XiaoMi-AI文件搜索系统
World File Search System学可
尤文氏肉瘤中的 IGF1R 免疫组织化学可作为靶向治疗反应的预测指标。
经机构审查委员会批准后，在 13 年期间（1995-2007 年）收集了原发性和转移性 EST 患者的组织微阵列 (TMA) 载玻片。由于研究的存档性质，无需征得患者同意。在通过免疫组织化学 (IHC) 和分子方法确认诊断后，从莫菲特癌症中心病理科档案中收集初始诊断活检和切除标本。排除标准包括肿瘤体积不足以用于微阵列。还汇编了患者的年龄、性别、临床分期和随访数据以及诊断后长达 14 年的随访信息。计算从初次诊断到死亡或最后一次已知随访的总生存期 (OS)（以天为单位）。在确认尤文氏肉瘤的诊断后，根据先前描述的方法，从初次诊断和治疗前标本中汇编代表性石蜡包埋肿瘤核心（直径 0.6 毫米）以构建 TMA 块。 [7] 从每个肿瘤获取两个核心，并将其相邻地放置在 TMA 块中。
住友化学可持续发展数据手册 2022
可持续发展数据手册是对住友化学年报的补充，提供住友化学集团及其利益相关者认为重要的信息。数据手册主要从环境、社会和治理 (ESG) 角度提供有关集团公司的可持续发展信息。关于定量信息，KPMG AZSA Sustainability Co., Ltd. 对标有星号的指标提供了保证。（关于其他披露信息，请参阅第 249-251 页“环境和社会数据指标的计算标准”，其中介绍了数据收集和计算方法。）住友化学希望其报告可以成为与所有利益相关者沟通的工具，丰富他们对公司及其集团公司的了解。
哲学可以是科学创新的助产士吗？
随着21世纪经济和社会的持续发展，中国也进入了科学技术领域。定量指标和数据表明，中国已经成为科学和技术发展中最大的国家之一。然而，中国仍然远非科学技术领域的领先国家，在那里缺乏开拓性创新才能和成果的重要问题必须紧急解决。哲学可以帮助解决这个问题吗？哲学可以成为科学创新的助产士吗？该任务对哲学的要求将有什么要求？哲学将如何与科学互动？本文探讨了哲学在美国学者托马斯·库恩（Thomas Kuhn）在不同阶段进行科学发展的替代发展的理论，探讨哲学在促进主要的科学创新方面的作用，此外，本文提出，哲学可以间接地培养领先的创新人才，并通过在哲学和哲学方面的发展来促进科学和技术的创新，从而在科学和技术中促进创新，从而促进哲学和哲学家的发展，从而促进哲学和氛围。 中国。
基于人工智能的临床决策支持系统时代的医学可解释性
人们经常宣扬“大数据”与人工智能 (AI) 的结合，认为将其应用于医疗决策时能带来宝贵的健康益处。然而，负责任地采用基于人工智能的临床决策支持系统在个人和社会层面都面临着多重挑战。其中一个特别令人担忧的特点是可解释性问题，因为如果医生不知道（或无法知道）算法得出特定输出的方式，则可能导致多重挑战，包括无法评估输出的优点。这种“不透明性”问题引发了人们对医生是否合理依赖算法输出的质疑，一些学者坚持可解释性的重要性，而另一些学者则认为没有理由对人工智能有要求，而对医生没有要求的东西。我们认为这两种观点都有可取之处，但我们发现，为了阐明可解释性在临床实践中的基本功能，从而阐明其在人工智能临床应用背景下的相关性，需要进行更深入的探讨。在本文中，我们通过研究可解释性在临床医学中的要求来探索可解释性，并区分可解释性对当前患者和未来患者的功能。这种区别对于可解释性的短期和长期要求具有影响。我们强调透明度在可解释性中的作用，并确定语义透明度是可解释性问题本身的基础。我们认为，在日常临床实践中，准确性足以作为临床决策的“认识论依据”，而要求可解释性（科学或因果解释）的最令人信服的理由是，通过建立更强大的世界模型，有可能改善未来的护理。我们认为临床决策的目标是尽可能多地提供最佳结果，并且发现——只要努力探索科学解释并继续改善未来患者的医疗保健，准确性就足以作为对当今患者进行干预的依据。
基于人工智能的临床决策支持系统时代的医学可解释性
人们经常宣传“大数据”和人工智能 (AI) 的结合在应用于医疗决策时具有带来宝贵健康益处的潜力。然而，负责任地采用基于 AI 的临床决策支持系统在个人和社会层面都面临着若干挑战。引起特别关注的特征之一是可解释性问题，因为如果医生不知道（或无法知道）算法得出特定输出的方式，这可能会导致多重挑战，包括无法评估输出的优点。这种“不透明性”问题引发了人们对医生是否合理地依赖算法输出的质疑，一些学者坚持可解释性的重要性，而另一些学者则认为没有理由要求 AI 做医生不需要的事情。我们认为这两种观点都有可取之处，但我们发现，为了阐明可解释性在临床实践中的潜在功能，以及它在临床应用人工智能背景下的相关性，需要进行更细致的分析。在本文中，我们通过研究可解释性在临床医学中的需求来探索可解释性，并区分可解释性对当前患者和未来患者的功能。这种区别对可解释性的短期和长期要求具有影响。我们强调了透明度在可解释性中的作用，并认为语义透明度是可解释性问题本身的基础。我们认为，在日常临床实践中，准确性足以作为临床决策的“认识论依据”，而要求科学或因果解释意义上的可解释性的最令人信服的理由是通过建立更强大的世界模型来改善未来的护理。我们认为临床决策的目标是尽可能多地提供最佳结果，并且发现——只要揭示科学解释的努力继续改善未来患者的医疗保健，准确性就足以为当今的患者提供干预。
评估人工智能对印尼英语学习者写作技能的影响 卡哈鲁丁教育与教师培训学院，印尼望加锡伊斯兰州立大学（UIN） 摘要 --- 带有人工智能的电子设备促进了高等学校的学习-教学过程。本研究将人工智能在阅读教学中的应用和反馈作为自变量，以提高学生的写作技能作为因变量。学生对这种教学的态度是中介变量。这项研究是在望加锡市的高等学校进行的。研究工具是向100名高等学校学生分发的问卷，但只处理了83名学生。对数据进行了路径分析。研究结果：1）使用人工智能教授阅读对学生的写作没有直接影响，而是通过态度间接产生影响。2）讲师的反馈实际上通过态度对学生的写作有直接和间接的影响。3）通过态度阅读和反馈对学生写作技能提高的贡献率为34.8%。关键词 --- 人工智能、态度写作、反馈、阅读。介绍 COVID-19 大流行的爆发是一场全球灾难，扰乱了人类生活的各个方面。但是，我们必须明智地处理这个问题。在教育领域，它强制在虚拟学习教学中使用技术。许多讲师认为这不是最佳应用。不可否认的是，在这次 COVID-19 爆发之前，学习教学过程仍然以传统的面对面课堂学习模式为主，没有利用技术提供的设施。另一方面，应该利用学习教学过程提供的各种虚拟设施来应对技术进步。因此，研究人员认为，政府通过政策强制实施的这种虚拟学习教学可能会对望加锡高等学校的学习教学产生积极或消极的影响
评估人工智能对印尼英语学习者写作技能的影响 卡哈鲁丁教育与教师培训学院，印尼望加锡伊斯兰州立大学（UIN） 摘要 --- 带有人工智能的电子设备促进了高等学校的学习-教学过程。本研究将人工智能在阅读教学中的应用和反馈作为自变量，以提高学生的写作技能作为因变量。学生对这种教学的态度是中介变量。这项研究是在望加锡市的高等学校进行的。研究工具是向100名高等学校学生分发的问卷，但只处理了83名学生。对数据进行了路径分析。研究结果：1）使用人工智能教授阅读对学生的写作没有直接影响，而是通过态度间接产生影响。2）讲师的反馈实际上通过态度对学生的写作有直接和间接的影响。3）通过态度阅读和反馈对学生写作技能提高的贡献率为34.8%。关键词 --- 人工智能、态度写作、反馈、阅读。介绍 COVID-19 大流行的爆发是一场全球灾难，扰乱了人类生活的各个方面。但是，我们必须明智地处理这个问题。在教育领域，它强制在虚拟学习教学中使用技术。许多讲师认为这不是最佳应用。不可否认的是，在这次 COVID-19 爆发之前，学习教学过程仍然以传统的面对面课堂学习模式为主，没有利用技术提供的设施。另一方面，应该利用学习教学过程提供的各种虚拟设施来应对技术进步。因此，研究人员认为，政府通过政策强制实施的这种虚拟学习教学可能会对望加锡高等学校的学习教学产生积极或消极的影响
昆士兰科技大学可持续发展战略概览
2. 发展昆士兰科技大学的可持续性研究 • 推行重大的新可持续性研究计划、基础设施和合作伙伴关系 • 建立研究领导力，为联合国可持续发展目标做出贡献 • 通过可持续发展周和其他传播活动促进昆士兰科技大学的可持续性研究 • 通过内部资助计划和慈善项目支持可持续性研究
治疗诊断学可能成为精准肿瘤学领域的大生意
放射性结果过去几年中，人们对结合治疗和诊断的兴趣日益浓厚，并形成了一门独立的领域：治疗诊断学。过去几年中，美国、欧洲和世界各地的主要癌症中心都开设了专门的治疗诊断学中心。该方法需要一种能特异性结合肿瘤的配体，通常与放射性同位素相连，以便通过正电子发射断层扫描 (PET) 或单光子发射计算机断层扫描 (SPECT) 进行诊断。然后，医生可以使用与不同放射性核素相连的相同配体和连接分子来治疗肿瘤。“这真的很有吸引力，因为你可以看到药物的实际去向。对于其他药物，我们总是问自己药物去了哪里，最后到了哪里？”洛杉矶希望之城癌症中心免疫学和治疗诊断系主任 Anna Wu 说。目前，治疗诊断学仅适用于某些类型的神经内分泌肿瘤和甲状腺疾病。但美国食品药品管理局 (FDA) 准备在未来几周内批准一种用于治疗激素耐药性转移性前列腺癌的治疗诊断药物，佛罗里达州坦帕市莫菲特癌症中心神经内分泌肿瘤专家乔纳森·斯特罗斯伯格 (Jonathan Strosberg) 希望这将引发大量可用于更常见肿瘤类型的其他治疗方法。“我希望这些药物将在更大的环境中使用”，斯特罗斯伯格说。“结果令人印象深刻。”
萨摩亚国立大学可再生能源计划
缩略词 全称 APTC 澳大利亚太平洋培训联盟 CDC 内阁发展委员会 EIA 环境影响评估 EPC 电力公司 ESP 教育行业计划 FOS 理学院 FOTE 技术教育学院 FS 金融服务 GHG 温室气体 GPP 治理、政策和规划 IAs 实施机构 IMPRESS 提高萨摩亚可再生能源发电系统的性能和可靠性 MDG 千年发展目标 MEPS 最低能源性能标准 MNRE 自然资源和环境部 NDC 国家自主贡献 NECC 国家能源协调委员会 NGOs 非政府组织 NUS 萨摩亚国立大学 NUSREP 萨摩亚国立大学可再生能源计划 NUSSA 萨摩亚国立大学学生会 PM 物业维护 SDG 可持续发展目标 SDS 萨摩亚发展战略 SESP 萨摩亚能源行业计划 SPREP 太平洋区域环境计划秘书处 SRWMA 萨摩亚回收和废物管理协会 TAACC 应对气候变化技术援助项目 TVET 技术和职业教育与培训 UNFCCC 联合国气候变化框架公约
通过多模态和多中心数据融合揭开医学可解释人工智能的黑匣子：一篇小评论、两个展示及其他
可解释人工智能 (XAI) 是机器学习的一个新兴研究课题，旨在揭示 AI 系统的黑箱选择是如何做出的。该研究领域研究决策制定中涉及的措施和模型，并寻求解决方案来明确解释它们。许多机器学习算法无法说明决策的方式和原因。目前使用的最流行的深度神经网络方法尤其如此。因此，这些黑箱模型缺乏可解释性，可能会削弱我们对 AI 系统的信心。XAI 对于深度学习驱动的应用越来越重要，尤其是对于医疗和医疗保健研究，尽管一般来说，这些深度神经网络可以在性能上带来惊人的回报。大多数现有 AI 系统的可解释性和透明度不足可能是成功实施和将 AI 工具集成到常规临床实践中并不常见的主要原因之一。在本研究中，我们首先调查了 XAI 的当前进展，特别是其在医疗保健应用方面的进展。然后，我们介绍了利用多模式和多中心数据融合的 XAI 解决方案，并随后在两个真实临床场景的展示中进行了验证。全面的定量和定性分析可以证明我们提出的 XAI 解决方案的有效性，由此我们可以设想在更广泛的临床问题中成功应用。