XiaoMi-AI文件搜索系统
World File Search System分期
汇丰现金分期计划条款及细则
i. 于申请本计划期间任何时候，持有无效或已取消的汇丰银行信用卡及/或其账户出现汇丰银行定义范围内的欠款的持卡人；及/或 ii. 公司及/或企业汇丰银行信用卡的持卡人（以下统称“ 合资格持卡人 ”）。 计划优惠 3. 汇丰现金分期计划允许合资格持卡人以其参与信用卡申请现金透支，并在 12、24、36、48 或 60 个月的还款期内（简称“ CIP 期限”），每月以相等的分期付款方式偿还现金透支金额（简称“ CIP 金额 ”）及适用的利息（简称“ CIP 利息 ”），以下简称“ CIP ”。在 CIP 期限内，CIP 金额连同 CIP 利息将以每月等额分期付款的方式向合格持卡人收取（“CIP 每月分期付款”）。4. CIP 每月分期付款在整个 CIP 期限内是固定的，由 CIP 的每月本金和利息费用组成。每月本金和利息费用的比例由汇丰银行根据每月递减余额还款法确定。对参与信用卡的任何超额付款将导致参与信用卡出现信用余额，并且不会用于减少剩余 CIP 本金余额的利息计算。下表提供了一个示例。实际利率将从一个帐户结算周期日期到 CIP 期限内的下一个结算周期日期计算。
人工智能驱动的 COVID-19 肺炎量化、分期和结果预测
Guillaume Chassagnon A，B，C，1，Maria Vakalopoulou D，E，F，1，Enzo Battistella d，E，E，F，G，1，Stergoios Christodoulidis H，I，Trieu-nghi Hoang-hoang-thi a，severine dec. ，Sophie Neveu A，Chahinez Hani A，Ines Saab A，AliénorCampredon A，Hasmik Koulakian A，Souhail Bennani A，Gael Freche A，Maxime Barat A，Barat a，b。 Pierre-Yves Brillet O，P，StéphaneTranBao，P，ValérieBoussonB，A R Med，Robert Y，S，T，Marie-Pierre Revel A，B，C，Nikos Paragios d，f，f，j，j，j，∗，∗， *
通过多级域对齐实现通用的睡眠分期
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有方法依赖于一个特定的数据集，并且仅限于推广到其他看不见的数据集，这些数据集的训练数据和测试数据来自同一数据集。在本文中，我们将领域泛化引入自动睡眠分期并提出可泛化的睡眠分期任务，旨在提高模型对看不见的数据集的泛化能力。受现有领域泛化方法的启发，我们采用特征对齐的思想并提出一个名为 SleepDG 的框架来解决它。考虑到局部显着特征和序列特征对于睡眠分期都很重要，我们提出了一种结合时代级和序列级特征对齐的多级特征对齐来学习领域不变的特征表示。具体来说，我们设计了一个 Epoch 级特征对齐来对齐不同域之间每个单个睡眠时期的特征分布，并设计了一个 Sequence 级特征对齐来最小化不同域之间序列特征的差异。SleepDG 在五个公共数据集上进行了验证，实现了最先进的性能。
人工智能驱动的 COVID-19 肺炎整体量化、分期和预后
Guillaume Chassagnon，医学博士 *，1,2,3，Maria Vakalopoulou，PhD ∗，4,5,6，Enzo Battistella，MSC *，4,6,7，Stergios Christodoulidis，Phd DD 8,9博士8,9，MD 1，MD 1，MD 1，Stefany El Hajj，MD 1，Florian Bompard，MD 1，MD 1，MD 1，MD 1，Chahinez Hani，MD 1，Ines Saab，Ines Saab，MD 1，MD 1，Ali'enor Campredon，Md 1. Freche，MD 1，Maxime Barat，MD 1,2，Aurelien Lombard，MSC 10，Laure Fournier，MD PhD 2,11，Hippolyte Monnier，MD 11，T´eodor Grand，MD 11，Jules Gregory，MD 2,12 2,14，Pierre-Yves Brillet，医学博士15,16，St´ephane Tran BA，MD 15,16，Val´erie Bousson，MD PhD 2,17，Ahmed Mekki，MD 18,19,20，Robert-Yves Carlier，MD Phd 18,19,20 4,6,10
LightSleepNet：基于单通道脑电图的个性化便携式睡眠分期系统设计
摘要 —本文提出了 LightSleepNet——一种基于轻量级 1-d 卷积神经网络 (CNN) 的个性化实时睡眠分期架构，可在硬件资源有限的各种移动平台上实现。所提出的架构仅需要输入 30 秒单通道 EEG 信号即可进行分类。使用由组 1-d 卷积组成的两个残差块代替传统的卷积层来消除 CNN 中的冗余。在每个卷积层中插入通道混洗以提高准确性。为了避免过度拟合训练集，使用全局平均池化 (GAP) 层替换全连接层，这进一步显著减少了模型参数的总数。提出了一种结合自适应批量归一化 (AdaBN) 和梯度重新加权的个性化算法，用于无监督域自适应。易于转移到新受试者的示例具有更高的优先级，并且该算法可以针对新受试者进行个性化而无需重新训练。实验结果表明，仅需 4576 百万次每秒浮点运算 (MFLOP) 计算和 43.08 K 个参数，就能达到 83.8% 的最佳总体准确率。
基于网络的阿尔茨海默病分期药物再利用
阿尔茨海默病 (AD) 是一种渐进性的神经退行性疾病，也是最常见的痴呆类型。由于没有可用的治疗疾病的药物，而且与 AD 相关的医疗负担不断增加，需要新的方法来确定治疗方法。在这项工作中，我们提出了针对 AD 的不同阶段的候选再利用药物，方法是使用一种基于网络的新型方法针对 AD 严重程度的不同阶段进行药物再利用。对于每个 AD 阶段，该方法 a) 根据一种新的基于网络的分数对候选再利用药物进行排名，该分数来自与失败、批准或当前正在进行的药物的结构相似性的网络中连接的加权总和 b) 根据我们小组最近开发的方法，基于功能、结构和先验信息对候选药物进行重新排名；以及 c) 检查并重新排名其穿过血脑屏障 (BBB) 的渗透性。总体而言，我们建议对每个 AD 阶段的 10 种候选再利用药物进行进一步的实验验证，由于三个 AD 阶段之间存在重叠，因此组成了一组 26 种精英候选再利用药物。我们以回顾性的方式将我们的方法应用于 2016 年之前的已知临床试验药物，并表明我们能够对第二年进入临床试验的药物进行高度排名。我们希望我们提出的基于网络的药物再利用方法将成为对 AD 以外其他脑部疾病中的候选再利用药物进行排名的范例。2022 作者。由 Elsevier BV 代表计算和结构生物技术研究网络出版。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creative-commons.org/licenses/by-nc-nd/4.0/）。
基于人工智能的基于 CT 的 COVID-19 肺炎量化、分期和短期结果预测
Guillaume Chassagnon，医学博士，哲学博士*，1，2，3，Maria Vakalopoulou，哲学博士∗4，5，6，7，Enzo Battistella，硕士4，6，7，Stergios Christodoulidis，哲学博士8，9，Trieu-Nghi Hoang-Thi，医学博士 1 ，Severine Dangeard，医学博士 1 ，Eric Deutsch，医学博士 6,7 ，Fabrice Andre，医学博士 8,9 ，Enora Guillo，医学博士 1 ，Nara Halm，医学博士 1 ，Stefany El Hajj，医学博士 1 ， Florian Bompard，医学博士 1 、Sophie Neveu，医学博士 1 、Chahinez Hani，医学博士 1 、Ines Saab，医学博士 1 、Ali´enor Campredon，医学博士 1 、Hasmik Koulakian，医学博士 1 、Souhail Bennani，医学博士 1 、 Gael Freche，医学博士 1 ，Aurelien Lombard，理学硕士 15 ，Laure Fournier，医学博士，哲学博士 2,10 ，Hippolyte Monnier，医学博士 10 ，T´eodor Grand，医学博士 10 ，Jules Gregory，医学博士 2,11 ，Antoine Khalil，医学博士，哲学博士 2， 12 , Elyas Mahdjoub 医学博士 2,12 , Pierre-Yves Brillet 医学博士 13 , St´ephane Tran Ba 医学博士 13 , Val´erie Bousson 医学博士 2,14 , Marie-Pierre Revel 医学博士 1,2, 3 ，以及 Nikos Paragios 博士 † 4,7,15
常规神经病理学诊断中的NC晚期分期
Peter T. Nelson 1 · Edward B. Lee 2 · Matthew D. Cykowski 3 · Irina Alauzoff 4 · Constantinos Arbanakis 5,6 · Johannes Atems 7 · Maria M. Corrada 9 · Brittany N. Dugger 10 Bernardino Ghetti 12 · Lea T. Grinberg 13 · Murray Grossman 2 · Suvi R. Grothe 14 ·Glenda M. Halliday 15·Masato Hasagawa 16·Suvi R.K. 18·Naomi Kouri 19·Gabor G. Kovacs 20,21.21.23 Murray 19·Liisa Myllykangas 28 Saito 30·S。AhmadSajjadi 9·Katherine E. Schwetye 31 SandraO.Tomé33·Juan C. Troncoso 35·Shih -Hsui J. Wang 36·Julie A. Schneider 5·deck W. Dickk W. Dickson 19
回顾外阴黑色素瘤：临床特征、诊断、分期、治疗和预后
目的：本文对外阴黑色素瘤的诊断和治疗进行详细的综述，为今后该病的诊断和治疗提供有益的参考。机制：在这篇综述中，作者首先明确文章的主题和涵盖的内容。在PubMed上搜索一系列与主题相关的关键词组合，广泛阅读1970年至2022年与外阴黑色素瘤指南相关的搜索引擎和数据库衍生文献，包括随机临床研究、观察性研究和基础研究。根据发表的内容，按照出版年份、引用次数和出版单位对文章进行筛选。收集每篇文章所需的数据和内容。最后，对收集到的资料进行总结，对外阴黑色素瘤这种罕见疾病进行深入的介绍，涵盖临床特征、诊断、分期、治疗和预后等方面。结论摘要：通过本文综述，全面了解外阴黑色素瘤的诊治现状及未来研究的突破方向。结论：目前外阴黑色素瘤的诊断方法主要包括大体检查、皮肤镜检查、显微镜检查、组织病理学及影像学检查。外阴黑色素瘤的治疗方式主要有手术、放疗、化疗、免疫检查点抑制剂、靶向治疗及免疫调节剂等。
通过深度学习显着特征的雏鸡胚胎组织的精确分期
最近的工作表明，HH10雏鸡大脑中祖细胞的发育潜力迅速变化，伴随着形态的细微变化。这需要在此阶段增加对大脑研究的时间分辨率，因此需要精确和公正的分期。在这里，我们调查了是否可以使用151个专业标记图像的小数据集训练深卷卷神经网络为次级HH10小鸡大脑。通过使用生物学知情的转换和数据驱动的预处理步骤来增强我们的图像，我们成功地将分类器训练为次级HH10大脑至87.1％的测试准确性。为了确定是否可以使用分类器，我们使用随机对照和实验性小鸡机翼的图像（269）对其进行了重新训练，并获得了类似的高测试准确性（86.1％）。显着性分析表明，生物学相关的特征用于分类。我们的策略可以培训图像分类器，用于具有有限的显微镜数据的发育生物学中的各种应用。