XiaoMi-AI文件搜索系统
World File Search System图谱
人类大脑粘弹性特性的标准空间图谱
图 1 MRE 成像和分析程序概述。第一步，通过气动驱动系统（Resoundant；明尼苏达州罗切斯特）将 50 Hz 的剪切波引入大脑。使用嵌入在 MRE 螺旋序列中的运动编码梯度捕获由此产生的组织变形，并沿三个独立轴（前 - 后、右 - 左和上 - 下）捕获位移数据。位移数据连同二元脑掩模一起提供给非线性算法，该算法将组织建模为异质粘弹性材料。子区域优化程序用于迭代更新有限元计算模型中的属性描述，以最小化模型位移和测量位移数据之间的差异。最后，将复杂剪切模量图转换为剪切刚度 μ = 2 j G * j 2/( G ' + j G * j ) 和阻尼比 ξ = G 00 /2 G 0 。提供特定主题的 T1 加权 MPRAGE 和 MRE T2 幅度图像，以说明空间标准化程序所需的图像
运用辩论动态进行知识图谱推理
我们提出了一种基于辩论动态的知识图谱自动推理新方法。其主要思想是将三重分类任务构建为两个强化学习代理之间的辩论游戏，它们提取论据（知识图谱中的路径），目标是分别促使事实为真（论点）或事实为假（反论点）。基于这些论据，一个称为评判者的二元分类器决定事实是真是假。这两个代理可被视为稀疏的对抗性特征生成器，为论点或反论点提供可解释的证据。与其他黑箱方法相比，这些论据让用户能够了解评判者的决定。由于这项工作的重点是创建一种可解释的方法以保持具有竞争力的预测准确率，因此我们在三重分类和链接预测任务上对我们的方法进行了基准测试。因此，我们发现我们的方法在基准数据集 FB15k-237、WN18RR 和 Hetionet 上的表现优于几个基线。我们还进行了一项调查，发现提取的参数对用户很有帮助。
用于 fMRI 分析的功能模式细粒度图谱
群体成像显著增加了功能成像数据集的大小，为个体间差异的神经基础提供了新的见解。分析这些大数据带来了新的可扩展性挑战，包括计算和统计方面的挑战。因此，大脑图像通常总结为几个信号，例如使用大脑图谱或功能模式减少体素级测量值。选择相应的大脑网络非常重要，因为大多数数据分析都是从这些减少的信号开始的。我们贡献了精细解析的功能模式图谱，包含 64 到 1024 个网络。这些功能模式词典 (DiFuMo) 是在数百万个 fMRI 功能性大脑体积上训练的，总大小为 2.4TB，涵盖了 27 项研究和许多研究小组。我们展示了在我们的细粒度图谱中提取精简信号对许多经典功能数据分析流程的好处：从 12,334 个大脑反应中解码刺激、跨会话和个体的 fMRI 标准 GLM 分析、提取 2,500 个个体的静息状态功能连接组生物标志物、对超过 15,000 个统计图进行数据压缩和荟萃分析。在每一个分析场景中，我们都将我们的功能图谱与其他流行参考资料的性能进行比较，并与简单的体素级分析进行比较。结果强调了使用高维“软”功能图谱来表示和分析大脑活动同时捕捉其功能梯度的重要性。高维模式的分析实现了与体素级类似的统计性能，但计算成本大大降低，可解释性更高。除了提供它们之外，我们还根据这些模式的解剖位置为其提供有意义的名称。这将有助于报告结果。
维基数据作为生命科学的知识图谱
简介整合数据和知识是生物医学研究中的一项艰巨挑战。尽管新的科学发现正在迅速发现，但很大一部分知识要么被锁定在数据孤岛中（不同的命名法、数据模型和许可条款阻碍了整合；Wilkinson 等人，2016 年），要么被锁定在自由文本中。缺乏集成和结构化的生物医学知识版本会阻碍对这些信息的有效查询或挖掘，从而阻碍我们充分利用积累的科学知识。最近，科学界越来越强调确保所有科学数据的公平性——可查找、可访问、可互操作和可重用——并且越来越多地就一套具体的原则达成共识以确保公平性（Wilkinson 等人，2019 年；Wilkinson 等人，2016 年）。这些原则的广泛实施将极大地
基于时空图像的脑电图情绪识别编码图谱
情绪识别在人与人之间的互动中起着至关重要的作用，因为它是理解人类在日常生活中遇到事件和互动时情绪状态和反应的关键。在人机交互方面，情绪研究变得至关重要，因为它是设计先进系统的基础，以支持广泛的应用领域，包括法医、康复、教育等。一种有效的情绪识别方法是基于脑电图 (EEG) 数据分析，它被用作分类系统的输入。从多个通道收集各种情绪的脑信号会产生繁琐的数据集，这些数据集难以管理、传输和用于各种应用。在此背景下，本文介绍了 Emp a theia 系统，该系统通过在对脑电图信号进行分类之前将其编码为图像来探索不同的脑电图表示。具体来说，所提出的系统通过基于图像的编码处理和传输交互状态和映射 (PRISMIN) 框架从 EEG 数据中提取时空图像编码或图集，从而获得输入信号的紧凑表示。然后通过 Emp a theia 架构对图集进行分类，该架构包含基于卷积、循环和变压器模型的分支，这些模型经过设计和调整，可捕捉空间和时间方面
乳腺癌防治知识图谱：基于文献的数据分析研究
背景：乳腺癌发病率一直居高不下，自21世纪以来持续上升。因此，针对乳腺癌预防和治疗的研究工作显著增加。尽管关于这一主题的文献资料丰富，但缺乏系统的整合。为了解决这个问题，知识图谱已成为一种有价值的工具。知识图谱通过利用其强大的知识整合能力，为理解乳腺癌预防和治疗提供了一种全面而结构化的方法来理解乳腺癌的预防和治疗。目的：我们旨在整合乳腺癌治疗和预防方面的文献数据，构建知识图谱，并为临床决策提供支持。方法：我们使用医学主题词搜索 2018 年至 2022 年期间在 PubMed 上发表的乳腺癌预防和治疗临床试验文献。我们从语义 MEDLINE 数据库 (SemMedDB) 下载三重数据，并将其与检索到的文献进行匹配，以获得目标文章的三重数据。我们使用 NetworkX 将三重信息可视化以进行知识发现。结果：在近5年的文献研究范围内，恶性肿瘤出现频率最高（587/1387，42.3%），药物治疗（267/1387，19.3%）为主要治疗方法，曲妥珠单抗（209/1805，11.6%）为最常用的治疗药物。通过知识图谱的分析，我们发现不同类型的乳腺癌的治疗方法、治疗药物和预防措施之间存在复杂的关系网络。结论：本研究构建了乳腺癌防治知识图谱，实现了近5年相关文献的整合和知识发现，研究者可以从图中洞察治疗方法、药物、治疗不良反应的预防知识以及不同知识领域之间的关联。
大数据与人工智能的作用教育与教育研究：文献图谱
摘要 人工智能 (AI) 和大数据项目一直是讨论的焦点，旨在改善学习体验和成果。基于对 980 篇文章的映射，本文使用 VOSviewer 对与大数据和 AI 相关的教育研究进行了系统回顾。本文主要研究三个方面：主要来源、学科和关键词。它确定了几个研究集群（例如多学科、教育技术和信息）和主要研究主题，如学习分析、智能辅导系统和协作学习、高等教育等。文献的系统映射为教育工作者、研究人员和政策制定者进一步的研究、课程和政策工作奠定了基础。关键词：学习分析、智能辅导系统、人工智能、大数据、教育
乳腺癌对芳香化酶抑制剂耐药性的基因组图谱
芳香化酶抑制剂 (AI) 是广泛用于治疗雌激素受体 (ER) 阳性乳腺癌患者的药物。耐药性是芳香化酶抑制疗法的主要障碍。获得性 AI 耐药性的背后有多种原因。本研究旨在确定接受非甾体 AI（阿那曲唑和来曲唑）的患者获得性 AI 耐药性的可能原因。我们使用了来自 Cancer Genomic Atlas 数据库的乳腺浸润性癌的基因组、转录组、表观遗传和突变数据。然后根据患者对非甾体 AI 的反应将数据分为敏感组和耐药组。研究包括 150 名患者的敏感组和 172 名患者的耐药组。对这些数据进行汇总分析，以探究可能导致 AI 耐药性的因素。我们在两组中确定了 17 个差异调控基因 (DEG)。然后，对这些 DEG 进行甲基化、突变、miRNA、拷贝数变异和通路分析。预测了最常突变的基因（FGFR3、CDKN2A、RNF208、MAPK4、MAPK15、HSD3B1、CRYBB2、CDC20B、TP53TG5 和 MAPK8IP3）。我们还确定了一个关键 miRNA - hsa-mir-1264，它调节 CDC20B 的表达。通路分析显示 HSD3B1 参与雌激素生物合成。这项研究揭示了可能与 ER 阳性乳腺癌 AI 耐药性的发展有关的关键基因的参与，因此可能作为这些患者的潜在预后和诊断生物标志物。
大脑图谱框架：从癫痫动力学中吸取的教训
1 宾夕法尼亚大学佩雷尔曼医学院神经科学系，宾夕法尼亚州费城 19104 美国 2 宾夕法尼亚大学神经工程与治疗学中心，宾夕法尼亚州费城 19104 美国 3 宾夕法尼亚大学工程与应用科学学院生物工程系，宾夕法尼亚州费城 19104 美国 4 加利福尼亚大学医学科学家培训项目，加利福尼亚州旧金山 94143 美国 5 宾夕法尼亚大学佩雷尔曼医学院神经病学系，宾夕法尼亚州费城 19104 美国 6 宾夕法尼亚大学佩雷尔曼医学院放射学系，宾夕法尼亚州费城 19104 美国 7 宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学和信息学系，宾夕法尼亚州费城 19104 美国 8 宾夕法尼亚大学佩雷尔曼医学院宾夕法尼亚成像与可视化统计学研究中心，宾夕法尼亚州费城 19104 美国 9 生物医学图像计算与分析系，宾夕法尼亚大学佩雷尔曼医学院，宾夕法尼亚州 19104 美国 10 宾夕法尼亚大学工程与应用科学学院电气与系统工程系，宾夕法尼亚州费城 19104 美国 11 宾夕法尼亚大学艺术与科学学院物理与天文系，宾夕法尼亚州费城 19104 美国 12 宾夕法尼亚大学佩雷尔曼医学院精神病学系，宾夕法尼亚州费城 19104 美国 13 圣达菲研究所，新墨西哥州圣达菲 87501 a 这些作者贡献相同 * 通讯作者：andrew.revell@pennmedicine.upenn.edu
CAS-Net：胎儿 MRI 的条件图谱生成和脑分割
摘要：胎儿磁共振成像 (MRI) 用于产前诊断和评估早期大脑发育。准确分割不同的大脑组织是几项大脑分析任务中的重要步骤，例如皮质表面重建和组织厚度测量。然而，胎儿 MRI 扫描容易产生运动伪影，这会影响手动和自动分割技术的正确性。在本文中，我们提出了一种新型网络结构，可以同时生成条件图谱并预测大脑组织分割，称为 CAS-Net。条件图谱提供了可以限制分割连接的解剖先验，尽管运动或部分体积效应会导致强度值的异质性。所提出的方法在来自正在开发的人类连接组项目 (dHCP) 的 253 名受试者身上进行了训练和评估。结果表明，所提出的方法可以生成具有清晰边界和形状变化的条件年龄特定图谱。它还对胎儿 MRI 的多类别脑组织进行分割，对于选定的 9 个组织标签，总体 Dice 相似度系数 (DSC) 高达 85.2%。