XiaoMi-AI文件搜索系统
World File Search System学和核
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
将肿瘤学、放射学和核医学整合到治疗诊断学中
将肿瘤学、放射学和核医学纳入治疗诊断学的范畴，存在着错综复杂的困难[1]。数据整合仍然很困难，因为它需要协调来自多种来源、格式和标准的数据，以确保能够做出一致的决策[2]。通过标准化成像过程，诊断准确性大大提高。弥合语言、实践和工作流程方面的差距，阻碍肿瘤学家、放射学家和核医学专家之间进行有效的跨学科合作，这是一个持续存在的问题[3]。由于治疗诊断学的监管和道德考虑，需要额外的安全和隐私措施[4]。在试图权衡可能的临床优势与昂贵设备和培训的费用和资源分配时，情况更加复杂[5]。由于必要的放射性药物稀缺，存在获取问题。为了确保医疗保健从业者能够处理治疗诊断学的复杂性，迫切需要进行专门的教育和培训[6]。在交换患者数据时，采取隐私和安全措施来保护数据至关重要[7]。为了证明其安全性和有效性，需要进行可靠的临床验证。要充分发挥综合治疗诊断学的潜力并提供最佳的患者护理，需要整个医疗生态系统的共同努力，从监管改革到技术进步 [8]。
基于CRISPR的猪功能基因组学和核酸检测研究进展
靶向核酸酶等高精度基因组编辑工具的发展加速了人类基础医学、动物科学、动物育种以及疾病诊断等领域的进步（Doudna and Charpentier，2014；Kurtz 等，2021；Rieblinger 等，2021；Xie 等，2021）。尤其是被称为 CRISPR 技术的基因组编辑系统自首次报道以来发展迅速（Jinek 等，2012），成为最热门的技术之一。CRISPR/Cas9 技术可精准识别靶序列并实现高效的 DNA 切割，从而完成全基因组范围的基因敲除/敲入（Cong 等，2013；Koike-Yusa 等，2014）。但由于编辑过程中会发生双链断裂（DSB），该技术往往会引入大量不理想的InDel（插入和缺失）突变（Zhao et al.，2019）。随后，人们开发了碱基编辑器（BE），可以利用胞嘧啶脱氨酶或腺苷脱氨酶实现单核苷酸的精准编辑，而不会诱导DSB（Gaudelli et al.，2017；Rees and Liu，2018）。近来，引物编辑器（PE）进一步扩展了基于CRISPR的编辑工具包，可实现所有12种可能的碱基转换和短DNA片段的插入和缺失。该技术融合逆转录酶和Cas9蛋白，以引物编辑向导RNA（pegRNA）为修复模板，实现精准的基因编辑（Anzalone et al.，2019）。在这篇小型评论中，我们总结并讨论了 CRISPR 技术在猪中的最新应用。
放射化学和核化学 - 镭
一个世纪前放射性的发现开辟了科学领域的新领域，即原子核。40 年后，人们发现了核裂变，并发现了核武器和核反应堆的实际影响。这仍然是新闻媒体关注的焦点，因为它影响着国际政治和国家能源政策。然而，核科学对我们的日常生活贡献更大，因为它已经渗透到几乎每一个重要领域，有时以开创性的方式，有时为旧问题提供全新的解决方案：从宇宙历史和我们的文明到食品生产方法，再到我们从年轻到老年的健康。这是一个不断发展的迷人领域。核化学是其中的一个重要部分。本书的主题源于化学和核科学。由于每种化学元素都可以具有放射性，并通过这种特性进行化学反应，因此放射化学对大多数化学领域都有贡献。根据恩斯特·卢瑟福的定义，核化学包括通过核反应引起的所有元素组成变化。我们只是根据这本书的内容来定义放射化学和核化学，这本书主要是为化学家编写的。内容包括基础章节，然后是应用章节。每章以练习（附答案）和文献参考结束