XiaoMi-AI文件搜索系统
World File Search System取平均值
基于局部图像深度学习的全局小胶质细胞增殖分类
神经组织中的小胶质细胞增殖（神经炎症）发生在感染、神经系统疾病、神经毒性和其他情况期间。在基础科学和临床研究中，小胶质细胞增殖的量化需要经过培训的专家进行大量的手动计数（细胞点击）（每个案例约 2 小时）。之前使该过程自动化的努力主要集中在基于立体学估计全局细胞数量，使用基于深度学习（DL）的高倍率分割免疫染色的小胶质细胞。为了进一步提高吞吐效率，我们提出了一种新方法，使用卷积神经网络（CNN）的快照集合，使用局部图像（即低倍（20 倍）放大率）进行训练，以预测全局级别的高或低小胶质细胞增殖。专家使用立体学来量化高倍率下的整体小胶质细胞数量，在动物（小鼠）级别应用高或低增殖的标签，然后将这个全局标签分配给每个 20 倍图像作为训练 CNN 预测全局增殖的基本事实。为了测试准确性，我们用每个类别中的六个小鼠大脑进行交叉验证，用于训练，再用每个类别中的一个进行测试。对集合的预测取平均值，并根据该大脑中大多数图像的预测类别为测试大脑分配标签。该集合在每例不到一分钟的时间内准确地对 14 个大脑中的 11 个（约 80%）进行了增殖分类，无需在高倍放大下进行细胞级分割或手动立体学分析。这种方法首次表明，使用局部图像训练 DL 模型可以有效地在全局层面预测小胶质细胞增殖。本研究中使用的数据集可公开获取：tinyurl.com/20xData-USF-SRC。
创伤性脑损伤膈肌功能的超声评估：一项前瞻性观察研究
摘要背景长期机械通气与严重 TBI 患者撤机失败有关。超声是一种评估膈肌功能的非侵入性方法。在超声检查 (USG) 上，可以观察到机械通气患者的膈肌厚度随时间推移而下降。然而，关于创伤性脑损伤 (TBI) 患者膈肌功能障碍严重程度的文献很少。本研究旨在观察机械通气 TBI 患者膈肌功能的变化。方法纳入需要机械通气的 18 至 65 岁 TBI 患者。在神经创伤重症监护病房 (NICU) 入院后第 0、3、5 和 7 天以仰卧位、镇静假期和自主呼吸试验期间进行 USG 膈肌功能评估。在呼气末期 (TE ) 和最大吸气时 (TI ) 使用 7 至 13 MHz 线性阵列探头连续三次测量，然后取平均值。厚度分数计算为 (TI - TE /TE) 100。使用 1 至 5 MHz 相控阵探头在 M 模式下测量膈肌偏移 (DE)，作为吸气的最大高度。结果评估了 40 名患者。第 0、3、5 和 7 天的平均膈肌厚度分数 (DTF) 分别为 33.58 10.08、33.4 9.76、32.32 8.36 和 31.65 8.23。第 7 天的 DTF 变化具有统计学意义 (p = 0.040)。第 0、3、5 和 7 天的平均 DE 分别为 9.61 3.99、9.02 3.46、8.87 2.63、8.56 2.74。 3、5 和 7 天的 DE 变化具有统计学意义（p < 0.001）。住院时间少于 20 天的患者第 3 天的平均 DTF 低于住院时间超过 20 天的患者（p = 0.044）。结论在 7 天内观察到 DTF 和 DE 的减少，并且在 TBI 后第 7 天出现显著减少。
![b'与 ED 一样，对于一般的混合态，EC 也很难计算，而且只在极少数特殊情况下才为人所知。但是，对于纯态，例如前面讨论过的 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 状态，EC = \xe2\x88\x92 Tr \xcf\x81 A log 2 ( \xcf\x81 A ) ，等于 ED 。实现纯态稀释过程的最佳方式是利用两种技术：（i）量子隐形传态，我们在一开始就介绍过，它简单地说是一个双方共享的贝尔态可以用来确定地转移一个未知的量子比特态，以及（ii）量子数据压缩[12]，它的基本意思是，一个由 n 个量子比特组成的大消息，每个量子比特平均由一个密度矩阵 \xcf\x81 A 描述，可以压缩成可能更少的 k = nS ( \xcf\x81 A ) \xe2\x89\xa4 n 个量子比特；而且只要 n 足够大，就可以忠实地恢复整个消息。我们稍后会讨论量子数据压缩。纯态在渐近极限下的可逆性。有了这两个工具，爱丽丝可以先准备 n 份 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 （总共 2 n 个量子比特）在本地压缩 n 个量子比特为 k 个量子比特，然后 \xe2\x80\x9csend\xe2\x80\x9d 发送给 Bob，并使用共享的 k 个贝尔态将压缩的 k 个量子比特传送给 Bob。然后 Bob 将 k 个量子比特解压缩回未压缩的 n 个量子比特，这些量子比特属于纠缠态 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 的 n 个副本中的一半。因此，Alice 和 Bob 建立了 n 对 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 。这描述了纯态稀释过程的最佳程序。蒸馏的纠缠和纠缠成本被渐近地定义，即两个过程都涉及无限数量的初始状态的副本。对于纯态，EC = ED [7]，这意味着这两个过程是渐近可逆的。但对于混合态，这两个量都很难计算。尽管如此，预计 EC ( \xcf\x81 ) \xe2\x89\xa5 ED ( \xcf\x81 )，即蒸馏出的纠缠不能比投入的多。形成的纠缠\xe2\x80\x94 是一个平均量 。然而，正如我们现在所解释的，有一个 EC 的修改，通过对纯态的 EC 取平均值获得，它被称为形成纠缠 EF [11, 13]。任何混合态 \xcf\x81 都可以分解为纯态混合 { pi , | \xcf\x88 i \xe2\x9f\xa9\xe2\x9f\xa8 \xcf\x88 i |} ，尽管分解远非唯一。以这种方式通过混合纯态构建混合态平均需要花费 P'](/simg/b\b87790512905fd558b37731181c2b32866795b88.webp)
b'与 ED 一样，对于一般的混合态，EC 也很难计算，而且只在极少数特殊情况下才为人所知。但是，对于纯态，例如前面讨论过的 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 状态，EC = \xe2\x88\x92 Tr \xcf\x81 A log 2 ( \xcf\x81 A ) ，等于 ED 。实现纯态稀释过程的最佳方式是利用两种技术：（i）量子隐形传态，我们在一开始就介绍过，它简单地说是一个双方共享的贝尔态可以用来确定地转移一个未知的量子比特态，以及（ii）量子数据压缩[12]，它的基本意思是，一个由 n 个量子比特组成的大消息，每个量子比特平均由一个密度矩阵 \xcf\x81 A 描述，可以压缩成可能更少的 k = nS ( \xcf\x81 A ) \xe2\x89\xa4 n 个量子比特；而且只要 n 足够大，就可以忠实地恢复整个消息。我们稍后会讨论量子数据压缩。纯态在渐近极限下的可逆性。有了这两个工具，爱丽丝可以先准备 n 份 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 （总共 2 n 个量子比特）在本地压缩 n 个量子比特为 k 个量子比特，然后 \xe2\x80\x9csend\xe2\x80\x9d 发送给 Bob，并使用共享的 k 个贝尔态将压缩的 k 个量子比特传送给 Bob。然后 Bob 将 k 个量子比特解压缩回未压缩的 n 个量子比特，这些量子比特属于纠缠态 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 的 n 个副本中的一半。因此，Alice 和 Bob 建立了 n 对 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 。这描述了纯态稀释过程的最佳程序。蒸馏的纠缠和纠缠成本被渐近地定义，即两个过程都涉及无限数量的初始状态的副本。对于纯态，EC = ED [7]，这意味着这两个过程是渐近可逆的。但对于混合态，这两个量都很难计算。尽管如此，预计 EC ( \xcf\x81 ) \xe2\x89\xa5 ED ( \xcf\x81 )，即蒸馏出的纠缠不能比投入的多。形成的纠缠\xe2\x80\x94 是一个平均量 。然而，正如我们现在所解释的，有一个 EC 的修改，通过对纯态的 EC 取平均值获得，它被称为形成纠缠 EF [11, 13]。任何混合态 \xcf\x81 都可以分解为纯态混合 { pi , | \xcf\x88 i \xe2\x9f\xa9\xe2\x9f\xa8 \xcf\x88 i |} ，尽管分解远非唯一。以这种方式通过混合纯态构建混合态平均需要花费 P'
b'与 ED 一样，对于一般的混合态，EC 也很难计算，而且只在极少数特殊情况下才为人所知。但是，对于纯态，例如前面讨论过的 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 状态，EC = \xe2\x88\x92 Tr \xcf\x81 A log 2 ( \xcf\x81 A ) ，等于 ED 。实现纯态稀释过程的最佳方式是利用两种技术：（i）量子隐形传态，我们在一开始就介绍过，它简单地说是一个双方共享的贝尔态可以用来确定地转移一个未知的量子比特态，以及（ii）量子数据压缩[12]，它的基本意思是，一个由 n 个量子比特组成的大消息，每个量子比特平均由一个密度矩阵 \xcf\x81 A 描述，可以压缩成可能更少的 k = nS ( \xcf\x81 A ) \xe2\x89\xa4 n 个量子比特；而且只要 n 足够大，就可以忠实地恢复整个消息。我们稍后会讨论量子数据压缩。纯态在渐近极限下的可逆性。有了这两个工具，爱丽丝可以先准备 n 份 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 （总共 2 n 个量子比特）在本地压缩 n 个量子比特为 k 个量子比特，然后 \xe2\x80\x9csend\xe2\x80\x9d 发送给 Bob，并使用共享的 k 个贝尔态将压缩的 k 个量子比特传送给 Bob。然后 Bob 将 k 个量子比特解压缩回未压缩的 n 个量子比特，这些量子比特属于纠缠态 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 的 n 个副本中的一半。因此，Alice 和 Bob 建立了 n 对 | \xcf\x88 \xce\xb8 \xe2\x9f\xa9 。这描述了纯态稀释过程的最佳程序。蒸馏的纠缠和纠缠成本被渐近地定义，即两个过程都涉及无限数量的初始状态的副本。对于纯态，EC = ED [7]，这意味着这两个过程是渐近可逆的。但对于混合态，这两个量都很难计算。尽管如此，预计 EC ( \xcf\x81 ) \xe2\x89\xa5 ED ( \xcf\x81 )，即蒸馏出的纠缠不能比投入的多。形成的纠缠\xe2\x80\x94 是一个平均量 。然而，正如我们现在所解释的，有一个 EC 的修改，通过对纯态的 EC 取平均值获得，它被称为形成纠缠 EF [11, 13]。任何混合态 \xcf\x81 都可以分解为纯态混合 { pi , | \xcf\x88 i \xe2\x9f\xa9\xe2\x9f\xa8 \xcf\x88 i |} ，尽管分解远非唯一。以这种方式通过混合纯态构建混合态平均需要花费 P'
人工智能算法预测骨科手术后处方镇痛鸡尾酒的疗效
骨科手术后使用止痛药缓解术后疼痛是围手术期医学的一个主要问题。特别是在肩部手术（例如肩袖修复）、全关节置换和肢体创伤的情况下，预计疼痛程度会很高；因此，必须采用高效的策略来加快恢复，避免患者不适和痛苦，并降低疼痛相关并发症的风险 [ 1 – 3 ]。在多模式疼痛治疗中，医生通常会联合使用两种或两种以上的止痛药 [ 4 , 5 ]。由于这些药物之间可能存在药理学相互作用，因此很少知道疗效的预测。相互作用可以基于作用机制（例如受体上的药效学）或药代动力学途径。例如，高达 95% 的双氯芬酸在吸收后与血清白蛋白结合，在肝脏中经 CYP 3A4 羟基化和葡萄糖醛酸化后经肾脏消除。临床效果是通过阻断环氧合酶 I 和 II 实现的，从而导致前列腺素的合成减少。对乙酰氨基酚也通过环氧合酶途径表现出其作用，抑制前列腺素合成。另一方面，阿片类药物通过受体起作用，这些受体对这些镇痛药具有特异性，在肝脏中经 CYP 3A4 羟基化后消除。因此，对于临床医生来说，两种以上药物的组合可能不清楚，并且对处方的净效应感到困惑。术后处方中含有具有各种药代动力学和药效学特性的阿片类药物和非阿片类药物。据我们所知，关于当以两种以上药物组合使用时这些特性如何变化的数据很少，而且很少发表（如果有的话）[6-11]。对具有大量止痛药组合的止痛药的任何统计评估都面临着严峻的挑战：使用传统统计方法得出结论极其困难。我们使用人工智能方法 [12-15] 来克服这一困难。我们使用（人工）神经网络（NN）进行数据分析；具体来说，我们使用称为自动编码器的无监督神经网络（图 1）。这些无监督神经网络通过最小化损失（输入和输出之间的差异的平方和，在训练集上取平均值）来生成高精度模拟输入的输出（因此得名：自动编码器）。特征向量在下一段中描述。然后，我们将每个输入特征向量的代码层权重用作降维特征向量的坐标（图 1）。疼痛程度是分类变量，所施用的止痛药也是如此。我们使用独热编码为每个患者生成一个 38 维特征向量（参见方法部分）。这些特征向量并不独立。降维算法（神经网络自动编码器）找到独立性并将结果映射到二维流形（平面图）上。每个患者都是这个平面上的一个点，这些点不是随机分布的；相反，它们是聚集的。在我们掌握的众多聚类算法中，我们使用 DBSCAN 聚类算法 [ 16 ]，因为将其应用于点可以识别出具有许多共同止痛药的鸡尾酒聚类。相互依赖性产生包含高效止痛药的聚类；正如我们下面讨论的那样，这一发现无法通过任何其他方式找到（有 61 种不同的止痛药鸡尾酒，总共 750×2 = 1500 种疼痛