摘要。脑病变分割在神经学研究和诊断中起着至关重要的作用。由于脑病变可能是由各种病理改变引起的,不同类型的脑病变往往在不同的成像模式下表现出不同的特征。由于这种复杂性,脑病变分割方法通常以特定任务的方式开发。针对特定的病变类型和成像方式开发特定的分割模型。然而,使用特定任务的模型需要预先确定病变类型和成像方式,这使得它们在现实世界场景中的部署变得复杂。在这项工作中,我们提出了一个通用的 3D 脑病变分割基础模型,它可以自动分割不同类型的脑病变,以适应各种成像方式的输入数据。我们制定了一个新颖的混合模态专家 (MoME) 框架,其中多个专家网络负责不同的成像方式。分层门控网络结合了专家预测并促进了专业知识协作。此外,我们在训练过程中引入了课程学习策略,以避免每个专家网络退化并保持其专业化。我们在九个脑损伤数据集上评估了所提出的方法,涵盖了五种成像方式和八种损伤类型。结果表明,我们的模型优于最先进的通用模型,并为未知数据集提供了有希望的泛化能力。
洛斯阿拉莫斯国家实验室是一家采取平权行动/提供平等机会的雇主,由 Triad National Security, LLC 为美国能源部国家核安全局运营,合同编号为 89233218CNA000001。通过批准本文,出版商承认美国政府保留非独占的、免版税的许可,可以为了美国政府的目的出版或复制本文的已发表形式,或允许他人这样做。洛斯阿拉莫斯国家实验室要求出版商将本文注明为在美国能源部的支持下完成的工作。洛斯阿拉莫斯国家实验室坚决支持学术自由和研究人员的发表权利;但是,作为一个机构,实验室并不认可出版物的观点,也不保证其技术上的正确性。
急性淋巴细胞白血病 - 所有急性淋巴细胞白血病鱼板BCR -ABL1(BCR :: ABL1)定性和定量测试慢性髓样白血病-CML TPMT和NUDT15
1cerezo,M.,Arrasmith,A.,Babbush,R。等。变化量子算法。nat Rev Phys 3,625–644(2021)。
摘要 — 近年来,随着人们对宠物保健的兴趣日益浓厚,兽医对计算机辅助诊断 (CAD) 系统的需求也随之增加。由于缺乏足够的放射学数据,兽医 CAD 的发展陷入停滞。为了克服这一挑战,我们提出了一种基于变分自动编码器的生成主动学习框架。此方法旨在缓解兽医 CAD 系统可靠数据的稀缺问题。本研究利用了包括心脏扩大放射图像数据和慢性肾病超声图像数据的数据集。在删除注释并标准化图像后,我们采用了一个数据增强框架,该框架包括数据生成阶段和用于过滤生成数据的查询阶段。实验结果表明,当通过该框架生成的数据添加到生成模型的训练数据中时,射线图像中的 frechet 起始距离从 84.14 减小到 50.75,超声图像中的 frechet 起始距离从 127.98 减小到 35.16。随后,当生成的数据被纳入分类模型的训练中时,混淆矩阵的真负数也从射线照片上的 0.16 提高到 0.66,超声图像上的真负数从 0.44 提高到 0.64。所提出的框架有可能解决医学 CAD 数据稀缺的挑战,从而促进其发展。
摘要 基于测量的量子计算 (MBQC) 是一种很有前途的方法,可以减少嘈杂的中型量子算法(例如变分量子特征值求解器 (VQE))中的电路深度。与基于门的计算不同,MBQC 在预先准备的资源状态上使用局部测量,在电路深度和量子比特数之间提供权衡。确保确定性对 MBQC 至关重要,特别是在 VQE 环境中,因为测量模式缺乏流动性会导致在无关位置评估成本函数。本研究介绍了尊重确定性并类似于广泛使用的与问题无关的硬件高效 VQE 假设的 MBVQE 假设。我们使用 Schwinger Hamiltonian 和 XY 模型上的理想模拟来评估我们的方法,并在具有自适应测量功能的 IBM 硬件上进行实验。在我们的用例中,我们发现通过后选择确保确定性比通过自适应测量效果更好,但会增加采样成本。此外,我们提出了一种有效的 MBQC 启发式方法,用于在具有重十六进制连接的硬件上准备资源状态,特别是集群状态,需要单轮测量,并在具有 27 和 127 个量子比特的量子计算机上实现此方案。我们观察到较大集群状态的显着改进,尽管直接基于门的实现对于较小的实例实现了更高的保真度。
我们开展了一项研究来评估梯度提升算法在岩爆评估中的潜力和稳健性,建立了一个变分自动编码器(VAE)来解决岩爆数据集的不平衡问题,并提出了一种针对基于树的集成学习的多级可解释人工智能(XAI)。我们从现实世界的岩爆记录中收集了537个数据,并选择了四个导致岩爆发生的关键特征。首先,我们使用数据可视化来深入了解数据的结构,并进行相关性分析以探索数据分布和特征关系。然后,我们建立了一个VAE模型来为由于类别分布不平衡而产生的少数类生成样本。结合VAE,我们比较和评估了六种最先进的集成模型,包括梯度提升算法和经典逻辑回归模型,用于岩爆预测。结果表明,梯度提升算法优于经典的单一模型,而 VAE 分类器优于原始分类器,其中 VAE-NGBoost 模型的结果最为理想。与针对不平衡数据集结合 NGBoost 的其他重采样方法(例如合成少数族群过采样技术 (SMOTE)、SMOTE 编辑最近邻 (SMOTE-ENN) 和 SMOTE-tomek 链接 (SMOTE-Tomek))相比,VAE-NGBoost 模型的效果最佳。最后,我们使用特征灵敏度分析、Tree Shapley 附加解释 (Tree SHAP) 和 Anchor 开发了一个多级 XAI 模型,以深入探索 VAE-NGBoost 的决策机制,进一步增强基于树的集成模型在预测岩爆发生方面的可靠性。
简介。近年来,变异量子算法[1-3]和量子机学习[4 - 9]吸引的最初兴奋已被贫瘠的高原现象[10-56]缓解。也就是说,越来越意识到,大量的量子学习体系结构表现出损失功能的景观,这些景观将指数置于系统大小的平均值上。因此,确定事实证明不会导致贫瘠高原的建筑和培训策略已成为一个高度活跃的研究领域。然而,从某种意义上说,这些策略都利用了问题的一些简单基础结构。这引起了一个问题:是否能够避免避免贫瘠的高原以有效地经典地模拟损失函数的相同结构吗?在这里,我们认为这个问题的答案是“是”。具体来说,我们声称可以使用多项式时间内运行的经典算法模拟可证明不表现出贫瘠高原的损失景观。重要的是,此模拟仍可能需要在初始数据采集阶段使用量子计算机[57 - 60],但是它不需要在量子设备或混合量子量子式优化环上实现的参数化量子电路。这些论点可以理解为无贫瘠高原景观中各种量子电路的信息处理能力的消除形式。
髓母细胞瘤 (MB) 是儿童中最常见的恶性脑肿瘤,以其异质性和治疗相关毒性而闻名,迫切需要新的治疗靶点。我们使用 Illumina TruSight Tumor 15 面板分析了 69 例拉丁-伊比利亚分子特征化的髓母细胞瘤中 15 个驱动基因的体细胞突变谱。我们根据变异的临床影响和致癌性对其进行了分类。在患者中,66.7% 为 MB SHH ,13.0% 为 MB WNT ,7.3% 为 MB Grp3 ,13.0% 为 MB Grp4 。在发现的 63 个变异中,54% 被归类为 I/II 级,31.7% 为致癌/可能致癌。我们观察到 33.3% 的病例至少有一个突变。 TP53(23.2%,16/69)是突变最多的基因,其次是 PIK3CA(5.8%,4/69)、KIT(4.3%,3/69)、PDGFRA(2.9%,2/69)、EGFR(1.4%,1/69)、ERBB2(1.4%,1/69)和 NRAS(1.4%,1/69)。约 41% 的 MB SHH 肿瘤表现出突变,TP53(32.6%)是突变最多的基因。I/II 级和致癌/可能致癌的 TP53 变异与复发、进展和较低的生存率有关。PIK3CA 和 KIT 基因中可能可操作的变异是