XiaoMi-AI文件搜索系统
World File Search System更差
...
目的：PIK3CA和TP53是乳腺癌（BC）中最普遍的突变基因。先前的研究表明，伴随的PIK3CA/TP53突变与较短的无病生存率之间存在关联。由于其临床实用性仍然未知，因此我们旨在分析该共同享受的预后和预测作用。方法：我们回顾性地分析了在广东省人民医院（GDPH）被诊断出患有BC的患者，他们接受了下一代测序。分析了伴随PIK3CA/TP53突变与临床病理和突变特征以及新辅助系统治疗（NST）反应的相关性。使用乳腺癌国际财团（Apabric）数据集的分子分类学来验证并发突变与生存结果之间的关联。结果：在GDPH队列中，伴随PIK3CA/TP53突变与更具侵略性的表型相关，包括人表皮生长因子受体2阳性状态，激素受体负面状态，高KI-67表达，高组织学等级，高组织学等级，高级TNM阶段和其他遗传偏移。共突变还对NST（尤其是含紫杉烷的方案）的反应更差（优势比，3.767; 95％置信区间，1.205-13.087; p = 0.028）。在代理队列中伴随的PIK3CA/TP53突变和存活率差之间观察到了显着的关联。结论：伴随的PIK3CA/TP53突变不仅提出了不利的特征和卑诗省的预后不良，而且比单独使用TP53突变所赋予的NST益处更少。
系统评价 - 萨拉戈萨大学
功能性近红外光谱 (fNIRS) 是一种非侵入性光学成像技术，它利用近红外光测量大脑皮层氧合情况。近年来，fNIRS 的使用呈指数级增长。空间记忆被定义为学习和使用空间信息的能力。这一神经心理过程在我们的日常生活中不断使用，可以通过 fNIRS 进行测量，但尚未有研究评估该技术是否可用于空间记忆的神经心理学评估。本研究旨在回顾使用 fNIRS 对人类空间记忆进行神经心理学评估的实证研究。我们使用了四个数据库：PubMed、PsycINFO、Scopus 和 Web of Science，共发现 18 篇文章符合条件。大多数文章评估了空间或视觉空间工作记忆，主要在基于计算机的任务中进行，使用 16 通道的 fNIRS 设备，主要测量前额叶皮质 (PFC)。分析研究发现，工作记忆负荷与 PFC 活动之间存在线性或二次关系，与健康成年人相比，健康老年人的 PFC 活动活跃度更高，行为结果更差，临床样本中 PFC 过度活跃是一种补偿形式。我们得出结论，fNIRS 与空间记忆的标准神经心理学评估兼容，因此可以用皮质功能活动数据补充行为结果。
脑电图频带和数据分离对神经网络人员验证性能的影响
摘要：本文致力于研究基于脑电图的人员验证。分析的解决方案采用浅层人工神经网络，使用频谱脑电图特征作为输入表示。我们研究了来自不同频带的特征及其组合对验证结果的影响。此外，我们还研究了神经网络中多个隐藏神经元的影响。分析中使用的数据集包括 29 名健康成年参与者在不同日期的静息状态下记录的信号，每个参与者有 20 个脑电图会话。我们提出了两种不同的训练和测试过程场景。在第一种情况下，我们使用每个记录会话的不同部分来创建训练和测试数据集，在第二种情况下，训练和测试数据集来自不同的记录会话。在单个频带中，beta 频带的结果最好（第一种和第二种场景的平均准确率分别为 91% 和 89%）。将更多频带的频谱特征添加到 beta 频带特征中可以改善结果（95.7% 和 93.1%）。研究结果表明，没有足够的证据表明使用不同数量隐藏神经元的网络之间的结果不同。此外，我们还纳入了 23 个外部冒名顶替者的攻击结果，这些冒名顶替者的记录在两种情况下均未用于训练或测试神经网络。我们研究的另一个重要发现是，第二种情况下的灵敏度结果更差。这一结果表明，大多数基于第一种情景（在当前文献中占主导地位）提供验证或识别结果的研究在实际应用方面被高估了。
评估深湿对流模拟中能量变量的守恒
摘要：在粒子理论计算、数值模型和积云参数化中，通常假设湿静能 (MSE) 绝热守恒。然而，由于假设了流体静力平衡，MSE 的绝热守恒只是近似的。这里评估了两个替代变量：MSE 2 IB 和 MSE 1 KE，其中 IB 是浮力 (B) 的路径积分，KE 是动能。这两个变量都放宽了流体静力假设，并且比 MSE 更精确地守恒。本文量化了在无序和有序深对流的大涡模拟 (LES) 中假设上述变量守恒而导致的误差。结果表明，MSE 2 IB 和 MSE 1 KE 都比单独的 MSE 更好地预测沿轨迹的量。 MSE 2 IB 在孤立深对流中守恒较好，而 MSE 2 IB 和 MSE 1 KE 在飑线模拟中表现相当。这些结果可以通过飑线和孤立对流的压力扰动行为之间的差异来解释。当假设 MSE 2 IB 绝热守恒时，上升气流 B 诊断中的误差普遍最小化，但只有当考虑热容量的湿度依赖性和潜热的温度依赖性时才会如此。当使用不太准确的潜热和热容量公式时，由于补偿误差，MSE 2 IB 产生的 B 预测比 MSE 更差。我们的结果表明，各种应用都将受益于使用 MSE 2 IB 或 MSE 1 KE 代替具有适当公式化的热容量和潜热的 MSE。
量子计算霸权需要多少个量子比特？
量子计算霸权论证描述了量子计算机执行传统计算机无法完成的任务的方式，通常需要某种与传统计算的局限性相关的计算假设。一个常见的假设是多项式层次结构（PH）不会崩溃，这是 P ̸ = NP 命题的更强版本，这导致的结论是，对某些量子电路系列的任何经典模拟所需的时间缩放都比电路大小的任何多项式更差。然而，这个结论的渐近性质使我们无法计算这些量子电路必须具有多少个量子比特，才能使它们的经典模拟在现代经典超级计算机上无法解决。我们改进这些量子计算霸权论证，并通过施加非崩溃猜想的细粒度版本来执行此类计算。我们的前两个猜想 poly3-NSETH( a ) 和 per-int-NSETH( b ) 采用了特定的经典计数问题，这些问题与 F2 上的 n 元 3 次多项式的零点数量或 n × n 整数值矩阵的永久项有关，并断言解决这些问题的任何非确定性算法都需要 2cn 个时间步长，其中 c ∈{a,b}。第三个猜想 poly3-ave-SBSETH( a ′ ) 断言了类似的命题，即平均情况算法存在于复杂度类 SBP 的指数时间版本中。我们分析了这些猜想的证据，并论证了当 a = 1/2、b = 0.999 和 a ′ = 1/2 时它们是合理的。
量子计算霸权需要多少个量子比特？
量子计算霸权论证描述了量子计算机执行传统计算机无法完成的任务的方式，通常需要某种与传统计算的局限性相关的计算假设。一个常见的假设是多项式层次结构（PH）不会崩溃，这是 P ̸ = NP 命题的更强版本，这导致的结论是，对某些量子电路系列的任何经典模拟所需的时间缩放都比电路大小的任何多项式更差。然而，这个结论的渐近性质使我们无法计算这些量子电路必须具有多少个量子比特，才能使它们的经典模拟在现代经典超级计算机上无法解决。我们改进这些量子计算霸权论证，并通过施加非崩溃猜想的细粒度版本来执行此类计算。我们的前两个猜想 poly3-NSETH( a ) 和 per-int-NSETH( b ) 采用了特定的经典计数问题，这些问题与 F2 上的 n 元 3 次多项式的零点数量或 n × n 整数值矩阵的永久项有关，并断言解决这些问题的任何非确定性算法都需要 2cn 个时间步长，其中 c ∈{a,b}。第三个猜想 poly3-ave-SBSETH( a ′ ) 断言了类似的命题，即平均情况算法存在于复杂度类 SBP 的指数时间版本中。我们分析了这些猜想的证据，并论证了当 a = 1/2、b = 0.999 和 a ′ = 1/2 时它们是合理的。
RSM434H1F金融交易策略-Rotman Commerce
课程范围，任务和学习成果在课程结束时，我希望学生通过在Rotman Interactive Trader（RIT）模拟市场中体验决策来了解资本市场中正在发生的事情。这是一门学习课程，学生将通过反复试验（在模拟市场中的交易）进行体验发展自己的理解 - 您将积极参与每个班级的学习过程。市场的竞争性质将决策过程提炼为平衡流动性，时间和风险的一系列权衡。通过在模拟市场中体验这些权衡，学生将更好地了解流动性施加的约束（我可以交易多少？），时间与不确定性之间的关系（我现在交易还是等待更好/更差的价格？），以及承担风险的必要性（如果我不进行任何交易，我该如何赚钱？）。这些权衡将通过主题覆盖范围进行探索，该主题覆盖范围广泛地属于市场微观结构分支，并具有潜在的并购和投资领域的支持案例材料。我们将通过代理商和专有贸易商的眼光来研究市场结构，以在市场交易（流动性，风险，行为），然后发展到（可以说）市场的最重要功能，价格发现（价格发现价格是通过置换信息形成价格）时，介绍交易和基本问题的机制。与视频和测验中的内容结合使用，然后，学生将具有可靠的背景，可以手动和通过创建算法交易计划来应用于特定类型的交易策略（套利，私人信息，私人信息，私人信息，私人信息，营销）。
利用机器学习进行生存分析来确定COVID-19重症监护病房的危险因素：阿拉伯联合酋长国的回顾性队列研究
COVID-19的大流行于2019年12月在武汉（中国）首次开始，并已扩展到每个居住的大陆[1，2]。在2020年3月，世界卫生组织（WHO）将其归类为全球大流行，其发病率和死亡率非常高[1-3]，迄今为止，受感染者的总数为6,831,756次，死亡人数为683,955,862。到目前为止，支持护理是可用的主要治疗方法。开发了不同的Covid-19疫苗，目前用于减少感染的敏感性[1]。大流行在全球范围内彻底挑战了医疗保健系统。受影响个体数量的增加对卫生部门施加了重大压力，特别是在重症监护病房（ICU）的限制[2]。健康专业的主要挑战是确定在大流行初期更有可能从轻度到重度或猝死的病例。了解严重疾病的危险因素可以帮助临床医生提供及时有效的干预措施，包括适当利用ICU设施。自大流行以来，使用电子健康记录（EHR）进行了巨大的定量研究（EHR），例如患者出院时间预测等不同目标[2]，死亡率风险预测[4]和covid-19 [5]的早期检测模型。几项研究报告了严重疾病的临床特征和相关风险因素。先前的作品报告了与19岁严重程度相关的几个风险。我们最好的在马来西亚队列中[6]，慢性肾脏疾病，慢性肺部疾病，发烧，咳嗽，腹泻，呼吸困难，呼吸症，静tacypnoea，胸部射线照相异常，高血清CRP和高血清CRP（5 mg/dl）在医院入院时被确认使用Univariate和Mulivivariate的严重疾病时，将其作为危险因素确认为5次和多次疾病。对来自英格兰的17,278,392例患者[3]的另一项研究报告了性别，年龄，糖尿病和哮喘，该研究使用多变量的COX比例危害模型与严重的Covid-19病例有关。重点关注糖尿病人口的英格兰[7] [7]（n = 3,138,410）的第二项回顾性研究表明，Covid-19疾病的严重程度与心血管疾病的病史，性别，年龄，肾脏，肾脏损害，非白人，非白人族裔，社会经济剥夺，不良的口腔质量控制和高体积危险药物（BM）（BM）（BM）（BM）相关。苏格兰代表性队列[8]也适用于糖尿病患者，由5,463,300名患者组成，报道使用逻辑回归，即与致命或重症监护单位治疗的Covid-19的风险相关的风险因素是：性别，吸烟，生活，生活在住院治疗，恢复性，肾小球疗法，肾脏功能降低或更差的疾病中，或疾病的疾病，疾病或更差的糖尿病，疾病或疾病。对哈萨克斯坦糖尿病种群的回顾性研究[1]（n = 1961）表明，糖尿病患者的Covid-19的严重程度较高，在糖尿病患者中，他们的心血管病理学和肾脏病的核心率更高。也，与非糖尿病匹配组相比，该组最坏的临床症状，例如呼吸受损，恶心/呕吐和无力/嗜睡。严重案件的常见风险因素是年龄和性别。这些风险因素在各个国家 /地区各不相同。本研究旨在探索和报告患者医院入院医疗信息与患者访问ICU的恶化之间的关联。
来自早产儿的微生物群，这些婴儿在人性化小鼠模型中驱动神经发育障碍
摘要：坏死性小肠结肠炎（NEC）是胃肠道发病率的主要基础，在早产儿中构成了神经发育障碍（NDI）的显着风险。异常细菌定植有助于NEC的发病机理，我们已经证明，早产儿的未成熟菌群对神经发育和神经系统结果产生负面影响。在这项研究中，我们检验了以下假设：NEC驱动NDI发作之前的微生物群落。 使用我们的人源化gnotobirotic模型，其中将人类婴儿的微生物样品挖掘至无孕妇的无细菌C57BL/6J大坝，我们比较了从未开发NEC（MNEC）的早产儿（MNEC）对脑发育率（MTERM）对脑发育和神经性神经疗法的微生物的影响。 免疫组织化学研究表明，与MTERM小鼠相比，MNEC小鼠显着降低了咬合蛋白和ZO-1表达，而NF-κB表达的核磷酸p65标志性的卵形渗透量增加，这表明发育为Necnec的患者对NEC的微生物群落具有负面影响，对NEC的微生物产生了负面影响。 在开放式场和升高的迷宫测试中，MNEC小鼠的活动能力较差，并且比MTERM小鼠更焦虑。 在提示恐惧调节测试中，MNEC小鼠的上下文记忆比MTERM小鼠更差。 MRI表明，MNEC小鼠在白质区域的主要白物和灰质结构和降低的分数各向异性值下降，表明脑部成熟和组织延迟。在这项研究中，我们检验了以下假设：NEC驱动NDI发作之前的微生物群落。使用我们的人源化gnotobirotic模型，其中将人类婴儿的微生物样品挖掘至无孕妇的无细菌C57BL/6J大坝，我们比较了从未开发NEC（MNEC）的早产儿（MNEC）对脑发育率（MTERM）对脑发育和神经性神经疗法的微生物的影响。免疫组织化学研究表明，与MTERM小鼠相比，MNEC小鼠显着降低了咬合蛋白和ZO-1表达，而NF-κB表达的核磷酸p65标志性的卵形渗透量增加，这表明发育为Necnec的患者对NEC的微生物群落具有负面影响，对NEC的微生物产生了负面影响。在开放式场和升高的迷宫测试中，MNEC小鼠的活动能力较差，并且比MTERM小鼠更焦虑。在提示恐惧调节测试中，MNEC小鼠的上下文记忆比MTERM小鼠更差。MRI表明，MNEC小鼠在白质区域的主要白物和灰质结构和降低的分数各向异性值下降，表明脑部成熟和组织延迟。MNEC还改变了代谢性纤维，尤其是大脑中的肉碱，磷酸和胆汁酸类似物。我们的数据表明，肠道成熟度，脑代谢性纤维，脑成熟和组织以及MTERM和MNEC小鼠之间的行为有许多显着差异。我们的研究表明，NEC发作之前的微生物组对脑发育和神经系统效果产生负面影响，并且可以成为改善长期发育结果的前瞻性靶标。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学语音与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 深度神经网络通常用作视觉系统的模型，但在听觉方面的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并显示出模型阶段与大脑区域之间的对应关系，但这些结果是否推广到其他神经网络模型尚不清楚。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应关系。大多数测试模型的预测效果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应关系：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮质调节特性的预测质量，最好的整体预测来自在多个任务上训练的模型。结果表明任务优化在限制大脑表征方面的重要性。