XiaoMi-AI文件搜索系统
World File Search System模态数据
帕金森病的进展模型
在这项工作中，我们开发了统计方法，根据患者的重复测量结果对疾病进展进行建模，重点关注帕金森病 (PD)。一个关键挑战在于 PD 患者之间存在固有的异质性，以至于现在怀疑 PD 包含多种亚型或运动表型。为了深入了解疾病进展，研究建议在多个时间点为每个患者收集广泛的标记物测量值。这些数据允许通过统计建模研究疾病的进展模式。在第一部分中，我们模拟了 PD 标量标记物的进展。我们扩展了疾病进展模型，即纵向时空模型。然后，我们提出解决数据缺失问题，并对不同性质的标记物的联合进展进行建模，例如临床评分和从成像模式中提取的标量测量。通过这种方法，我们模拟了 PD 的早期运动进展，并在第二项研究中模拟了特发性 PD 进展的异质性，重点关注睡眠症状。在论文的第二部分，即独立的部分，我们处理了医学图像的纵向建模。对于这些高维数据，深度学习通常被使用，但主要是在横断面设置中，忽略了可能的内部动态。我们建议利用深度学习作为降维工具来构建疾病进展的时空坐标系。我们首先利用这种灵活性来处理多模态数据。然后，我们利用假设随时间单调性而产生的自我监督，为建模时间变异性提供更高的灵活性。
人工智能走向个性化医疗
在目前的医疗实践中，当患者感觉到症状时，他/她会咨询医生。然后医生以一刀切的方式给药。然而，最近的遗传学研究表明，不同的基因组成会对药物产生不同的影响，因此应该为每个人定制药物。“个性化医疗”的主要思想是在正确的时间和剂量为正确的患者提供正确的干预措施，包括药物。通过这种方法，药物治疗模式将从治疗转变为预防。个性化医疗的兴起之所以成为可能，是因为来自不断增加的生物分子（蛋白质组学、基因组学和其他组学）和健康相关数据的信息被人工智能 (AI) 工具成功“挖掘”。在本文中，我们提出，面向个性化医疗的 AI 系统必须具有可接受的性能，易于临床界解释，并在大量人群中得到验证。我们研究了一些具有里程碑意义的论文，关键词是“个性化医疗应用的 AI”；1）基于图像的自动患者分类，2）基于基因的自动癌症分类，3）保留射血分数患者表型的自动健康记录心力衰竭。所有示例均根据其性能、可解释性和临床有效性进行评估。通过分析，我们得出结论，个性化医疗的 AI 可以从五个因素中受益：（1）国内和国际遗传学和健康数据的标准化和汇集，（2）多模态数据的使用，（3）疾病专家指导 AI 模型的开发，（4）临床界对 AI 发现的调查，以及（5）大型临床试验对 AI 发现的跟进。
AtomAgents：通过物理学进行合金设计和发现——……
新合金的设计是一个多尺度问题，需要采用整体方法，包括检索相关知识、应用先进的计算方法、进行实验验证和分析结果，而这个过程通常很慢，只有人类专家才能完成。机器学习 (ML) 可以帮助加速这一过程，例如通过使用深度替代模型将结构和化学特征与材料特性联系起来，反之亦然。然而，现有的数据驱动模型通常针对特定的材料目标，在整合领域外知识方面的灵活性有限，无法适应新的、不可预见的挑战。在这里，我们通过利用多个 AI 代理的独特功能来克服这些限制，这些代理在动态环境中自主协作以解决复杂的材料设计任务。所提出的物理感知生成式 AI 平台 AtomAgents 结合了大型语言模型 (LLM) 的智能以及在各个领域具有专业知识的 AI 代理之间的动态协作，包括知识检索、多模态数据集成、基于物理的模拟以及跨模态的综合结果分析，其中包括数值数据和物理模拟结果的图像。多智能体系统的协同努力可以解决复杂的材料设计问题，例如自主设计与纯金属相比性能增强的金属合金。我们的结果能够准确预测合金的关键特性，并强调了固溶体合金化在引导先进金属合金开发方面的关键作用。我们的框架提高了复杂多目标设计任务的效率，并为生物医学材料工程、可再生能源和环境可持续性等领域开辟了新途径。
根据结构 MRI、临床和遗传数据结合双重注意力 CNN 和 MLP 来诊断阿尔茨海默病
阿尔茨海默病 (AD) 是一种不可逆的中枢神经退行性疾病，而轻度认知障碍 (MCI) 是 AD 的前兆。准确的早期诊断 AD 有利于 AD 的预防和早期干预治疗。尽管已经开发了一些用于 AD 诊断的计算方法，但大多数方法仅采用神经影像学，忽略了可能包含潜在疾病信息的其他数据（例如遗传、临床）。此外，一些方法的结果缺乏可解释性。在这项工作中，我们提出了一种新方法（称为 DANMLP），通过整合结构磁共振成像 (sMRI) 的多模态数据、临床数据（即人口统计学、神经心理学）和 APOE 遗传数据，将双注意卷积神经网络 (CNN) 和多层感知器 (MLP) 结合在一起进行计算机辅助 AD 诊断。我们的 DANMLP 由四个主要组件组成：（1）Patch-CNN，用于从每个局部块中提取图像特征，（2）位置自注意块，用于捕获块内特征之间的依赖关系，（3）通道自注意块，用于捕获块间特征的依赖关系，（4）两个 MLP 网络，分别用于提取临床特征和输出 AD 分类结果。与 5CV 测试中的其他最先进方法相比，DANMLP 在 ADNI 数据库上的 AD vs. MCI 和 MCI vs. NC 任务中实现了 93% 和 82.4% 的分类准确率，分别比其他五种方法高 0.2% ∼ 15.2% 和 3.4% ∼ 26.8%。局部区域的个性化可视化还可以帮助临床医生进行 AD 的早期诊断。这些结果表明，DANMLP 可有效用于诊断 AD 和 MCI 患者。
伦敦东北大学全额资助网络科学博士奖学金，整合多模态数据以了解轨迹和生物标志物
总部位于英国的机构。东北大学成立于 1898 年，以其高影响力的研究而闻名，旨在解决全球问题。跨学科、体验式学习和与学术界以外的合作伙伴的联系是东北大学精神的核心。东北大学在 2022 年获得了 2.307 亿美元的外部研究资金，是公认的体验驱动终身学习的领导者。它在美国和加拿大设有校区（波士顿、北卡罗来纳州夏洛特、缅因州波特兰、加利福尼亚州奥克兰、旧金山、西雅图、硅谷、弗吉尼亚州阿灵顿、马萨诸塞州伯灵顿和纳汉特社区、多伦多和温哥华）。虽然博士学位将是英国的资格，但学生将有机会在伦敦博士研究期间参与和访问海外的东北大学网络，为他们的研究培训提供真正独特且备受追捧的维度。项目我们正在寻找一位有计算神经科学、数据科学、认知心理学或相关领域背景的积极进取的候选人，加入一个创新的博士项目，该项目涉及网络科学、机器学习和心理健康研究的交叉领域。该项目旨在开发尖端方法来整合和分析多模态数据——从认知评估和患者自我报告到神经影像和电子健康记录 (EHR)——以发现新的生物标志物并改善心理健康轨迹的分析。成功的申请者将采用自然语言处理 (NLP)、图论和先进的机器学习等技术来探索认知-情感模式和大脑连接动态，为理解心理健康建立一个统一的框架。这项跨学科研究有望推动个性化诊断和干预策略的进步。理想的候选人应该具备很强的分析和编程能力，对心理健康研究充满热情，并具有跨学科合作的能力。成功的候选人将：
利用人工智能和多模式数据来增强元认知发展：
先进学习技术开启自我调节学习的新时代 在信息丰富、技术飞速进步的时代，自我调节学习已成为学业成功和终身学习的关键技能。本次主题演讲探讨了先进学习技术、人工智能 (AI) 和多模态多通道跟踪数据在塑造学习者的元认知和自我调节学习 (SRL) 过程方面的变革潜力。我首先研究元认知（对一个人的认知过程的认识和理解）与 SRL 之间的复杂关系，后者涉及学习的战略规划、监控和评估。借鉴认知、学习和教育科学以及教育人工智能的最新研究，我展示了这些高阶思维技能如何增强知识获取并促进不同学习环境中的转移、解决问题和适应性。接下来，我将深入探讨先进学习技术的新兴领域，例如智能辅导系统、基于游戏的学习环境、沉浸式虚拟环境和人类数字孪生。我展示了这些工具如何创造沉浸式、个性化的学习体验，挑战学习者反思他们的策略、跟踪他们的进度并根据多模态跟踪数据实时调整他们的方法。演讲的大部分内容将集中在多模态多通道跟踪数据（包括眼动追踪、面部表情识别、生理测量和日志数据）在理解和支持元认知和 SRL 方面的尚未开发的潜力。我综合了最近关于多模态学习分析的研究来解码丰富的数据流，揭示了学习者的认知负荷、元认知监控技能、情绪状态、策略使用和动机信念的微妙模式。从这一综合中，我将强调使用这些数据来支持自我调节学习的实时挑战。这些见解使基于人工智能的“元认知意识”系统的设计成为可能，该系统可以检测僵局、支撑反思，并激发跨任务、领域、学习者和情境使用和转移元认知技能。最后，我的演讲将以号召跨学科研究人员、教育工作者和技术人员开展跨学科合作作为结束，以充分发挥人工智能和多模态数据的潜力，培养具有自我意识、自我调节能力的学习者，使他们能够应对 21 世纪的复杂性。罗杰·阿泽维多教授 美国中佛罗里达大学
关于大脑的高级深度转移杠杆研究......
近十年来，由于神经科学、可穿戴/移动生物传感器和分析技术的发展，脑机接口 (BCI) 引起了越来越多的研究兴趣。其最终目标是通过映射、辅助、增强或修复人类的认知或感觉运动功能，提供一条从大脑到外部世界的通路。最近，出现了许多先进的机器学习技术，如深度学习、迁移学习等。深度学习方法在图像和视频分析、自然语言处理、语音识别等方面取得了巨大成功，最近也开始在 BCI 中得到应用。迁移学习通过利用来自其他相关任务的数据或知识来提高新任务的学习能力，在 BCI 中尤其有用，可以应对不同个体或任务之间的差异，从而加速学习并提高绩效。先进的深度迁移学习技术也可以集成在一起，以充分利用这两个领域的优势。尽管使用先进的深度学习和/或迁移学习方法进行 BCI 研究变得越来越流行，但迄今为止仍存在许多未解决的基本问题，例如深度学习表示来自多个模态的一些基于 EEG 的 BCI 数据，将数据从一个模态映射到另一个模态以实现跨源 BCI 数据分析，识别和利用来自两个或多个不同信号源的元素之间的关系进行全面的 BCI 数据分析，融合来自两个或多个信号源的信息以进行更准确的预测，在模态及其表示之间传递知识，以及根据观察到的数据恢复缺失的模态数据。在过去十年中，已经开发了几种基于 EEG 的 BCI 方法和技术，并在一些现实世界的例子中（例如神经科学、医学和康复）显示出有希望的结果，这导致大量展示准确性/性能和比较的论文，但大多数都没有发展到实时、翻译或应用。然后，这些论文没有取得好成绩，要么是因为缺乏新颖性（已知技术），要么是因为没有生物/医学/实验/临床翻译。出于上述所有原因，它激励我们开发和开发有效的高级深度学习和/或迁移学习算法来解决 BCI 和康复领域的基本问题。本神经科学前沿研究主题 (RT)（神经假体部分）是从 RT“脑机接口高级深度迁移杠杆研究”中发表的 22 篇论文中精选出来的。我们对这些论文进行了简要总结，如下所示。
人工智能工具对支持21世纪技能的可行性：高等教育实证研究的系统回顾
21 世纪的技能应融入高等教育，以帮助学生应对复杂的工作和生活挑战。人工智能 (AI) 驱动的工具有可能优化高等教育学生的技能发展。因此，重要的是要概念化人工智能系统对高等教育 21 世纪技能发展的相关可供性。本研究旨在概述 Web of Science 数据库中发表的期刊文章，这些文章专门讨论了基于人工智能的工具对 21 世纪技能发展的影响。四类不同的基于人工智能的工具（智能辅导系统、聊天机器人、人工智能驱动的仪表板和自动评分系统）被确定为能够促进六种主要的 21 世纪技能（协作、沟通、创造力、批判性思维、信息和通信技术以及解决问题）。审查显示，使用基于人工智能的工具可能有助于同时发展多种 21 世纪技能（例如协作和批判性思维）。结果表明，人工智能的自适应反馈在促进 21 世纪技能发展方面发挥着重要作用。此外，利用各种功能性人工智能（例如预测和分析）可能有助于发展各种技能。基于人工智能的技术似乎最关注 21 世纪的解决问题技能及其子技能。对实践或政策的启示：• 应在基于人工智能的工具中采用更多人工智能的功能性（例如预测和分析）。这可以支持高等教育学生的 21 世纪技能。• 基于人工智能的工具（例如聊天机器人和智能导师）通过数据与最终用户互动。人工智能系统有可能利用学生的多模态数据来促进 21 世纪技能。• 人工智能技术应更多地融入高等教育背景下的社会科学和人文学科，以支持学生的 21 世纪技能。关键词：人工智能、智能系统、21 世纪技能、高等教育、系统评价 引言 为了应对严峻而竞争激烈的工作和生活挑战，当今的高等教育学生需要发展各种知识和技能。克服这些挑战不仅需要成为某个特定领域（例如商业或健康）的知识渊博的员工：个人还应该知道如何在困难的情况下进行合作并通过处理意外冲突来解决问题（Rios 等人，2020 年）。在这些情况下，他们可能会在互联网上搜索相关信息后想出创造性的解决方案。个人应该批判性地对待基于互联网的信息，并不断为其解决问题提供依据（Van Laar 等人，2017 年）。因此，在未来的职业生涯中，高等教育学生可能需要通用和可转移的技能，例如解决问题、创造性思维和协作，这些技能被定义为 21 世纪的技能（Muukkonen 等人，2022 年；Van Laar 等人，2020 年）。高等教育是学生获得 21 世纪技能的关键环境。为了实现这一点，可以在高等教育课程中实施支持协作解决问题等技能的教学法（Hämäläinen 等人，2017 年）。教学技术还可以帮助学生获得 21 世纪的技能（Benvenuti 等人，2023 年；T. Wang 等人，2023 年）。事实上，新兴的