XiaoMi-AI文件搜索系统
World File Search System加权和
通过连续治疗进行多种结果优化的自适应体重学习
为了促进精确医学，个性化的治疗方案（ITR）是基于患者特定特征的预期临床结果来优化预期的临床结果。但是，现有的ITR研究主要集中在具有分类治疗选择和单一结果的方案上。实际上，临床医生经常通过连续的治疗选择和多种可能取得的结果（例如医学疗效和不可避免的毒性）来应对方案。为了平衡这些结果，必须有适当的体重，应在考虑患者偏好和临床专业知识的数据驱动器中学习。在本文中，我们提出了一种用于开发个性化治疗方案（ITR）的新型算法，该算法使用了持续的治疗方案和多种结果，并利用了观察数据。我们的方法假设临床医生正在通过最佳的治疗决策优化个性化的患者公用事业，至少比随机分配更好。治疗分配被认为直接取决于治疗的真正潜在效用，而不是患者特征。同时提出的方法同时估计了综合结果的加权和决策过程，从而允许以连续剂量构建个性化的治疗方案。所提出的方法的估计器可用于推理和可变选择，从而促进识别信息治疗分配和偏好相关变量。我们通过模拟研究评估了我们提出的方法的有限样本性能，并将其应用于辐射肿瘤分析的实际数据应用。
发展轨迹和关系 - MIP:Lab
先前的研究表明，胼胝体（即最大的白质连合通路）的结构改变发生在新生儿早产后，并持续整个发育过程。本研究旨在揭示极度早产（VPT）个体儿童期和青少年期胼胝体的结构特征，及其与一般智力、执行和社会情感功能的关系。对 79 名 VPT 和 46 名年龄在 6 - 14 岁之间的足月对照者进行了神经心理学评估、T1 加权和多壳扩散 MRI。使用 TractSeg 在 7 个胼胝体部分提取了体积、扩散张量和神经突方向弥散和密度成像 (NODDI) 测量值。使用多元数据驱动方法（偏最小二乘相关）和基于队列的年龄规范建模方法来探索胼胝体特征与神经心理学结果之间的关联。 VPT 组和足月对照组的白质成熟趋势相似，即所有胼胝体节段的 FA 增加和 ODI 减少，这与一般智力功能的提高有关。然而，使用基于队列的与年龄相关的规范模型，研究结果显示 VPT 组的胼胝体发育模式不典型，胼胝体成熟度随时间降低，这与一般智力和工作记忆功能较差以及孕龄较低有关。
了解共享经济及其对智能城市可持续性的影响
本文的目的是通过使用系统文献综述方法获得的先前相关定量研究文章的详尽加权和荟萃分析来评估共享经济的主要驱动力。作者分析了2008年至2008年的22项定量研究。在249个提取的关系中（独立的依赖变量）中，本文确定了用于研究共享经济的理论模型中使用的“最佳”预测指标。这些包括：分享意图的态度，对分享意图的看法控制，主观的分享规范，对态度的经济利益以及对态度的风险。从地理上讲，德国和美利坚合众国被发现是受访者人数最多的国家。在时间上，观察到共享经济和受访者的文章数量的趋势越来越多。共享经济驱动因素的合并为研究界提供了稳固的理论基础，以进一步探索现有的假设并在共享经济的新兴环境中检验新的假设。鉴于已用于研究共享经济的不同概念理论及其在不同环境中的应用，本研究提出了第一次尝试通过定量合成以前文献中提出的发现来提高知识的尝试。©2020作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
深度学习的MRI荟萃分析-Thieme Connect
抽象背景的早期诊断阿尔茨海默氏病（AD）和轻度认知障碍（MCI）仍然是神经病学的重要挑战，常规方法通常受到解释的主观性和可变性的限制。将深度学习与磁共振成像（MRI）分析中的人工智能（AI）相结合，作为一种变革性方法，为无偏见的，高度准确的诊断见解提供了潜力。客观一项荟萃分析旨在分析AD和MCI模型中MRI图像深度学习的诊断准确性。方法在PubMed，Embase和Cochrane库数据库中进行了荟萃分析，该数据库是针对系统评价和荟萃分析（PRISMA）指南的首选报告项目，重点介绍了深度学习的诊断准确性。随后，使用Quadas-2清单评估了方法论质量。诊断措施，包括灵敏度，特异性，似然比，诊断赔率和接收器操作特征曲线下的面积（AUROC），以及用于T1加权和非T1加权MRI的亚组分析。结果总共确定了18个合格的研究。Spearman相关系数为-0.6506。荟萃分析表明，敏感性和特异性，阳性似然比，阴性可能比率和诊断优势比分别为0.84、0.86、6.0、0.19和32。AUROC为0.92。接收器操作特征（HSROC）的层次结构摘要
产品设计中人工智能图像生成工具的比较
摘要 近年来，人工智能 (AI) 图像生成器的复杂程度和公众可访问性显著提高，能够从一行文本创建逼真的复杂图像。这些图像生成器的一个潜在应用是在产品设计项目的概念生成阶段。在概念生成中成功实施 AI 文本转图像生成器可以为公司和设计师节省成本和时间。因此，本文的目的是研究 AI 与产品设计和教育的整合。进行了文献综述，以大致了解 AI 是什么以及 AI 图像生成器如何工作。进行了一项实验，使用了三个不同的图像生成器：Stable Diffusion、DALLꞏE 2 和 Midjourney。每个 AI 文本转图像生成器都生成了三张餐桌图像，并将其插入到加权和评级矩阵中，与宜家的三张真实餐桌一起作为概念进行评级。矩阵中有四个设计规范来评估概念：美观度、性能、尺寸、安全性。该矩阵已发送给产品设计专业的学生和毕业生，以匿名方式填写。得分最高的概念来自宜家，其次是 DALLꞏE 2 生成的概念。根据实验结果，得出结论，AI 图像生成器还不是产品设计中概念生成的可行替代方案，但可以成为在概念生成阶段激发设计师使用新想法的有用工具。
使用基于基因的多基因风险评分识别与阿尔茨海默病相关的基因
增加 AD GWAS 样本量将识别出更多的 AD 基因。然而，这需要广泛而有策略性的数据收集，而这在近期无法实现。此外，正如最近的一项研究表明，当样本量达到一定水平时，进一步增加样本量会导致基因识别的回报微乎其微，但成本却大幅增加 [16]。事实上，正如最近一项超过 100 万个样本的研究所示，迄今为止最大的 AD GWAS 仅识别出 7 个新基因位点 [15, 17]。虽然我们应该继续努力增加样本量，但迫切需要使用亚阈值 p 值检测 AD 基因的新方法。多基因风险评分 (PRS) 是疾病风险等位基因的加权和，用于预测疾病风险。它需要发现数据集来选择 SNP 并获得其权重；然后将 PRS 应用于独立于发现数据集的目标数据集以预测疾病风险。如果 PRS 具有较高的可预测性（即解释了目标数据集中的大部分变异），并且用于计算 PRS 的 SNP 解释了大部分 SNP 遗传性（h 2 snp ），那么这些 SNP 很可能是与疾病相关的 SNP。此外，如果我们还知道计算 PRS 时包含的 SNP 所影响的基因（即基于基因的 PRS），那么这些基因很可能是与疾病相关的基因。因此，基于基因的 PRS 提供了另一种识别具有亚阈值 p 值的疾病基因的方法。
基于 SAM 的伪标记和多尺度特征分组的弱监督隐藏对象分割
弱监督隐藏物体分割 (WSCOS) 旨在使用稀疏注释的数据进行模型训练，以分割与周围环境良好融合的物体。这仍然是一项具有挑战性的任务，因为 (1) 由于内在相似性，很难将隐藏物体与背景区分开来，以及 (2) 稀疏注释的训练数据仅为模型学习提供弱监督。在本文中，我们提出了一种新的 WSCOS 方法来应对这两个挑战。为了解决内在相似性挑战，我们设计了一个多尺度特征分组模块，该模块首先按不同粒度对特征进行分组，然后聚合这些分组结果。通过将相似的特征分组在一起，它可以促进分割的一致性，从而有助于获得单个和多个物体图像的完整分割结果。对于弱监督挑战，我们利用最近提出的视觉基础模型“分割任何物体模型 (SAM)”，并使用提供的稀疏注释作为提示来生成分割蒙版，用于训练模型。为了减轻低质量分割蒙版的影响，我们进一步提出了一系列策略，包括多增强结果集成、基于熵的像素级加权和基于熵的图像级选择。这些策略有助于提供更可靠的监督来训练分割模型。我们在各种 WSCOS 任务上验证了我们方法的有效性，实验表明我们的方法在这些任务上实现了最先进的性能。代码将在 https://github.com/ChunmingHe/WS-SAM 上提供。
发育协调障碍儿童的注意力和运动曲线：神经心理学和神经影像学调查
摘要目的：本研究的目的是（1）在与发育协调障碍（DCD）中量化关注和执行功能，（2）评估某些与DCD的儿童是否更有可能表现出注意力困难，并且（3）表征大脑的大脑相关性运动和注意力不足。方法：53岁的儿童（36岁，有17岁，没有17岁），年龄在8至10岁之间，未达到T1加权和扩散加权磁共振成像，以及标准化的注意力和运动评估。父母填写了执行功能和注意力不集中和多动症症状的问卷。我们评估了区域皮质厚度和表面积，小脑，call和原发性运动道结构。结果：对协方差和一个样本t检验的分析确定了受损的注意力，非运动处理速度以及DCD儿童的执行功能，但部分Spearman的等级相关系数表明，这些系数表明这些是彼此无关的或运动不足的类型或运动型或严重性的。强大的回归分析表明，后扣带中的皮质形态与DCD儿童的总体运动技能和注意力不集中症状有关，而总运动技能也与左皮脊髓束（CST）形态有关。解释：患有DCD的儿童可能会受益于常规关注和超级活动评估。后扣带回和CST的改变可能与DCD儿童运动过程中的前进模型受损有关。总体而言，这些区域的改变可能解释了DCD儿童的非运动障碍率高。
脑超极化 129Xe 成像
目前有多种脑成像方式可用于临床诊断，包括超声、CT、单光子发射CT、PET 和 MRI。MRI 是一种非侵入性技术，不使用电离辐射，可生成高空间分辨率和对比度噪声比的图像。尽管自 1973 年发明 MRI 以来已有众多发展和发现，1 但 MRI 的主要局限性仍然存在：灵敏度低。2,3 MRI 信号源于样品的净磁化，这是由于自旋数通常为一半的原子核的塞曼能级之间的粒子数差异很小。传统 MRI 使用来自水质子 (1 H) 的 NMR 信号；人们正在开发多种造影剂来增强1 H MRI 信号并提供定位感兴趣区域的能力。 3–5 许多此类药物，如钆螯合造影剂，主要作用是降低 1 H 核的自旋晶格 (T 1 ) 和有效自旋自旋 (T 2 * ) 弛豫，从而增加 T 1 加权和 T 2 * 加权图像中的 MR 对比度。尽管 1 H 造影剂被广泛使用，但由于周围组织的背景信号的存在，这种方法受到限制，从而限制了对比度与噪声比的增加。此外，还有各种技术，如 BOLD 功能性 MRI、动脉自旋标记 (ASL) 和 MRA，这些技术需要多次图像采集和复杂的图像后处理程序才能准确解释数据。6,7
GrapHD：基于图的超维记忆，用于类似大脑的认知学习
记忆是一项基本功能，它使当今的机器学习算法能够为每个预测提供高质量的学习和推理。记忆为算法提供了先验知识，以保持上下文并确定其决策的信心。不幸的是，现有的深度学习算法对记忆的概念很弱且不透明。大脑启发的超维计算 (HDC) 被引入作为人类记忆的模型。因此，它通过使用计算上可处理且在描述人类认知方面数学严谨的向量来模仿大脑记忆的几个重要功能。在本文中，我们介绍了一个大脑启发系统，该系统表示关系图上的 HDC 记忆能力。我们提出了 GrapHD，即表示高维空间中基于图的信息的超维记忆。GrapHD 定义了一种表示复杂图结构的编码方法，同时支持加权和非加权图。我们的编码器将所有节点和边的信息分散到完整的整体表示中，以便没有一个组件比另一个组件更负责存储任何信息。然后，GrapHD 在编码记忆图上定义了几个重要的认知功能。这些操作包括记忆重建、信息检索、图匹配和最短路径。我们的广泛评估表明，GrapHD：(1) 通过为学习算法提供短期/长期记忆的概念，显著提高了学习能力；(2) 支持基于记忆图的认知计算和推理；(3) 支持全息类脑计算，对噪声和故障具有很强的鲁棒性。