炎症标记与Gensini评分（GS）的相关性。结果：与全身性炎症指数（SII），血小板与淋巴细胞比（PLR）和中性粒细胞与淋巴细胞比率（NLR）相比，PIV在PCI在PCI后在PCI术后患者的冠状动脉症患者的发生程度可能具有更大的预测价值。PIV和GS之间的相关性很强。结论：PIV在预测STEMI患者PCI后预测病情预后和严重的冠状动脉狭窄方面优于SII，PLR和NLR。
微调的“小” llm（仍然）明显优于零射击...
生成AI提供了一种简单的，基于及时的替代方案，用于微调较小的BERT风格的LLM，以进行文本分类任务。这有望消除对手动标记的培训数据和特定于任务模型培训的需求。但是，仍然是一个悬而未决的问题。在本文中，我们表明，较小的，微调的LLM（仍然）始终如一，明显优于较大的零射击，这促使文本分类中的模型。我们将三种主要的生成AI模型（与GPT-3.5/GPT-4和Claude Opus）与多种分类任务（情感，批准/不赞成，情绪，情感，党派职位）和文本类别（新闻，推文，演讲，演讲）中进行了比较。我们发现，在所有情况下，使用特定于应用程序的培训数据进行微调均可取得卓越的性能。为了使更广泛的受众更容易访问这种方法，我们将提供一个易于使用的工具包。我们的工具包，伴随着非技术分步指导，使用户能够以最小的技术和计算工作来选择和调整类似BERT的LLM，以完成任何分类任务。
择期神经外科全静脉输注 (TIVA) 期间靶控输注是否优于手动控制输注？单中心试点研究结果
研究过程 在手术室中，在麻醉诱导之前，将套管针（Vasofix Safety，B. Braun，德国梅尔松根）插入手背静脉。开始心电图监测，测量血压、经皮动脉血红蛋白饱和度、二氧化碳图和 BIS。进行预氧合，然后使用 MCI 或 TCI 方法诱导全静脉麻醉 (TIVA)。使用 Perfusor Space 输注泵（B. Braun，德国梅尔松根）输注瑞芬太尼（Ultiva，Aspen Pharma，南非乌姆兰加）和丙泊酚（Propofol 1% MCT/LCT，Fresenius，德国巴特洪堡）。 P-TCI 组首先输入患者的人口统计学数据（身高、性别、体重和年龄），并设定效应点初始靶浓度：Schnider 模型中丙泊酚为 4 µg/mL，Minto 模型中瑞芬太尼为 4 ng/mL。P-MCI 组首先以 1.5 mg/kg IBW 剂量推注丙泊酚，以 0.5 μg/kg IBW 剂量推注瑞芬太尼，持续 1 分钟。