XiaoMi-AI文件搜索系统
World File Search System数据评估
改善家庭 - 杂交血症 - 索引案例 -
摘要：大多数家族性高胆固醇血症指数病例（FH-IC）仍未被诊断和处理，因为没有良好的FH策略来普遍检测FH。这项研究的目的是根据集中分析数据评估FH-IC主动筛选的诊断产率。从2016年到2019年，对469名患有严重高胆固醇血症（低密度脂蛋白胆固醇≥220mg/dl）的受试者进行了FH临床筛查，并应用了荷兰脂质临床网络（DLCN）标准。所有DLCN≥6的患者均经过遗传测试，10例DLCN患者为3-5点，以比较两组之间的诊断产量。FH，遗传诊断率为67.9％，总体患病率为12.2％（95％的判决间隔：9.3％至15.5％）。在纳入研究之前，只有36.8％（n = 21）患有FH突变的患者已被临床诊断为FH。基因筛查后，FH检测增加了2.3倍（P <0.001）。通过合理使用可用资源，FH-IC的顺序，主动筛选策略可提高FH的诊断产量，这可能有助于实施FH通用和基于家庭的级联筛查策略。
室内定位和4D MMWave成像雷达
状态估计是成功实施机器人系统的关键组成部分，依赖于相机，LIDAR和IMU等传感器。然而，在现实情况下，这些传感器的性能是通过具有挑战性的环境来划分的，例如不利的天气条件和弱光场景。新兴的4D成像雷达技术能够在不利条件下提供强大的感知。尽管有潜力，但对于嘈杂的雷达数据没有明确的几何特征而言，室内环境仍然存在挑战。此外，雷达数据分解和视野（FOV）的差异可能导致不准确的测量结果。虽然先前的研究探索了基于多普勒速度信息的雷达惯性探测仪，但由于FOV和雷达传感器的分辨率差异，估计3D运动的挑战仍然存在。在本文中，我们解决了多普勒速度测量不确定性。我们提出了一种在管理多普勒速度不确定性的同时优化车身速度的方法。基于我们的观察结果，我们提出了双成像雷达配置，以减轻雷达数据中差异的挑战。为了获得高精度3D状态估计，我们引入了一种策略，该策略将雷达数据与消费级IMU传感器无缝整合，并使用固定lag平滑光滑优化。最后，我们使用现实世界3D运动数据评估了我们的方法，并演示了本地化和映射的流任务。
使用临床前效率和身体表面积的转化预测肿瘤学上近似临床有效剂量：回顾性分析
使用已发表的临床前数据评估了人类肿瘤 - Xenograpt小鼠模型中有效剂量的相关性与批准肿瘤学剂的人类临床剂量之间的相关性。对于90个批准的小分子抗癌药物，身体表面积（BSA）校正的小鼠有效剂量有力地预测了人类临床剂量范围，其中85.6％的预测占建议的临床剂量的3倍（3倍），而在2××内的预测范围为63.3％。这些结果表明，BSA转化是一种有用的工具，用于从早期发现阶段从小鼠异种移植模型中估算小分子肿瘤剂的人剂量。然而，基于BSA的剂量转化率很差预测静脉内抗体和抗体药物结合抗癌药物。基于抗体的药物，预测剂量的30（16.7％）中的五个（16.7％）在推荐的临床剂量的3倍以内。基于体重的剂量投影是适度预测的，其中66.7％的药物在推荐的临床剂量的3倍以内预测。在ADC中，相关性稍好一些（3倍为77.7％）。在早期发现阶段和临床试验的设计中，此类简单剂量估计方法的应用和局限性在此回顾性分析中也进行了讨论。
病毒基因组学的进步：SARS-COV-2，SARS，MERS和EBOLA病毒的门控复发单位建模
在这场反对病毒的战争中，病毒基因组测序已被证明是有价值的。它提供了有关该病毒引起疾病的能力，传播和抗药性变化的重要信息12,13。因此，DNA测序的主要目标是发展基因组治疗剂14。这些药物试图了解遗传差异，以破译疾病的复杂性及其疗法15。正在做出重大努力，以整合测序，人群级数据和行为的基因组数据，以彻底研究遗传学与健康之间的联系。基因组研究对于理解新兴病毒变异的发展，传播动力学以及潜在的健康影响至关重要，例如SARS，Ebola，Sars-Cov-2和MERS 16。整合人工智能（AI）和相关的创新，包括机器学习，数据分析和深度学习（DL），可能会大大加速实际见解的提取，从而改善全球适应性17,18。对能够分析大型，复杂和高维遗传数据集的计算方法的需求越来越多，突显了基因组数据管道中准确标准和独特兴趣的需求。仔细使用时，AI可以揭示有关此类数据集的新发现，前提是在遗传数据评估过程的不同阶段有一套明确的要求和目标。
2023年10月13日主题：Cyprodinil。 OC
本评估中传达的结论是完全符合EPA科学完整性政策的透明和客观科学的，EPA科学完整性计划的方法是表达和解决不同科学意见的方法。The full text of EPA Scientific Integrity Policy for Transparent and Objective Science , as updated and approved by the Scientific Integrity Committee and EPA Science Advisor can be found here: https://www.epa.gov/sites/default/files/2014-02/documents/scientific integrity policy 2012.pdf .可以在此处找到EPA科学完整性计划的全文表达和解决不同科学意见的方法：https：//www.epa.gov/scientific-integrity/ tose--expressing--expressing-and-compressing-and-cololversing-and-colorlving-incolving-differing-differing-scientific-opinions。简介注册司（RD）要求健康效应部（HED）对Cyprodinil在Cranberry上的应用进行暴露和风险评估。使用最佳可用数据评估曝光是HED政策；在没有化学特异性数据的情况下，本评估中使用了几种通用数据来源，包括农药处理者的曝光数据库1.1版（PHED 1.1）和农业处理程序暴露于工作组（AHETF）。其中一些数据是专有的，并且受联邦杀虫剂，杀菌剂和啮齿动物法案（FIFRA）的数据保护规定。注意：该备忘录由2023年2月9日曝光科学咨询委员会（ExpoSAC）审查。
学习变种式 - 产物关系和变量 -
我们介绍了VARM，va riant r Elationship m atcher策略，以识别电子商务目录中的一对变体产品。实体解决方案的传统定义与产品提及是否是指相同的基础产品。但是，这未能捕获对电子商务应用程序至关重要的产品关系，例如在同一网页上列出的相似但不相同的产品或共享评论。在这里，我们制定了一种在变体产品关系中的新型实体分辨率，以捕获这些相似的电子商务产品链接。与传统的定义相反，新定义既需要识别两个产品是彼此的变体匹配，以及它们之间有什么变化的属性。为了满足这两个要求，我们制定了一种利用编码和生成AI模型的优势的策略。首先，我们构建了一个捕获网页产品链接的数据集，并因此构建了产品关系，以训练编码LLM以预测任何给定的产品的变体匹配。第二，我们使用抹布提示了一代LLM，以在变体产品组之间提取变异和共同属性。为了验证我们的战略，我们使用世界领先的电子商务零售商之一的真实数据评估了模型性能。结果表明，我们的策略超出了替代解决方案，并为利用这些新型产品关系的方式铺平了道路。
AI数据准备检查员（AIDRIN）用于定量评估AI
垃圾是来自各个领域的计算机科学家普遍同意的报价，包括人工智能（AI）。由于数据是AI的燃料，因此在低质量，有偏见的数据上训练的模型通常无效。使用AI的计算机科学家投入了大量的时间和精力来为AI准备数据。但是，没有用于评估AI数据“准备”的标准方法或框架。为了对AI过程的数据准备就绪提供可量化的评估，我们定义了AI数据准备就绪的参数并引入AIDRIN（SPECTOR中的AI d ata readiness）。aidrin是一个框架，涵盖了文献中可用的广泛准备性维度，有助于评估数据的准备就绪，并在定量上和质量上评估数据的准备就绪。Aidrin在传统数据质量评估中使用指标，例如完整性，异常值和重复项进行数据评估。更重要的是，Aidrin使用特定的指标来评估AI的数据，例如特征重要性，特征相关性，阶级失衡，公平性，隐私性和公平性（可访问性，可访问性，互操作性和可重复性）原则合规性。Aidrin提供可视化和报告，以帮助数据科学家进一步研究数据的准备。AIDRIN框架提高了机器学习管道的效率，以对AI应用程序的数据准备就绪做出明智的决定。
硕士论文提案（AM 中的 AI）- UAB KaU 2020
背景和目标 激光粉末床熔合 (LPBF) 被广泛认为是金属合金增材制造 (AM) 领域最有前途的制造工艺之一。AM 提供的设计自由度和复杂性是独一无二的，并且非常有益，尤其是对于工具应用而言。由于创新的 AM 设计解决方案，现在可以大大缩短工艺周期并提高零件质量。尽管有上述好处，但在大型复杂的制造任务中，LPBF 工艺容易出现缺陷和工艺稳定性相关问题。此类故障一旦发生，会严重影响所生产材料的质量和工艺的整体前景。因此，利用可监控工艺及其偏差的手段非常重要。如今，提供 LPBF 工艺现场监测功能的系统已在商业上存在，尽管其在后处理能力和数据评估方面的成熟度仍然有限。本研究的目的是研究并可能开发一个基于机器学习 (ML) 算法的框架，该框架可以对为 LPBF 工艺开发的现场监测系统生成的原始数据进行后处理。感兴趣的监测系统主要是光学断层扫描 (OT) 和熔池 (MP) 分析。这项工作的重点是识别和实施基于图像分析的学习模型，该模型可以关联来自监测系统的输入，以便记录和聚类潜在的材料和工艺异常。
基于实时脑电图的认知工作负荷监测...
摘要 — 目标：认知工作负荷监控 (CWM) 可通过考虑操作员的认知状态来支持任务执行协助，从而增强人机交互。因此，我们提出了一种机器学习设计方法和数据处理策略，以在资源受限的可穿戴设备上实现 CWM。方法：我们的 CWM 解决方案基于边缘计算构建，该系统基于简单的可穿戴系统，只有四个脑电图 (EEG) 外围通道。我们根据来自 24 名志愿者的实验数据评估了我们的解决方案。此外，为了克服系统的内存限制，我们采用了一种优化策略来减小模型大小，并采用了多批次数据处理方案来优化 RAM 内存占用。最后，我们在最先进的可穿戴平台上实施了我们的数据处理策略，并评估了其执行情况和系统电池寿命。结果：我们对未见数据的 CWM 分类实现了 74.5% 的准确率和 74.0% 的灵敏度和特异性几何平均值。此外，与使用默认参数生成的模型相比，所提出的模型优化策略生成的模型小 27.5 倍，与单批数据处理相比，多批数据处理方案将 RAM 内存占用减少了 14 倍。最后，我们的算法仅使用 1.28% 的可用处理时间，从而使我们的系统实现了 28.5 小时的电池寿命。结论：我们提供了一种使用可穿戴设备的可靠且优化的 CWM 解决方案，
在包含Ni-Al合金的金属间加工过程中微结构演变的建模
摘要：对激光熔化过程（例如，对于金属添加剂制造）越来越感兴趣。建模和数值模拟可以帮助理解和控制这些过程中的微观结构演变。然而，微结构模拟的标准方法通常不适合对激光处理中快速固化相关的动力学效应进行建模，尤其是对于包含金属间相的材料系统。在本文中，我们介绍并采用了量身定制的相位场模型来展示此类系统中微观结构演变的独特特征。最初，使用量身定制的相结合模型重新审视了金属层间合理期间异常分配的问题，并针对Ni-Al二进制系统中B2相的现有实验数据评估了模型预测。随后将模型与晶粒生长的POTTS模型结合在一起，以模拟包含金属间相的多晶合金的激光加工。示例用于激光处理富含镍的Ni-AL合金，以证明该方法在研究处理条件对各种微观结构特征的影响时的应用，例如熔体池中金属间相和受热影响区域的金属间相分布。本研究中使用的计算框架设想为在工业相关材料的激光处理中（例如，在基于NI的Superalloys的激光焊接或添加剂制造中）提供了更多了解微观结构的演变。