XiaoMi-AI文件搜索系统
World File Search System并不比
人工智能在核医学和分子成像中的应用：临床转化现状和未来前景的回顾
和护理人员对自动化产生了需求，也需要从获取的数据中提取更多信息。AI 的潜在优势已经在常规筛查中显现出来，筛查中会调查大量患者（及相关数据）是否存在疾病，其结果并不比人类表现差。例如，McKinney 等人能够证明他们的乳腺癌筛查算法与经验丰富的放射科医生相比不逊色 [6]。与此同时，由于缺乏透明度，因此可能缺乏可重复性，AI 结果受到批评 [7]。将 AI 引入放射科的运营已导致资源优化 [8]。这种操作型人工智能在核医学 (NM) 中应该更加重要，因为核医学涉及放射性同位素，其保质期有限。患者安排、放射性药物制备管理、报告生成以及恢复和组织以前的 NM 和成像研究都是人工智能有助于简化部门运作的任务示例。然而，我们必须承认，到目前为止，人工智能在 NM 中仍然没有多大用处。毫无疑问，这可能与这样一个事实有关：与放射科相比，每天通过 NM 部门的患者数量较少。然而，这低估了人工智能的潜力，因为一方面，每张病人的图像都代表着大量的数据（无论这些数据是否相关）[9]，另一方面，人工智能方法已被证明能够利用从较大数据集中获得的知识来适应较小的数据集。在本文中，我们简要回顾了该领域目前最前沿的技术，包括更物理和更临床导向的成像人工智能应用组件。有关每个特定主题的更详细评论，读者可以参阅其他更专业的文章[10-17]。最后，讨论了一些关于在 NM 中引入和使用人工智能的想法。
经典方差是否应作为基本测量...
摘要 - 由于测量结果并不比其不确定度更好，因此指定不确定度是计量学的一个非常重要的部分。人们倾向于相信物理学中的基本常数随时间不变，并且它们是建立国际系统 (SI) 标准和计量学的基础。因此，在最先进的水平上明确指定这些物理不变量的不确定性应该是计量学的主要目标之一。但是，通过观察某些物理量的行为，我们可能会扰乱标准，从而引入不确定性。一系列观测中的随机偏差可能是由测量系统、环境耦合或标准中的固有偏差引起的。由于这些原因，并且由于相关随机噪声在自然界中与不相关随机噪声一样普遍存在，因此普遍使用经典方差和均值标准差可能会混淆而不是澄清有关不确定性的问题；即，这些测量仅适用于随机不相关偏差（白噪声），而白噪声通常是观察到的偏差频谱的子集。如果事实上该系列不是随机和不相关的，即没有白色频谱，那么由于测量是在不同时间进行的，因此系列中每个测量都是独立的假设应该受到质疑。在本文中，频率标准、标准电压电池和量块的研究提供了长期随机相关时间序列的例子，这些时间序列表明行为不是“白色”（不是随机和不相关的）。本文概述并说明了一种简单的时域统计方法，该方法为幂律谱提供了一种替代估计方法，可用于大多数重要的随机幂律过程。了解频谱可以在存在相关随机偏差的情况下提供更清晰的不确定性评估，所概述的统计方法还为白频谱提供了一个简单的测试，从而使计量学家能够知道使用经典方差是否合适或是否要结合更好的不确定性评估程序，例如，如本文所述。
已发布版本的引文 (APA)：Visvikis, D., Lambin, P., Mauridsen, K. B., Hustinx, R., Lassmann, M., Rischpler, C., Shi, K., & Pruim, J. (2022)。人工智能在核医学和分子成像中的应用：临床转化现状和未来前景的回顾。欧洲核医学和分子成像杂志，49，4452–4463。https://doi.org/10.1007/s00259-022-05891-w
和护理人员对自动化产生了需求，也需要从获取的数据中提取更多信息。AI 的潜在优势已经在常规筛查中显现出来，筛查中会调查大量患者（及相关数据）是否存在疾病，其结果并不比人类表现差。例如，McKinney 等人能够证明他们的乳腺癌筛查算法与经验丰富的放射科医生相比不逊色 [6]。与此同时，由于缺乏透明度，因此可能缺乏可重复性，AI 结果受到批评 [7]。将 AI 引入放射科的运营已导致资源优化 [8]。这种操作型人工智能在核医学 (NM) 中应该更加重要，因为核医学涉及放射性同位素，其保质期有限。患者安排、放射性药物制备管理、报告生成以及恢复和组织以前的 NM 和成像研究都是人工智能有助于简化部门运作的任务示例。然而，我们必须承认，到目前为止，人工智能在 NM 中仍然没有多大用处。毫无疑问，这可能与这样一个事实有关：与放射科相比，每天通过 NM 部门的患者数量较少。然而，这低估了人工智能的潜力，因为一方面，每张病人的图像都代表着大量的数据（无论这些数据是否相关）[9]，另一方面，人工智能方法已被证明能够利用从较大数据集中获得的知识来适应较小的数据集。在本文中，我们简要回顾了该领域目前最前沿的技术，包括更物理和更临床导向的成像人工智能应用组件。有关每个特定主题的更详细评论，读者可以参阅其他更专业的文章[10-17]。最后，讨论了一些关于在 NM 中引入和使用人工智能的想法。
针对性使用纳曲酮，无需事先排毒……
多项研究表明，阿片类拮抗剂纳曲酮与心理社会疗法相结合，在固定药物和时间（12 周）的情况下，可有效治疗酒精依赖患者。在这项研究中，121 名患有酒精依赖（DSM-IV）的非戒断门诊患者接受了认知应对技能（N 67）或支持疗法（N 54）的治疗，并在前 12 周每天服用纳曲酮 50 mg/天（N 63）或安慰剂（N 58），之后 20 周仅在患者渴望饮酒时服用（即有针对性的药物治疗），这是一项前瞻性的单中心、双盲、随机临床试验。前 12 周期间所有受试者的退出率为 16.5%，到研究结束时大约是该水平的两倍。在研究完成率和治疗参与率方面，两组之间没有显著差异。持续用药（12 周）后，应对/纳曲酮组的结果最好，而应对/安慰剂组的结果最差。这种差异在针对性用药期间（接下来的 20 周）仍然存在。纳曲酮在支持组中并不比安慰剂好，但在应对组中有显著效果：27% 的应对/纳曲酮患者在 32 周内没有复发酗酒，而应对/安慰剂患者只有 3%。作者的数据证实了纳曲酮与应对技能疗法结合使用的有效性的原始发现。此外，他们的数据表明，不需要排毒，只有在渴望时服用针对性药物才能有效地维持酗酒的减少
测量经济模型的完整性
有更多理由寻找改善预测模型比预测良好的模型的方法。但是什么构成“良好”表现？我们的观点是，答案取决于指定的“功能”（即解释变量）。为了定义想法，假设我们有有关客户是否同意特定贷款的数据。贷款与诸如利率或贷款期限之类的特征不同。这些特征与需求相关的一种模型（“ NPV模型”）可能认为，客户在贷款期间通过预期资本成本的镜头查看贷款。资本的预期成本是可用功能的特定功能。我们可以通过在数据上评估该模型的预测，例如查看有效利率下降时需求是否增加。这些测试使我们能够拒绝错误的模型，但是它们没有告诉我们不同的模型可以做得更好。为了解决这个问题，我们建议将模型的准确性与使用我们具有描述每笔贷款的功能做出的最佳需求预测的准确性。将基准的预测精度与NPV模型的预测准确性进行比较，将告诉我们NPV模型捕获了结果中有多少可预测的信号（给定基线特征）。如果最佳预测比NPV模型的预测要好得多，则可能有另一个模型建立在相同的功能上，从而实质上提高了预测精度。例如，另一个模型可能会假设客户忽略未来的利率，而仅关注初始利率，或者将2.99％的人从2.95％差异。另一方面，如果最佳预测并不比NPV模型的预测好得多，则构建在相同功能上的替代模型在这些数据上可能无法做得更好。新模型可以提供帮助，但必须通过识别当前未测量的新变量来做到这一点。例如，强调框架和说服力的模型将指出将我们的数据集扩展到包括贷款描述中使用的词汇。超出了这个特定示例，任何模型的预测误差通常都可以分解为两个来源：（1）由于我们测量的功能的局限性，即结果>
定向搜索来自……的连续引力波
年轻的孤立中子星及其疑似位置是定向搜索连续引力波 (GWs) 的有希望的目标 [1]。即使没有从脉冲星的电磁观测中获得计时信息，这种搜索也可以以合理的计算成本实现有趣的灵敏度 [2]。包含候选非脉冲中子星的年轻超新星遗迹 (SNR) 是此类搜索的自然目标，即使在没有候选中子星的情况下，小型 SNR 或脉冲星风星云也是如此（只要 SNR 不是 Ia 型，即不会留下致密物体）。过去十年，已经发表了许多关于孤立、定位良好的中子星（除已知脉冲星外）的连续引力波的上限。它们使用的数据范围从初始 LIGO 运行到高级 LIGO 的第一次观测运行（O1）和第二次观测运行（O2）。大多数搜索都针对相对年轻的 SNR [3-11]。一些搜索瞄准了银河系中心等有希望的小区域 [4, 8, 11–13]。一项搜索瞄准了附近的球状星团，那里的多体相互作用可能会有效地使一颗老中子星恢复活力，从而产生连续的引力波 [14]。一些搜索使用了较短的相干时间和最初为随机引力波背景开发的快速、计算成本低的方法 [4, 8, 11]。大多数搜索速度较慢但灵敏度更高，使用较长的相干时间和基于匹配滤波和类似技术的针对连续波的专用方法。这里我们展示了对 12 个 SNR 的 O2 数据的首次搜索，使用完全相干的 F 统计量，该统计量是在代码流水线中实现的，该流水线源自首次发布的搜索 [3] 等 [5, 9] 中使用的代码流水线。由于 O2 噪声频谱并不比 O1 低很多，我们通过专注于与年轻脉冲星观测到的低频兼容的低频，加深了这些搜索（相对于 O1 搜索 [9]）。这一重点使我们能够增加相干时间，并获得显着的改进
密苏里大学法学院奖学金库
从本期 Transcript 的目录可以看出，在法学院度过了非常忙碌的六个月。去年二月，桑德拉·戴·奥康纳大法官在这里呆了两天。这次访问为那些听过她的纳尔逊讲座、参加过她为我们的学生讲课并在讲座前一天晚上的密苏里法律评论晚宴上欣赏过她的演讲的人提供了难得的享受。奥康纳大法官的纳尔逊讲座是今年法律评论关于州司法人员选拔和留任研讨会的焦点。这些研讨会参与者撰写的文章，包括奥康纳大法官的纳尔逊讲座，将发表在密苏里法律评论的秋季刊上，这已经引起了全国的极大兴趣。我们正与 2009 届毕业生一起努力，帮助这些新毕业生在这个充满挑战的就业市场中寻找工作。许多律师事务所推迟了新律师的入职日期，但几位密苏里州法官欢迎这些新律师以无薪法律助理的身份工作，直到他们的有薪职位开始。我们鼓励所有学生和应届毕业生扩大求职范围。在这样的艰难时期，法学院毕业生之间的人际网络变得更加宝贵，我们感谢那些向我们通报就业机会的人。到目前为止，我们 2009 届毕业生的整体就业状况并不比其他应届毕业生差很多，我们将继续努力提高所有毕业生的就业前景。尽管 2009 届毕业生的就业情况不明朗，但今年的毕业典礼对我们所有人来说都是一个非常特殊的时刻。州长。杰里迈亚·W·“杰伊”·尼克松（1981 年）由密苏里大学馆长唐·M·唐宁（1982 年）介绍，然后发表了今年的毕业典礼演讲。由于州长的演讲对所有律师都具有重要意义，我们在本期 Transcript 中为校友和朋友转载了州长的演讲。您还可以在后面的页面中阅读有关我们几位教员的信息，包括 Carl Esbeck 教授和 Stacie Strong 教授。我们教员的最新成员，
链式机械学习模式 - 预测载荷 -
Although the application of fiber-reinforced concrete (FRC) beams turns back to a few decades ago (Adhikary & Mutsuyoshi, 2006 ; Masuelli, 2013 ; Soltanzadeh et al., 2015 ), significant efforts also have been made to increase the strength and ductility of concrete in construction and building structures since sustainable infrastructure is cru- cial for economic development (Aldwaik &阿德利，2016年）。与其他纤维增强的复合结构（çelik＆König，2022; Rafiei＆Adeli，2017b; Shafighfard等，2021）一样，最近已证明FRC结构是拥有比正常混凝土更具特殊耐药性和强度的能力。能够预测钢纤维 - 增强混凝土（SFRC）束的结构行为是研究人员在攻击其性能时面临的众多挑战之一（Rafiei等，2017; Singh，2016; Venkateshwaran＆Tan，2018）。在众多的弯曲参数中（Gribniak等，2012; Gribniak＆Sokolov，2023），延展性比引起了研究人员的注意，因为它的能力反映了结构元素对弯曲载荷的反应。另一个重要的弯曲度量是弯曲载荷能力（峰值负载），该指标已通过数值模拟，实验研究和机器学习（ML）基于基于的预测技术进行了研究。一些研究人员已经对SFRC梁进行了数值和/或分析研究，以降低与实验研究相关的劳动和/或材料成本（Jeong＆Jo，2021;Júnior＆Parvin，2022）。tan等。Yang等。 （2020）Yang等。（2020）纵向钢筋比率和残留拉伸强度是SFRC梁柔性性能的参数研究中考虑的典型变量。使用纤维来增强拉伸强度并不比连续加固在改善混凝土束的力矩容量方面更有效，但是与普通的RC梁相比，纤维增强型会增加僵硬和强度（Mobasher等人，2015年）。（2022）进行了SFRC材料特性对弯曲性能的影响的参数分析，发现弯曲延展性受到RC梁中高体积分数的影响。对具有不同纤维纵横比，方向和梁尺寸的SFRC梁的三维（3D）模型表明，由于弯曲增强的峰值载荷增加了较高的分布纤维，因此在拉伸应力方向上定向纤维。此外，具有较低纤维增强比的较小梁显示出较高的峰值载荷（Al-Ahmed等，2022）。实验研究通常被认为是数值工作（Pereira等，2020）的组成部分，以验证它们提供的结果。
介导药物处置 (TMDD)
摘要靶介导药物处置 (TMDD) 模型用于模拟非线性药代动力学 (PK)，因为一种药物与其药理靶标以高亲和力结合，影响药代动力学特性。TMDD 近似模型的出现是因为在有限的数据下难以实现完整的 TMDD 模型来解决复杂模型的过度参数化问题。传统的群体 TMDD 模型开发既耗时又主观，需要建模者的经验。本论文提出了一种 TMDD 模型开发和排序策略，可以实现自动 TMDD 模型开发。当前的工作旨在建立一种可以自动化扩展到 Pharmpy/Pharmr 包的 TMDD 模型开发策略，以使自动模型开发 (AMD) 工具能够对非线性 PK 进行更复杂的描述。使用已发布的五种化合物 TMDD 模型的模拟数据来开发和测试 TMDD 模型开发策略。首先，根据文献和自动模型开发程序的实际考虑选择合适的估计方法，以提高建模效率。其次，提出了一种在模型开发过程中设置新参数初始估计值的算法，并在两个具有潜在代表性的 TMDD 近似模型上进行了测试，以便于估计收敛。测试了似然比检验 (LRT) 和贝叶斯信息准则 (BIC) 作为模型选择标准。最后，提出了完整的 TMDD 模型开发策略，并用五个模拟数据进行了测试。在结构模型搜索后，选择准稳态模型 (QSS) 而不是米氏近似模型 (MMAPP) 作为代表性 TMDD 近似模型，并发现足以识别正确的结构模型。其他 TMDD 模型从 QSS 模型更新了初始估计值，其中目标降解速率常数 (KDEG) 和基线目标浓度 (R0) 的初始估计值的不同梯度也提供了合理的目标函数值 (OFV)。鉴于 BIC 的排序标准和模型开发策略，每个数据的最佳模型至少与模拟模型一样复杂。此外，4/5 的数据对那些非目标相关参数给出了准确的估计，并且 OFV 并不比以“真实”参数作为初始估计的模型差很多。总之，所提出的 TMDD 模型开发策略简化了 TMDD 模型的开发和选择，并且有可能在 AMD 中实施以实现自动 TMDD 模型开发。
2. 定性和定量组成
Vilda Denk 50 mg 2.定性和定量组成 活性物质：维格列汀 每片含50 mg维格列汀。 已知作用的辅料：每片含47 mg乳糖（无水）。有关辅料的完整列表，请参阅第 6.1 节。 3.剂型 片剂。白色至灰白色圆形扁平药片，一面刻有“VLD”。 4.临床特点 4.1治疗适应症 维格列汀适用于治疗成人2型糖尿病： 作为单一疗法，用于仅通过饮食和运动无法充分控制的患者，以及由于禁忌症或不耐受而不适合使用二甲双胍的患者。与二甲双胍联合作为双联口服疗法，适用于尽管使用二甲双胍单药治疗达到最大耐受剂量，但血糖控制仍不充分的患者；磺酰脲类药物；适用于尽管使用最大耐受剂量的磺酰脲类药物，但血糖控制仍不充分且由于禁忌症或不耐受而不适合使用二甲双胍的患者；噻唑烷二酮类药物；适用于血糖控制不足且适合使用噻唑烷二酮类药物的患者。当饮食和运动加上这些药物的双联疗法不能提供足够的血糖控制时，与磺酰脲类药物和二甲双胍联合作为三联口服疗法。当饮食和运动加上稳定剂量的胰岛素不能提供足够的血糖控制时，维达列汀也可与胰岛素（联合或不联合二甲双胍）联合使用。 4.2 用法用量和给药方法 用法用量 成人 单药治疗、与二甲双胍联合使用、与噻唑烷二酮联合使用、与二甲双胍和磺酰脲类药物联合使用或与胰岛素（联合或不联合二甲双胍）联合使用时，维格列汀的推荐日剂量为 100 毫克，早上服用一次 50 毫克，晚上服用一次 50 毫克。与磺酰脲类药物联合使用时，维格列汀的推荐剂量为早上服用一次 50 毫克。在这一患者群体中，每天服用 100 毫克维格列汀并不比每天服用 50 毫克维格列汀更有效。与磺酰脲类药物联合使用时，可考虑使用较低剂量的磺酰脲类药物以降低低血糖风险。不建议使用高于 100 毫克的剂量。