XiaoMi-AI文件搜索系统
World File Search System法相
与免疫介导的炎症性疾病和免疫修饰疗法相关的严重共同互联19结果的风险：一项全国范围的研究COVID-19疫苗在六家以色列医院（Covehpi）的医疗保健人员中的疫苗有效性疫苗优先级策略对减轻COVID-19的影响：基于代理的模拟研究使用美国的城市地区基于功能性MRI和多级功能连通性，用图卷积网络预测脑淀粉样蛋白-βPET表型
广州大学的实验中心，中国广州B，上海上海上海大学生物医学工程学院。 Zhangjiang Lab，上海，中国，201204电话。 ：+86 21 38176043电子邮件：hanzhang.bit@gmail.com（H。Zhang），上海上海上海大学生物医学工程学院，中国，2011年。 ：+86 21 20685265传真：+86 21 20685265电子邮件：dinggang.shen@gmail.com（D。Shen）摘要。 大脑中淀粉样蛋白-β（Aβ）沉积的检测为阿尔茨海默氏病临床诊断（AD）提供了关键证据。 然而，当前基于宠物的大脑Aβ检查的效率遭受了粗糙的，基于视觉检查的双级分层以及高扫描成本和风险。 在这项工作中，我们探讨了使用非侵入性功能磁共振成像（fMRI）在AD连续体中使用脑网络上的图形学习来预测Aβ-PET表型的可行性。 首先，通过聚类来鉴定三个全脑Aβ-PET表型，并研究了它们与临床表型的关联。 第二，使用静止状态fMRI构建常规功能连通性（FC）网络，并通过图形卷积网络（GCN）学习了网络拓扑结构，以预测此类Aβ-PET表型。 这可能是一种有前途的技术，用于对AD的高通量筛查，成本和限制更少。广州大学的实验中心，中国广州B，上海上海上海大学生物医学工程学院。 Zhangjiang Lab，上海，中国，201204电话。：+86 21 38176043电子邮件：hanzhang.bit@gmail.com（H。Zhang），上海上海上海大学生物医学工程学院，中国，2011年。：+86 21 20685265传真：+86 21 20685265电子邮件：dinggang.shen@gmail.com（D。Shen）摘要。大脑中淀粉样蛋白-β（Aβ）沉积的检测为阿尔茨海默氏病临床诊断（AD）提供了关键证据。然而，当前基于宠物的大脑Aβ检查的效率遭受了粗糙的，基于视觉检查的双级分层以及高扫描成本和风险。在这项工作中，我们探讨了使用非侵入性功能磁共振成像（fMRI）在AD连续体中使用脑网络上的图形学习来预测Aβ-PET表型的可行性。首先，通过聚类来鉴定三个全脑Aβ-PET表型，并研究了它们与临床表型的关联。第二，使用静止状态fMRI构建常规功能连通性（FC）网络，并通过图形卷积网络（GCN）学习了网络拓扑结构，以预测此类Aβ-PET表型。这可能是一种有前途的技术，用于对AD的高通量筛查，成本和限制更少。对来自AD连续的258个样品的Aβ-PET表型预测的实验表明，我们的算法达到了较高的fMRI-to-to-pet预测准确性（78.8％）。结果表明，AD连续体中存在可区分的脑Aβ沉积表型，以及使用人工智能和非侵入性脑成像技术来近似基于PET的评估的可行性。关键字：功能连通性，大脑网络，淀粉样蛋白β，PET，图形卷积网络。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
创伤后应激障碍青年人与以创伤为重点的认知行为疗法相关的大脑体积变化
这项研究调查了20名与虐待相关的创伤后应激障碍（PTSD）和20名非虐待后的未经药物治疗的青年和20名非经历性的未经药物相关后的青年和20名非经济体暴露的健康对照（HC）参与者。我们在TF-CBT 5个月之前和之后收集了大脑解剖结构的MRI扫描或HC组相同的时间间隔。freeSurfer软件用于将脑图像分为95个皮层和皮层下体积，并通过Lasso变量选择将其提交为最佳缩放回归。基线时组差异的最终模型包括较大的右侧轨道额叶和左后扣带回皮层以及PTSD中相对于HC组的较小的右中间和右中间和右前骨皮层，r 2 = .67。在治疗前变化中的组差异模型包括右侧中间额叶的纵向变化，左侧三角形三角形，右内旋和PTSD相对于HC组的左心角和左CUNEUS Corticies，r 2 = .69。在PTSD组中，治疗前症状改善的改善是通过左后扣带回皮质的纵向减少模拟的，R 2 = .45，并通过较小的右地峡（肾上腺后）扣带和较大的左caudate和较大的左CAUDATE和较大的左caudate和较大的左caudate和r 2 = .77进行预测。总的来说，治疗与支持执行功能的大脑区域的纵向变化有关，而不是将PTSD与基线的HC参与者区分开来的。此外，结果证实了后/后脾后扣带的作用，这是PTSD症状改善的相关性和治疗结果的预测指标。
COVID-19-19 淋巴细胞，单核细胞和低密度（LD）中性粒细胞 现金与彩票：Covid-19-19疫苗激励措施实验* 在基于邻里的疫苗和测试现场的高级父母疫苗动机 SARS-COV-2突破性感染与时间效率 - 疫苗的相关性；初步研究 与免疫介导的炎症性疾病和免疫修饰疗法相关的严重共同互联19结果的风险：一项全国范围的研究 COVID-19疫苗在六家以色列医院（Covehpi）的医疗保健人员中的疫苗有效性 疫苗优先级策略对减轻COVID-19的影响：基于代理的模拟研究使用美国的城市地区 基于功能性MRI和多级功能连通性，用图卷积网络预测脑淀粉样蛋白-βPET表型
•中性粒细胞，单核细胞，T细胞，NKT，NK和B细胞亚型的门控策略； （a）在LD粒细胞，LD中性粒细胞（CD14+ CD16-）（B）CXCR3和HLA-DR测量上的CD14和CD16表达在LD中性粒细胞（C）CD19+ B细胞上，CD19+ B细胞在CD27和CD38和CD38，NAIME B细胞（CD27-CD38+）中（CD27-CD38+）（CD27-CD38+）（CD27-CD38+）（CD27-CD38+）细胞（ （CD27+CD38+）测量。（d）在CD24和CD38上输送的记忆B细胞，显示了概述的过渡B细胞门。（e）在CD24和CD38上门控的幼稚的B细胞，其中CD24+CD38 ++过渡B细胞门控。（f）使用CD14和CD16：CD14+CD16-经典，CD14+CD16+中间体和CD14-CD16-非古典的单核细胞亚型。（G）CD14+单核细胞CXCR3和HLA-DR状态。（H）CD3和CD19用于定义； B细胞（CD19+），T细胞（CD3+）和NBNT（CD19- CD3-）淋巴细胞。（I）定义CD4 T细胞，CD8 T细胞，CD4+CD8+双阳性和CD4-CD8-双阴性T细胞（J）CD56和CD16表达的T细胞的CD4和CD8染色，CD56+NKT和CD16+NKT的T细胞上的CD56和CD16表达。（k）非-B和非T细胞（NBNT）群体显示CD56和CD16的表达，以识别CD56Bright（CD56 ++），NK细胞（CD56+CD16+）和CD56-CD16+NK细胞。（l-r）cxcr3和hla-dr表达； （L）CD4 T细胞（M）CD8 T细胞（N）CD56+ T细胞（O）CD16+ T细胞（P）CD56 ++ NK细胞（Q）CD56+ CD16+ CD16+ NK细胞（R）CD56-CD16+ NK细胞。（S-W）CD27和CD38的表达； （S）CD4-CD8-DN T细胞（T）CD4 T细胞（U）CD8 T细胞（V）CD56+ T细胞（W）CD16+ T细胞。CD4和CD8在（x）CD56+ T细胞（y）CD16+ T细胞上的表达。CD4和CD8在（x）CD56+ T细胞（y）CD16+ T细胞上的表达。
BNT162B2 mRNA Covid-19疫苗针对RT-PCR的疫苗有效性证实了优先风险组的SARS-COV-2感染，住院和死亡率 在美国，疫苗衍生的保护性免疫会削减COVID-19变体？ 以识别酒精中毒疾病的例子进行脑电图处理的深度学习和机器学习 疫苗的信心和犹豫不决在covid- ... 开始时 美国类风湿关节炎患者患有严重的共vid – 19 初始SARS-COV-2疫苗接种反应可以预测BNT162B2的增强反应，但不能预测 COVID-19-19 淋巴细胞，单核细胞和低密度（LD）中性粒细胞 现金与彩票：Covid-19-19疫苗激励措施实验* 在基于邻里的疫苗和测试现场的高级父母疫苗动机 SARS-COV-2突破性感染与时间效率 - 疫苗的相关性；初步研究 与免疫介导的炎症性疾病和免疫修饰疗法相关的严重共同互联19结果的风险：一项全国范围的研究 COVID-19疫苗在六家以色列医院（Covehpi）的医疗保健人员中的疫苗有效性 疫苗优先级策略对减轻COVID-19的影响：基于代理的模拟研究使用美国的城市地区 基于功能性MRI和多级功能连通性，用图卷积网络预测脑淀粉样蛋白-βPET表型
N % N % N % N % N % Number of individuals 47509 - 62587 - 99108 - 440748 - 235335 - SARS-Cov-2 before 27 December 2020 1408 - 782 - 575 - 14949 - 3477 - Number of individuals included in the analyses 46101 - 61805 - 98533 - 425799 - 231858 - Median age at first dose (IQR) 84 (76; 90) - 83 (76; 88) - 86 (85; 88) - 49 (37; 59) - 66 (54; 74) - Median age at second dose (IQR) 84 (77; 90) - 83 (76; 89) - 86 (85; 88) - 49 (37; 58) - 68 (56; 75） - 性
癌症纳米医学与免疫疗法相遇
癌症纳米药物在联合免疫疗法中显示出良好的前景，迄今为止主要处于临床前阶段，但也已进入临床试验阶段。将纳米药物与免疫疗法相结合旨在通过增强免疫反应级联中的关键步骤，即抗原释放、抗原处理、抗原呈递和免疫细胞介导的杀伤，来强化癌症免疫循环。联合纳米免疫疗法可以通过三种靶向策略实现，即靶向癌细胞、靶向肿瘤免疫微环境和靶向外周免疫系统。纳米免疫疗法的临床潜力最近在一项 III 期试验中得到证实，该试验将纳米白蛋白紫杉醇 (Abraxane ® ) 与阿替利珠单抗 (Tecentriq ® ) 联合用于治疗晚期三阴性乳腺癌患者。在本文中，除了策略和初步（前）临床成功案例外，我们还讨论了纳米免疫疗法中的几个关键挑战。总体来看，纳米药物与免疫疗法相结合正受到广泛关注，预计其将在临床癌症治疗中发挥越来越重要的作用。
将 LFA 保证与 GF 战略、风险和保证方法相结合
艾滋病毒数据：UNAIDS.org，新感染病例（2018 年）、艾滋病毒感染者（2018 年）、接受抗逆转录病毒治疗的人数（2018 年）、艾滋病相关死亡人数（2018 年）；结核病数据：《2018 年全球结核病报告》，新发结核病病例（2017 年）；报告的结核病病例（新发和复发）（2017 年）；治疗成功率（所有形式）（2016 年）；MDR/RR-TB 新发病例（2017 年）；结核病死亡人数（2017 年）；疟疾数据：WHO.int/malaria，《2018 年世界疟疾报告》：疟疾病例（2017 年）、撒哈拉以南非洲睡在 ITN 下的高危人群（2017 年）、疟疾死亡人数（2017 年）。资金来源[2016 年艾滋病毒/疟疾数据，2018 年结核病数据]：OECD DAC-CRS；联合国艾滋病规划署事实说明，2017 年世界艾滋病日，联合国艾滋病规划署； 2018 年全球结核病报告，世卫组织；2018 年世界疟疾报告，世卫组织全球基金在国际资金中的份额：全球基金 2017 年结果报告数据是全球性的，并不仅限于全球基金资源拨付到位的国家。
使用多元曲线分辨率与全面的二维气相色谱法相结合的香水中精油的定量分析
使用多变量曲线分辨率（MCR）构建多元定量模型，并使用综合的二维气体色谱法获得了具有频流电离检测（GC×GC-FID）的数据。MCR算法提出了一些重要特征，例如二阶优势和通过交流最小二乘（ALS）过程优化每个纯组件的仪器响应的恢复。使用仅包含已知浓度的精油和谷物酒精作为溶剂的校准集量化迷迭香精油的模型。校准曲线将迷迭香精油和