XiaoMi-AI文件搜索系统
World File Search System子网络
通过具有可信度信息的图神经网络改进目标-疾病关联预测
识别有效的靶点-疾病关联（TDA）可以减轻药物开发临床失败所造成的巨大成本。尽管已经提出了许多机器学习模型来快速预测潜在的新型 TDA，但它们的可信度并不能保证，因此需要大量的实验验证。此外，当前的模型通常很难为信息较少的实体预测有意义的关联，因此限制了这些模型在指导未来研究中的应用潜力。基于利用图神经网络从异构生物数据中提取特征的最新进展，我们开发了 CreaTDA，这是一个基于端到端深度学习的框架，可以有效地学习靶点和疾病的潜在特征表示，以促进 TDA 预测。我们还提出了一种对从文献中获得的可信度信息进行编码的新方法，以提高 TDA 预测的性能，并根据先前研究的真实证据支持预测更多新型 TDA。与最先进的基线方法相比，CreaTDA 在整个 TDA 网络及其包含与少数已知疾病相关的蛋白质的稀疏子网络上实现了更好的预测性能。我们的结果表明，CreaTDA 可以为识别新的靶标-疾病关联提供强大而有用的工具，从而促进药物发现。
单细胞和表观遗传数据的可解释深度学习揭示了衰老方面的新分子见解
深度学习 (DL) 和可解释人工智能 (XAI) 已成为强大的机器学习工具，可用于识别空间或时间域中的复杂预测数据模式。在这里，我们考虑将 DL 和 XAI 应用于大型组学数据集，以便在分子水平上研究生物衰老。我们开发了一种先进的多视图图级表示学习 (MGRL) 框架，该框架整合了先前的生物网络信息，以细胞类型分辨率构建分子衰老时钟，随后我们使用 XAI 对其进行解释。我们将该框架应用于最大的单细胞转录组数据集之一，该数据集包含来自 981 名捐赠者的一百万多个免疫细胞，揭示了一个核糖体基因子网络，其表达与年龄无关，与细胞类型无关。将相同的 DL-XAI 框架应用于分类单核细胞的 DNA 甲基化数据，揭示了一种表观遗传失调的炎症反应途径，其活性随着年龄的增长而增加。我们表明，如果我们使用更标准的机器学习方法，就不会发现核糖体模块和炎症途径。总之，这里介绍的计算深度学习框架说明了深度学习与可解释的人工智能工具相结合如何揭示对复杂衰老过程的新颖生物学见解。
基于跨参与者脑电图的认知评估... - MDPI
摘要：将深度学习方法应用于脑电图 (EEG) 数据以进行认知状态评估，与以前的建模方法相比取得了进步。然而，使用这些技术进行跨参与者认知工作量建模的研究代表性不足。我们研究非刺激锁定任务环境中的跨参与者状态估计问题，其中使用训练模型对训练集中未出现的新参与者进行工作量估计。使用来自多属性任务电池 (MATB) 环境中的实验数据，在计算效率、模型准确性、方差和时间特异性的权衡空间中评估了各种深度神经网络模型，得出三个重要贡献：(1) 在大多数序列长度下，单独训练的模型集合的性能在统计上与组训练方法没有区别。与组训练方法相比，这些集成训练所需的计算成本仅为其一小部分，并且能够更简单地更新模型。(2) 虽然增加时间序列长度可以提高平均准确度，但不足以克服个体脑电图数据之间的分布差异，因为它会导致跨参与者方差在统计上显着增加。(3) 与所有其他评估的网络相比，使用多路径子网络和双向残差循环层的新型卷积循环模型导致预测准确度在统计上显着增加，并降低跨参与者方差。
使用粗到精视觉变换器进行仿射医学图像配准
仿射配准在全面的医学图像配准流程中不可或缺。然而，只有少数研究关注快速而鲁棒的仿射配准算法。这些研究中大多数利用卷积神经网络（CNN）来学习联合仿射和非参数配准，而对仿射子网络的独立性能探索较少。此外，现有的基于 CNN 的仿射配准方法要么关注局部错位，要么关注输入的全局方向和位置来预测仿射变换矩阵，这些方法对空间初始化很敏感，并且除了训练数据集之外表现出有限的通用性。在本文中，我们提出了一种快速而鲁棒的基于学习的算法，即粗到精视觉变换器（C2FViT），用于 3D 仿射医学图像配准。我们的方法自然地利用了卷积视觉变换器的全局连通性和局部性以及多分辨率策略来学习全局仿射配准。我们对 3D 脑图谱配准和模板匹配归一化方法进行了评估。综合结果表明，我们的方法在配准精度、稳健性和通用性方面优于现有的基于 CNN 的仿射配准方法，同时保留了基于学习的方法的运行时优势。源代码可在 https://github.com/cwmok/C2FViT 上找到。
重度抑郁症中负面认知偏差的神经机制理论
由 Aaron Beck 提出的抑郁症认知理论得到广泛认可，该理论关注的是信息处理的偏见，强调情感和概念信息的消极方面。当前，人们试图发现这种认知和情感偏见的神经机制，并成功地确定了与情绪、注意力、沉思和抑制控制等几种偏见功能相关的各个大脑区域。然而，抑郁症患者如何发展出这种选择性消极处理的神经生物学机制仍存在疑问。本文介绍了一个以额叶边缘回路为中心的神经学框架，具体分析和综合了杏仁核、海马和内侧前额叶皮质内的活动和功能连接。首先，建立了正反馈回路如何在自动水平上导致抑郁症患者杏仁核持续过度活跃的可能解释。在此基础上，提出了两个假设：假设 1 围绕双向杏仁核海马投射，促进负面情绪和记忆的放大，同时阻碍海马吸引子网络中对立信息的检索。假设 2 强调腹内侧前额叶皮层通过与杏仁核和海马一起概括概念和情感信息，参与建立负面认知框架。本研究的主要目的是改进和补充现有的抑郁症病理模型，推动情感障碍神经科学当前理解的前沿，并最终有助于成功康复令人衰弱的情感障碍。
端到端级联图像去雨和对象...
摘要 — 虽然基于深度学习的图像去雨方法近年来取得了长足的进步，但在实际应用中仍存在两个主要缺点。首先，以去雨为代表的低级视觉任务与以物体检测为代表的高级视觉任务之间的差距很大，低级视觉任务几乎无法为高级视觉任务做出贡献。其次，去雨数据集的质量有待提高。事实上，很多基线中的雨线与真实的雨线差距很大，去雨数据集图像的分辨率普遍不理想。同时，低级视觉任务和高级视觉任务很少有共同的数据集。本文探索了低级视觉任务与高级视觉任务的结合。具体而言，我们提出了一种用于减少降雨影响的端到端物体检测网络，该网络由两个级联网络组成，分别是一个改进的图像去雨网络和一个物体检测网络。我们还设计了损失函数的组件以适应不同子网络的特征。然后，我们基于 KITTI 数据集提出了一个用于雨水去除和物体检测的数据集，我们的网络在该数据集上超越了最先进的技术，指标有了显著的提高。此外，我们提出的网络在自动驾驶汽车收集的驾驶视频上进行了测量，并在雨水去除和物体检测方面显示出了积极的结果。
第二读
经颅直流刺激（TDC）已显示出在健康和患病的人群中产生神经可塑性。通过使用神经影像提供实时的大脑状态反馈来控制刺激持续时间是一个引起人们极大兴趣的话题。这项研究介绍了闭环调节对额叶皮层中靶向功能网络的可行性。我们假设在刺激治疗期间达到特定状态后，我们无法进一步改善大脑状态。在环形配置中排列的1 Ma的高率TDC在靶向的右额叶皮层的15个健康男性受试者的靶向右额叶皮层上应用10分钟。功能近红外光谱法在刺激期间连续监测血红蛋白发色团。将从过滤的氧气血红蛋白获得的相关基础二进化以形成短期和远程连接的子网。使用基于相关矩阵的连通性百分比的新量化度量分别分析了所有子网络中的连接性。刺激半球中的短距离网络在初始刺激阶段显示出增加的连通性。然而，刺激6分钟后，连接密度的增加显着降低。左半球的短距离网络和远程网络在整个刺激期间逐渐增加。连接百分比度量与网络理论参数显示出相似的响应。连接性百分比和网络理论指标代表刺激治疗过程中的大脑状态。
多动症
注意力缺陷多动障碍 (ADHD) 是一种发育障碍，其特征是难以控制自己的行为。神经影像学研究将 ADHD 与额顶叶注意力系统与默认模式网络 (DMN；Castellanos 和 Aoki，2016) 的相互作用联系起来。然而，一些结果并不一致，这可能是由于定义大脑功能网络（即功能连接阈值和/或大脑分区方案）时的分析策略的方法差异造成的。在这里，我们利用拓扑数据分析 (TDA) 来探索大脑连接组作为过滤值（即连接阈值）的函数，而不是使用静态连接阈值。具体而言，我们将从所有节点被隔离到连接到单个组件的转变描述为过滤值的函数。我们探索了这种方法的实用性，以识别 81 名 ADHD 儿童（45 名男性，年龄：7.26 – 17.61 岁）和 96 名正常发育儿童（TDC；59 名男性，年龄：7.17 – 17.96 岁）之间的差异，使用人类受试者静息状态 (rs)fMRI 的公共数据集。使用四种不同的大脑分割（图谱）时，结果高度一致，并且显示出 ADHD 儿童的大脑拓扑结构存在显著差异，无论是在全脑网络还是功能子网络层面，尤其是涉及额叶和 DMN。因此，这是一种可靠的方法，可以补充连接组学相关方法，并可能有助于识别 ADHD 的神经生理病理。
钢筋 - 刘
近年来，研究人员探索了基于强化学习的对象检测方法。但是，现有方法总是几乎没有令人满意的性能。主要原因是当前基于增强学习的方法生成一系列不准确区域而没有合理的奖励函数，并将最终步骤中的非最佳选择视为缺乏有效的区域选择和重新构成策略的检测结果。为了解决上述问题，我们提出了一种新的基于增强的基于基于的对象检测框架，即增强框架，通过将增强剂学习剂与基于卷积神经网络的特征空间整合在一起，具有区域选择的能力并进行了重新确定。在钢筋中，我们重新开发了一个奖励功能，该奖励功能使代理可以有效地训练并提供更准确的区域建议。为了进一步优化它们，我们设计了基于卷积神经网络的区域选择网（RS-NET）和边界框重新填充网络（BBR-NET）。尤其是前者由两个子网络组成：联合网络（IOU-NET）和完整性网络（CPL-NET）共同选择了最佳区域建议。后者旨在将选定的结果重新定义为最终结果。在两个标准数据集Pascal VOC 2007和VOC 2012上的广泛实验结果表明，增强剂能够改善该地区的选择，并学习更好的代理动作表示增强性学习，从而导致最先进的表现。2021 Elsevier B.V.保留所有权利。
Q-FiRM：基于保真度的量子网络速率最大化路由
摘要 — 端节点之间的高效信息路由是安全量子网络和量子密钥共享的关键推动因素，这依赖于随时间推移创建和维持纠缠态。然而，这种成对纠缠会由于通道损耗和网络节点上纠缠光子的存储而退化。纠缠态反过来会影响保真度，保真度是量化一对量子态相似程度的指标。在本文中，我们提出了一种路由解决方案，该解决方案可满足接收器对从多个发射器节点接收的量子信息施加的阈值保真度要求。我们的解决方案从网络内的此类节点池中选择中间中继器，以最大化量子信息传输的总速率。为此，我们首先提供相邻节点之间保真度损失以及端到端量子数据速率的表达式。然后，我们提出了一种新颖的两阶段路由解决方案，该解决方案（i）使用保真度作为成本度量来确定每个发射器的 k 条最短路径，以及（ii）（启发式地）根据中继器节点是否具有单个或多个可用内存单元为每个发射器分配一条路径。模拟结果表明，我们提出的基于保真度的路由解决方案满足广泛的保真度要求 [0.6-0.79]，同时最大化量子信息传输速率，优于现有的基于距离和跳跃的路由方法。索引术语 — 量子网络、量子中继器、量子路由、量子通信、纠缠