XiaoMi-AI文件搜索系统
World File Search System似然比
对抗性假设检验和限制测量的量子 Stein 引理
回想一下具有两组概率分布 P 和 Q 的经典假设检验设置。研究人员从分布 p ∈ P 或分布 q ∈ Q 中接收 n 个 iid 样本，并想要确定这些点是从哪个集合中采样的。众所周知，误差下降的最佳指数速率可以通过简单的最大似然比检验来实现，该检验不依赖于 p 或 q，而只依赖于集合 P 和 Q。我们考虑该模型的自适应泛化，其中 p ∈ P 和 q ∈ Q 的选择可以在每个样本中以某种方式更改，这取决于先前的样本。换句话说，在第 k 轮中，攻击者在第 1, . . ., k − 1 轮中观察了所有先前的样本后，选择 pk ∈ P 和 qk ∈ Q，目的是混淆假设检验。我们证明，即使在这种情况下，也可以通过仅取决于 P 和 Q 的简单最大似然检验来实现最佳指数错误率。然后我们表明对抗模型可用于使用受限测量对量子态进行假设检验。例如，它可以用于研究仅使用可通过局部操作和经典通信 (LOCC) 实现的测量来区分纠缠态与所有可分离态集合的问题。基本思想是，在我们的设置中，可以通过自适应经典对手模拟纠缠的有害影响。我们在这种情况下证明了一个量子斯坦引理：在许多情况下，最佳假设检验率等于两个状态之间适当的量子相对熵概念。特别是，我们的论证为李和温特最近加强冯诺依曼熵的强亚可加性提供了另一种证明。
基于心血管风险评分（AICVD）
抽象目标心血管疾病（CVD）是印度最普遍的疾病之一，占总死亡的近30％。对印度人口中CVD风险评分的研究匮乏，常规风险评分的有限表现以及无法重现随机临床试验中的初始准确性的研究，这导致了有关大规模患者数据的这项研究。目的是在未来10年内开发基于人工智能的风险评分（AICVD），以预测CVD事件（例如，急性心肌梗塞/急性冠状动脉综合征），并将模型与Framingham Heart风险评分（FHRS）和QRISK3进行比较。方法我们的研究包括31599名从2009年至2018年的18-91岁的参与者在印度的六家阿波罗医院。使用Spearman相关系数和倾向分数匹配的多步风险因素选择过程产生了21个风险因素。使用多层神经网络预测事件发生（分类）和事件的时间（危害模型）的风险因素建立了一个深度学习危害模型。此外，该模型通过来自印度和荷兰的独立回顾人群进行了验证，并与FHRS和QRISK3进行了比较。结果深度学习危害模型的性能良好（曲线下的区域（AUC）0.853）。验证和比较结果显示，AUC在0.84至0.92之间，阳性似然比（AICVD -6.16至FHRS -FHRS -2.24和QRISK3 -1.16）和准确性（AICVD -80.15％至FHRS至FHRS 59.71％和Qrisk3 51.51.51.51.51.51.51.51.51.57％）。在荷兰队列中，AICVD还优于Framingham心风险模型（AUC -0.737 vs 0.707）。结论本研究得出的结论是，新型基于AI的CVD风险评分对心脏事件的预测性能高于印度人群的常规风险评分。试用注册号CTRI/2019/07/020471。
人工智能可采性判例：
被告随后因与受害人死亡有关而被指控多项罪名。执法部门从被告身上采集了口腔拭子，以便将其 DNA 与在犯罪现场发现的 DNA 进行比较。这些数据最终被发送到私人公司 Cybergenetics，该公司使用一款名为 TrueAllele Casework System 的软件程序进行进一步测试。1 TrueAllele 的 DNA 分析显示，被告的 DNA 很有可能出现在放大器线上、受害者 T 恤的部分衣服上以及受害者的前臂上。...在 Frye 听证会上，最高法院听取了 Cybergenetics 创始人、首席科学家兼首席执行官马克·佩林等人的证词。在 Frye 听证会之后，法院作出裁决，认定 TrueAllele 在相关科学界得到普遍接受...佩林还作证说，TrueAllele 被设计为具有一定程度的人工智能，以便在获得更多信息时做出额外推断。 Perlin 解释说，在客观地生成所有基因型可能性之后，TrueAllele 回答了“嫌疑人与证据的匹配程度比随机人员高多少”的问题，答案以似然比的形式给出。。。最高法院发现“有大量证据支持 [TrueAllele]，并且没有相反的显著证据”（47 Misc 3d，859）。鉴于 Frye 听证会上提出的证据，我们认为法院的裁决是正确的（参见 People v Hamilton，255 AD2d 693, 694 [1998]，lv denied 92 NY2d 1032 [1998]；参见 People v Wesley，83 NY2d 417, 426-427 [1994]）。”州诉莫里尔，A-1-CA-36490，2019 WL 3765586（NM App. 2019 年 7 月 24 日）
识别基于统计分布的加速老化测试期间LFP/C电池的机理一致性
这项研究建立了一种新的方法，可以研究加速的衰老测试是否可以在短时间内准确地对现实的细胞衰老进行建模，同时还可以维持所涉及的衰老机制的一致性。作为效率和一致机制之间的权衡，加速衰老的应用需要仔细选择应力因素，以确定操作范围和与衰老相关的应激因素的重要性。基于为43个月的日历老化测试和10个月循环老化测试设计的三个级别的主要应力因素，这项工作旨在应力排名，并指示用于商业LFP/C电池的合适的操作间隔，并采用了两种最受欢迎的电池寿命分布，即电池，即logormormal and weibull。锂离子电池的统计分布是通过非线性混合效应（NLME）模型的排放能力损失来实现的。结果证明，对数正态是首选模型，并且随着更深的衰老，尤其是在日历老化中，右链的Weibull变得更加明显。得出了由一致加速因子引导的分布参数的进化定律。基于寿命样本的NLME模型的似然比参数bootstrap方法始终产生，以高于47.5℃的温度来测试条件，而循环衰老的平均收费（SOC）高于72.5％的平均电荷（SOC）会导致不同的生活行为。相比之下，SOC水平和较高温度的组合不会导致日历老化机制的变化。温度是最显着的应力，其次是温度耦合的循环深度和SOC水平。此方法可以提供参考，以制定合理的测试计划，以检测电池的性能以更准确地预测其生活。
基因组辅助育种气候智能型咖啡
缩写：香气喜好，AROMA；平均产量，YIELD；贝克比率，PR；贝叶斯稀疏线性混合模型，BSLMM；豆大小，GSIZ；叶斑病，CERC；咖啡潜叶虫，LMINER；咖啡叶锈病，RUST；平衡，EQUIL；风味喜好，FLAVOR；开花时间，FL；一般配合力，GCA；一般倾向，GL；一般尺度，GSCE；全基因组关联研究，GWAS；基因组选择，GSCE；叶枯病，LBLIGHT；似然比检验，LRT；连锁不平衡，LD；标记辅助选择，MAS；成熟期，UNIF；成熟时间，MAT；参与决定表型的稀疏效应基因座的数量，n_gamma；整体喜好，OVLIKING；感知，HEDONIC；植物结构，PRT；后验包含概率，PIP；主成分分析，PCA；由具有主要效应的遗传变异解释的遗传变异比例，rho；由稀疏效应和随机效应解释的表型变异比例，PVE；仅由稀疏效应解释的 PVE 比例，PGE；数量性状基因座，QTL；鼻后，RETRO；筛残差，RES；筛孔尺寸，M15；筛孔尺寸，M13；筛孔尺寸，M10；简单序列重复，SSR；单核苷酸多态性，SNP；酸味，ACIDITY；特定配合力，SCA；甜度，SWEET；干加工和未烘焙的生豆重量（以克为单位），GREEN；使用自然干燥方法（日晒豆）后的咖啡果实重量（以克为单位），CHERRY；2014-2015 年产量，YB1； 2016-2017 年产量，YB2；2018-2019 年产量，YB3。
四个新颖的无结核分枝杆菌
作者分支机构：1个国际分枝杆菌学实验室，丹麦哥本哈根Statens Serum Institut； 2英国诺丁汉诺丁汉特伦特大学生物科学系； 3罗斯基尔德大学科学与环境系，丹麦4000 Roskilde； 4丹麦哥本哈根大学公共卫生系全球卫生科。*通信：Xenia Emilie Sinding Iversen，Xesi@ssi。DK关键字：burgundiense sp。nov。;分枝杆菌Holstebronense sp。nov。;分枝杆菌kokjensenii sp。nov。;分枝杆菌Wendilense sp。nov。;非结核分枝杆菌；新物种；分类学描述。†共享的最后作者身份：这些作者对工作也同样贡献。在线补充材料中提供了补充数字和两个补充表。006620©2025作者缩写：ALRT，近似似然比测试； AMR，抗菌素耐药性； ANI，平均核苷酸身份； AST，抗菌敏感性测试； BIC，贝叶斯信息标准； CD，蛋白质编码序列； CLSI，临床和实验室标准研究所； GGD，基因组到基因组距离； HPLC，高性能液相色谱； IRLM，分枝杆菌国际参考实验室；它的内部转录垫片； LJ，Löwenstein -Jensen； LPA，线探测测定； MALDI-TOF，基质辅助激光解吸电离时间； MB7H10，Middlebrook 7H10; MBT，MALDIBIOTYPER®； MGIT，分枝杆菌生长指示灯管； MHB，Mueller – Hinton汤； MIC，最少抑制浓度； MS，质谱； NCBI，国家生物技术信息中心； NTM，无结核分枝杆菌； ONT，牛津纳米孔技术； PGAP，原核基因组注释管道； PPS，病原体概率评分； SSI，Statens Serum Institut；结核病，结核病； TES，N-三三（羟甲基）甲基-2-氨基乙磺酸； WGS，全基因组测序； Zn，Ziehl – Neelsen。
放疗和肿瘤学
背景和目的：本研究评估了使用定量光谱计算机断层扫描（CT）参数鉴定肺癌中淋巴结转移（LM）的使用。材料和方法：关于使用光谱CT诊断至2022年9月诊断的肺癌中LM的文献，从PubMed，Embase，Cochrane图书馆，科学网络，中国国家知识基础设施和Wanfang数据库中取回。根据包含和排除标准严格筛选了文献。提取数据，进行质量评估，并评估异源。计算了归一化碘浓度（NIC）和光谱衰减曲线（K HU）的汇总灵敏度（SEN），特异性山脉（SPE），阳性似然比（+LR），-LR和诊断优势比（DOR）。使用了受试者接收器操作特性（SROC）曲线，并计算了曲线下的面积（AUC）。结果：11项研究，包括1,290例，没有明显的出版偏见。在八篇文章中，动脉相（AP）中NIC的合并为0.84（SEN = 0.85，SPE = 0.74， +LR = 3.3，LR = 0.20，DOR = 16），而NIC在静脉相（VP）中的NIC为0.82（SEN = 0.78，SPE = 0.72）。此外，K Hu（AP）的合并AUC为0.87（SEN = 0.74，SPE = 0.84， +LR = 4.5，LR = 0.31，DOR = 15），而K Hu（VP）的AUC为0.81（SEN = 0.62，SPE，SPE = 0.81）。淋巴结（LN）短轴直径最后排名，合并的AUC为0.81（SEN = 0.69，SPE = 0.79）。结论：光谱CT是确定肺癌LM的合适无创且具有成本效益的方法。2023作者。此外，AP中的NIC和K HU具有良好的歧视能力，比直径短，为术前评估提供了宝贵的基础和参考。由Elsevier B.V.放射疗法和肿瘤学出版183（2023）109643这是CC BY-NC-ND许可（http://creativecommons.org/licenses/by-nc-nc-nc-nd/4.0/）下的开放访问文章。
引用：LV J，Wang C，Gao X等。动态模型的开发和验证，以预测急性Myo
抽象目标不良事件和预后因素的风险在急性心肌梗塞（AMI）后在不同的时间阶段发生变化。在AMI住院后的早期，不良事件的发生率很大。因此，需要动态风险预测来指导AMI的入院后管理。本研究旨在为AMI后的患者开发动态风险预测工具。设计前瞻性队列的回顾性分析。在中国设立108家医院。参与者在中国急性心肌梗塞注册处总共有23名887例患者。主要结果衡量全因死亡率。结果进行多变量分析，年龄，先前的中风，心率，杀伤类，左心室射血分数（LVEF），院内经皮冠状动脉干预（PCI）（PCI），复发性心肌缺血，再生心脏梗死，心脏故障，心脏故障，心脏故障，心脏故障（HF）在住院期间与远期治疗相关，并在抗年度施工时进行了抗衡状态。与30天至2岁之间的死亡率有关的变量，包括年龄，先前的肾功能障碍，HF病史，AMI分类，心率，Killip类，血红蛋白，LVEF，Hospital PCI，Hospital PCI，HF，HF在住院期间，HF在出院后30天内在30天内恶化，抗血小板治疗，抗乳状细胞疗法，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制剂在30天内使用。包括不良事件和药物的包含显着提高了没有这些指数的模型的预测性能（似然比测试P <0.0001）。这两组预测因子用于建立动态预后列图，以预测AMI患者的死亡率。C索引的c指数为30天和2年的预后命名图为0.85（95％CI 0.83-0.88）和0.83（95％CI 0.81-0.84）的衍生归因于0.79，0.79（0.79）（95％CI 0.71-0.86）和0.71-0.86）和0.81（95％CI coi cos in valiality CORERTIATY in VILATIONS）（95％0.79-0.79-0.79-0.79-0.79-9-0）--84）--84）--84）--84）--84）--84） - 184） - 84） - 84） - 184） - 184） - 184） - 184） - 184） - 184） - 184） - 184） - 184-0） - 84） 校准。
使用改进的序贯概率比检验在实时功能磁共振成像实验中提前停止
使用改进的序贯概率比检验进行共振成像 Sarah JA Carr 1,2 、Weicong Chen 3 、Jeremy Fondran 4 、Harry Friel 5 、Javier Sanchez-Gonzalez 6 、Jing Zhang 4 和 Curtis Tatsuoka 4,2,* 1. 英国伦敦国王学院精神病学、心理学和神经科学研究所神经影像学系 2. 美国俄亥俄州克利夫兰凯斯西储大学神经病学系 3. 美国俄亥俄州克利夫兰凯斯西储大学计算机与数据科学系 4. 美国俄亥俄州克利夫兰凯斯西储大学人口与定量健康科学系 5. 美国俄亥俄州高地黑兹飞利浦医疗集团 6. 西班牙马德里飞利浦医疗集团 *通讯作者：Curtis Tatsuoka 10900 Euclid Avenue 凯斯西储大学克利夫兰， OH，美国 44106 电子邮件：cmt66@case.edu 关键词：实时 fMRI、自适应 fMRI、动态实验、SPRT、提前停止 摘要简介：功能性磁共振成像 (fMRI) 通常需要较长的扫描时间以确保可以检测到相关的大脑活动。然而，过度的实验会导致许多不良影响，例如学习和/或疲劳影响、受试者不适、过多的运动伪影以及无法持续关注任务。因此，过长的实验会对信号质量和准确的体素激活检测产生不利影响。在这里，我们建议使用一种新颖的统计驱动方法对实时 fMRI 进行动态实验，当观察到足够的统计证据来评估与任务相关的激活时，该方法会提前停止。方法：对 12 名健康青少年受试者和 11 名极度早产 (EPT) 青少年受试者的数学 1-back 任务的 fMRI 扫描实施基于一般线性模型 (GLM) 的体素级序贯概率比检验 (SPRT) 统计数据。该方法基于似然比，并允许基于统计误差阈值进行系统性早期停止。我们采用两阶段估计方法，可以准确估计误差方差。报告了不同第一阶段长度的早期停止性能，并将激活结果与完整持续时间进行比较。最后，对两个早期停止的模型进行组比较
介导药物处置 (TMDD)
摘要靶介导药物处置 (TMDD) 模型用于模拟非线性药代动力学 (PK)，因为一种药物与其药理靶标以高亲和力结合，影响药代动力学特性。TMDD 近似模型的出现是因为在有限的数据下难以实现完整的 TMDD 模型来解决复杂模型的过度参数化问题。传统的群体 TMDD 模型开发既耗时又主观，需要建模者的经验。本论文提出了一种 TMDD 模型开发和排序策略，可以实现自动 TMDD 模型开发。当前的工作旨在建立一种可以自动化扩展到 Pharmpy/Pharmr 包的 TMDD 模型开发策略，以使自动模型开发 (AMD) 工具能够对非线性 PK 进行更复杂的描述。使用已发布的五种化合物 TMDD 模型的模拟数据来开发和测试 TMDD 模型开发策略。首先，根据文献和自动模型开发程序的实际考虑选择合适的估计方法，以提高建模效率。其次，提出了一种在模型开发过程中设置新参数初始估计值的算法，并在两个具有潜在代表性的 TMDD 近似模型上进行了测试，以便于估计收敛。测试了似然比检验 (LRT) 和贝叶斯信息准则 (BIC) 作为模型选择标准。最后，提出了完整的 TMDD 模型开发策略，并用五个模拟数据进行了测试。在结构模型搜索后，选择准稳态模型 (QSS) 而不是米氏近似模型 (MMAPP) 作为代表性 TMDD 近似模型，并发现足以识别正确的结构模型。其他 TMDD 模型从 QSS 模型更新了初始估计值，其中目标降解速率常数 (KDEG) 和基线目标浓度 (R0) 的初始估计值的不同梯度也提供了合理的目标函数值 (OFV)。鉴于 BIC 的排序标准和模型开发策略，每个数据的最佳模型至少与模拟模型一样复杂。此外，4/5 的数据对那些非目标相关参数给出了准确的估计，并且 OFV 并不比以“真实”参数作为初始估计的模型差很多。总之，所提出的 TMDD 模型开发策略简化了 TMDD 模型的开发和选择，并且有可能在 AMD 中实施以实现自动 TMDD 模型开发。