XiaoMi-AI文件搜索系统
World File Search System核上性
人工智能信任量表的制作及信度、效度检验
I II III 因素 1 (H1)：不信任他人的自我中心主义 (α=.79) 12. 人们可能会说好话，但最终他们最关心的是自己的幸福。 5.03 (1.12) .65 -.05 .00 16. 人们更有可能维护自己的权利，而不是承认他人的权利。 4.70 (1.06) .64 -.04 .00 2. 人们会做一些轻微的错事来获得自己的利益。 4.48 (1.11) .60 .08 .09 17. 人们撒谎是为了避免麻烦。 4.61 (1.08) .60 .01 .07 6. 人们撒谎是为了出人头地。 4.35 (1.21) .54 .13 .16因素 2 (H2)：相信人们的诚实 (α=.70) 5. 人们通常过着诚实正直的生活 4.16 (1.17) -.11 -.70 .14 8. 人们通常诚实地与他人打交道 4.55 (1.03) .13 -.65 -.15 1. 人们基本上是诚实的 4.36 (1.19) .08 -.61 -.15 14. 人们说到做到 4.00 (1.08) -.11 -.50 .16 因素 3 (H3)：不相信人们的谨慎 (α=.67) 4. 人们怀疑别人对自己很友善，因此很谨慎 3.90 (1.09) .05 -.07 .64 10. 人们认为不信任他人更安全4.03 (1.14) .13 .03 .54 13. 人们内心不愿意帮助别人 3.53 (1.10) .00 .11 .53 9. 人们很谨慎，因为他们认为有人会利用他们 4.38 (1.08) .20 -.15 .43 最大似然法，Promax 旋转 特征值 3.93 1.90 1.16 贡献率 30.3% 14.6% 8.9% 累积贡献率 30.3% 44.8% 53.7% 因子间相关性 I - 0.25 0.55 II - - 0.31
脊柱蛋白酶神经元在脊髓核核核中，珠核核
掠夺性狩猎在动物生存中起着至关重要的作用。与运动相关的振动体感信号传导对于小鼠的猎物检测和狩猎至关重要。然而，关于转化振动体感知提示以触发掠食性狩猎的神经回路知之甚少。在这里，我们报告了雄性小鼠振动区域的机械力是掠夺性狩猎的关键刺激。机械诱发的掠食性狩猎是通过脊柱三叉神经核（SP5I）中胆囊基蛋白阳性（CCK +）神经元的化学灭活消除的。CCK + SP5I神经元对机械刺激的强度做出了反应，并将神经信号发送到了与刻板印象捕食狩猎运动作用相关的上丘。突触失活了CCK + SP5I神经元到上丘的投影，机械诱发的掠夺性攻击受损。一起，这些数据揭示了脊柱三叉神经回路，该回路特定于翻译振动的体感提示来引发掠夺性狩猎。
治疗性核接入 BNCT 药物联合 CD47-...
硼是硼中子俘获疗法中不可缺少的成分，经三次ICP-MS测定，DOX-CB中硼的含量为4.79%±0.16%（图S6）。以上实验结果证实DOX-CB是由DOX与CB通过多种分子间力作用而形成的复合物，但新的空间结构的形成是否会影响DOX的荧光特性尚不清楚。在此，我们检测了DOX、CB以及DOX-CB的紫外吸收峰。如图S7所示，DOX在480nm处有明显的吸收峰，而CB在整个实验波长范围内没有吸收峰。取480nm作为DOX的最大吸收波长，简单物理混合后的DOX和CB的紫外吸收光谱与DOX的光谱几乎相同。
使用无监督机器学习揭示进行性核上性麻痹的萎缩时空模式
我们的队列包括 426 例进行性核上性麻痹病例，其中 367 例至少接受过一次随访扫描，另 290 例为对照。在进行性核上性麻痹病例中，357 例临床诊断为进行性核上性麻痹 - 理查森综合征，52 例为进行性核上性麻痹 - 皮质变异（进行性核上性麻痹 - 额叶、进行性核上性麻痹 - 言语/语言或进行性核上性麻痹 - 皮质基底节），17 例为进行性核上性麻痹 - 皮质下变异（进行性核上性麻痹 - 帕金森病或进行性核上性麻痹 - 进行性步态冻结）。亚型和分期推断应用于从基线结构（T1 加权）MRI 扫描中提取的体积 MRI 特征，然后用于对随访扫描进行亚型和分期。随访中的亚型和分期用于验证亚型和分期分配的纵向一致性。我们进一步比较了每种亚型的临床表型，以深入了解进行性核上性麻痹病理、萎缩模式和临床表现之间的关系。
- 致力于治愈遗传性疾病 -
13:50-14:50 第 6 节 主席：Toya Ohashi 和 Hiromi Kanegae 先天性代谢错误的体内基因治疗 1) 针对罕见疾病患者正在进行的基因治疗临床试验的结果：MPS IIIa、GSDIa、OTC 缺乏症和威尔逊氏病 Eric Crombez – (Ultragenyx Pharmaceutical Inc. 美国加利福尼亚州诺瓦托) 2) 通过在小鼠中表达血脑屏障穿透酶的 AAV 使 GM1 神经节苷脂储存完全正常化 Koki Matsushima (慈惠会大学医学院基因治疗系)
afcp-advanced-核核-Roadmaps.pdf
几代人满足自己的需求（https://www.un.org/sustainabledevelvement/development-agenda）。第四代国际论坛于2009年提出的以下围绕可持续性：核能系统将提供可持续的能源产生，以符合清洁的空气目标，并为全球能源生产提供系统的长期可用性和有效的燃料利用。They will minimise and manage their nuclear waste and notably reduce the long-term management burden, thereby improving protection for the public health and the environment (https://www.gen-4.org/gif/jcms/c_9502/generation-iv-goals) 8 In September 2018, the US Department of Energy (DOE) and the Department for Business, Energy, and Industrial Strategy (BEIS) signed the Civil Nuclear Energy Research
利用机器学习进行多模态 MRI 鉴别帕金森病和进行性核上性麻痹的效用
经典帕金森病 (PD) 和进行性核上性麻痹 (PSP)（尤其是理查森综合征 (PSP-RS)）的早期鉴别诊断通常受到症状特征重叠的限制，现有的临床评分或既定的诊断方法无法有效捕捉这些症状特征。在这种情况下，即使是运动障碍专家也报告了高达 24% 的失败率 ( 1 )。在临床实践中，PD 和 PSP-RS 的诊断主要基于临床检查，包括主要特征、对左旋多巴的反应以及统一 PD 评定量表 (UPDRS) ( 2 ) 等既定评分。然而，由于临床症状明显重叠且床边检查准确性不足，鉴别诊断通常具有挑战性，尤其是在疾病早期。准确的早期诊断与通过适当的药物管理、患者护理方案更好地管理疾病密切相关，并且可能显著改善疾病预后。此外，识别早期疾病表现可能带来更有针对性的药物疗法，并推动在这一领域开发更有效的药物疗法。在这方面，使用各种磁共振成像 (MRI) 模式，如 T1 加权 ( 3 , 4 )、T2 加权 ( 5 , 6 ) 和扩散张量 MRI (DTI) ( 7 , 8 ) 进行的分组研究显示，PD 和 PSP-RS 患者与健康对照 (HC) 受试者之间存在显著差异。这些差异表明区域脑容量、脑铁代谢和微结构脑组织退化发生了改变，所有这些都与 PD 和 PSP-RS 与 HC 受试者相比的神经退行性特征密切相关 ( 9 – 11 )。监督式机器学习技术能够识别高维数据中的复杂模式，而识别出的模式可用于对新的未知病例做出针对特定患者的预测 (12)。机器学习已成功用于解决各种精准医疗问题 (13)，多项研究尝试利用上述分组研究获得的特征对个体 PD 和 PSP-RS 患者进行分类 [例如 (14-16)]。然而，到目前为止，只有少数科学研究真正尝试利用多模态成像特征的力量来改善 PD 和 PSP-RS 患者的鉴别分类 [例如 (17、18)]。此外，与单模态成像信息相比，多模态成像的真正优势尚未详细探讨。因此，本研究旨在提出一个全面的端到端框架，使用 T1 加权、T2 加权和 DTI 数据集对 PD 患者、PSP-RS 患者和 HC 受试者进行分类，并评估使用单个单模态特征和多模态特征训练的最佳机器学习模型的准确性。
进行性核上性麻痹和皮层基底节综合征患者的网络连接和生存结构相关性
图 5 识别预测结果的跨诊断成分。我们使用 Cox 模型的偏最小二乘回归来找到一个成分 (a)，该成分最大化了连接和审查死亡时间之间的协方差。连接代表 PLSR 权重，因此对于得分较高的受试者，红色表示连接较强，蓝色表示连接较弱。PSP 患者和 CBS 患者 (c) 之间的此成分没有差异。使用五倍交叉验证并使用一致性分析和综合曲线下面积评估结果，我们发现连接提供了患者人口统计信息和住院运动之外的额外信息，但结合结构、临床和基线指标可提供最佳预测准确性 (de)。（DMN，默认模式网络；DAN，背侧注意网络；FPN，额顶网络；SM，感觉运动；TN，丘脑网络；VAN，腹侧注意网络）。
![[研究笔记]人工智能技术对核威慑的影响](/simg/g:\will\search\icon\source\7\75900a8296f391c1610166ba52d9e4792871020c.png)
[研究笔记]人工智能技术对核威慑的影响
4 Rafael Loss 和 Joseph Johnson，“人工智能会危及核威慑吗？”War on the Rocks，2019 年 9 月 19 日，https://warontherocks.com/2019/09/will-artificial-intelligence-imperil-nuclear-deterrence/。5 Michael C. Horowitz、Paul Scharre 和 Alexander Velez-Green，“稳定的核未来？自主系统和人工智能的影响，”ArXiv.org，2019 年 12 月，第 2 页，https://arxiv.org/ftp/arxiv /papers/1912/1912.05291.pdf 6 Edward Geist 和 Andrew J. Lohn，“人工智能如何影响核战争风险？“兰德公司，2018 年，https://www.rand.org/content/dam/rand/pubs/perspectives/PE200/PE296/RAND _PE296.pdf。7 斯德哥尔摩国际和平研究所 (SIPRI)，“人工智能对战略稳定和核风险的影响，第一卷：欧洲-大西洋视角”，编辑。Vincent Boulanin，2019 年 5 月，https:// www.sipri.org/sites/default/files/2019-05/sipri1905-ai-strategic-stability-nuclear-risk.pdf。