XiaoMi-AI文件搜索系统
World File Search System相同
标题页 1 完整标题：2 使用人工智能在心电图上检测肥厚型心肌病 3 4 简称：5 使用人工智能在心电图上检测肥厚型心肌病 6 7 作者： 8 James M Hillis，MBBS DPhil 1,2,3 9 Bernardo C Bizzo，MD PhD 1,3,4 10 Sarah F Mercaldo，PhD 1,3,4 11 Ankita Ghatak，MSc 1 12 Ashley L MacDonald，BSc 1 13 Madeleine A Halle，BSc 1 14 Alexander S Schultz 1 15 Eric L'Italien 1 16 Victor Tam 1 17 Nicole K Bart，MBBS DPhil 3,5 18 Filipe A Moura，MD PhD 3,5 19 Amine M Awad，BMBCh 2,3,6 20 David Bargiela，MBBS PhD 2,3,6 21 Sarajune Dagen，RN 7 22 Danielle Toland，RN BSN 6 23 Alexander J Blood，MD MSc 3,5 24 David A Gross，MD PhD 3,5 25 Karola S Jering，MD 3,5 26 Mathew S Lopes，MD MPH 3,5 27 Nicholas A Marston，MD MPH 3,5 28 Victor D Nauffal，MD 3,5 29 Keith J Dreyer，DO PhD 1,3,4 30 Benjamin M Scirica，MD* 1,3,5 31 Carolyn Y Ho，MD* 3,5 32 33 * 这些作者对这项工作的贡献相同。 34 35 作者所属： 36 1 美国马萨诸塞州波士顿麻省总医院布莱根医院，美国马萨诸塞州波士顿 37 2 美国马萨诸塞州波士顿麻省总医院神经内科 38 3 美国马萨诸塞州波士顿哈佛医学院 39 4 美国马萨诸塞州波士顿麻省总医院放射科 40 5 美国马萨诸塞州波士顿布莱根妇女医院心血管医学科 41 6 美国马萨诸塞州波士顿布莱根妇女医院神经内科 42 7 美国马萨诸塞州波士顿布莱根妇女医院神经外科 43
标题页 1 完整标题：2 使用人工智能在心电图上检测肥厚型心肌病 3 4 简称：5 使用人工智能在心电图上检测肥厚型心肌病 6 7 作者： 8 James M Hillis，MBBS DPhil 1,2,3 9 Bernardo C Bizzo，MD PhD 1,3,4 10 Sarah F Mercaldo，PhD 1,3,4 11 Ankita Ghatak，MSc 1 12 Ashley L MacDonald，BSc 1 13 Madeleine A Halle，BSc 1 14 Alexander S Schultz 1 15 Eric L'Italien 1 16 Victor Tam 1 17 Nicole K Bart，MBBS DPhil 3,5 18 Filipe A Moura，MD PhD 3,5 19 Amine M Awad，BMBCh 2,3,6 20 David Bargiela，MBBS PhD 2,3,6 21 Sarajune Dagen，RN 7 22 Danielle Toland，RN BSN 6 23 Alexander J Blood，MD MSc 3,5 24 David A Gross，MD PhD 3,5 25 Karola S Jering，MD 3,5 26 Mathew S Lopes，MD MPH 3,5 27 Nicholas A Marston，MD MPH 3,5 28 Victor D Nauffal，MD 3,5 29 Keith J Dreyer，DO PhD 1,3,4 30 Benjamin M Scirica，MD* 1,3,5 31 Carolyn Y Ho，MD* 3,5 32 33 * 这些作者对这项工作的贡献相同。34 35 作者所属： 36 1 美国马萨诸塞州波士顿麻省总医院布莱根医院 37 2 美国马萨诸塞州波士顿麻省总医院神经内科 38 3 美国马萨诸塞州波士顿哈佛医学院 39 4 美国马萨诸塞州波士顿麻省总医院放射科 40 5 美国马萨诸塞州波士顿布莱根妇女医院心血管医学科 41 6 美国马萨诸塞州波士顿布莱根妇女医院神经内科 42 7 美国马萨诸塞州波士顿布莱根妇女医院神经外科 43
在生成多模型中研究相同不同的概念理解
由于高级AI系统（例如生成基础模型）表现出越来越丰富的行为，因此，对AI对齐和安全性研究的挑战是系统地以一种帮助我们理解和开发更安全的模型的方式来系统地表征这些行为。在实现这一目标的道路上的一个关键问题是，AI系统在概念上是否以人类的方式理解世界。一个经典的任务家族，用于探究人类和非人类动物的概念理解是相同的/不同的任务，它测试了对不同刺激中“相同”和“差异”的抽象概念的理解。从这些对人类和非人类动物的概念学习的研究中汲取灵感，我们提出了实验结果，以研究文本对图像（T2I）模型对相同/不同概念的理解。我们表明，尽管T2i模型对相同/不同概念的理解有所了解，但这种理解在相同性和差异的不同属性（例如纹理，颜色，旋转和大小）之间差异很大。我们讨论揭示这种行为差异的方式如何帮助我们设计更强大的模型培训和评估协议。最后，我们解释了人类，非人类动物和模型的概念学习行为分析之间的类比如何帮助我们更好地理解模型表现出的越来越多样化且通常是不可预测的行为。
端到端多模态深度学习，用于实时解码来自 1 相同细胞 2 3 Yichun He 1,2 , Arnau Marin-Llobe
端到端多模态深度学习用于实时解码来自同一细胞的长达数月的神经活动 1 2 3 何逸春 1,2 、Arnau Marin-Llobet 1,2 、盛浩 1 、刘韧 1 、刘佳 1* 4 5 1 美国马萨诸塞州波士顿哈佛大学约翰·A·保尔森工程与应用科学学院。 6 2 这些作者贡献相同。 7 * 通信电子邮件：jia_liu@seas.harvard.edu。 8 9 摘要 10 长期、稳定、实时解码来自同一细胞的行为相关神经动态对于脑机接口 (BCI) 以及理解学习、记忆和疾病进展过程中的神经进化至关重要。 11 柔性和高密度电极的最新进展实现了长期追踪所需的稳定性，但产生的大量数据集对现有分析方法提出了挑战。当前的脉冲分类方法严重依赖于人工管理，缺乏大规模实时处理的可扩展性。在这里，我们介绍了 AutoSort，这是一种基于端到端多模态深度神经网络的方法，可以实现数月内对相同神经元的实时跟踪和解码。AutoSort 使用一种可扩展的策略，通过从初始记录中学习深度表示并实时应用训练后的模型。它集成了多模态特征，包括波形特征、分布模式和推断出的神经元空间位置，以确保稳健性和准确性。AutoSort 在模拟和长期记录中的表现都优于现有方法，与传统方法相比，它仅使用 10% 的时间和 25% 的内存，从而减少了计算需求。通过将 AutoSort 与高密度柔性探针相结合，我们在 2 个月内实时跟踪运动学习和技能习得过程中的神经动态，捕捉内在神经流形漂移、稳定性和学习后表征漂移。AutoSort 为研究长期神经内在动态和实现实时 BCI 解码提供了一种有前途的解决方案。
2 这些作者的贡献相同 *通讯作者：chenjinxing@suda.edu.cn 收稿日期：2024 年 6 月 7 日；接受日期：2024 年 7 月 31 日；在线发表日期：2024 年 8 月
塑料被誉为人类历史上100项重大技术创新之一。自20世纪初问世以来，由于其价格低廉、重量轻、耐腐蚀、性能卓越和适应性强等特点，塑料迅速风靡全球。然而，快速发展和广泛使用也导致塑料垃圾呈指数级增长。由于处置不当和缺乏有效的回收利用方法，塑料垃圾在自然环境中持续积累，对陆地和海洋生态系统构成严重威胁，并对人类健康和经济增长构成潜在风险。1 例如，在城市饮用水中发现了微塑料，木质生物质废弃物在捕获实际废水中的微塑料方面具有巨大潜力。2
对地形应力区域的睡眠质量研究和环境改善相同的功效 - 定量研究
抽象的睡眠睡眠对于保持健康的身体和心灵至关重要，因为我们的身体细胞在睡眠期间修复自身。但是，各种因素会干扰我们的睡眠，而地质应力被认为是促成原因之一。地质应力是指自然能量流动的干扰，这主要是由地质水静脉，矿物沉积物和断层线等地质特征引起的，这可能导致健康破坏。因此，我们旨在研究地质应激对睡眠质量的影响以及Enviromat作为潜在解决方案的功效。在这项研究中，根据包含和排除标准，总共筛选了22名受试者和招募。研究始于对相关研究的文献综述，以确定地质压力对睡眠质量的影响。在审查了相关研究后，在新德里全印度医学科学研究所成立了一项方案并提交给机构伦理批准委员会。一旦协议获得批准，就在睡眠实验室中鉴定出地形应力区，那里的受试者在这些区域的床上睡觉。随后，评估了环境的功效，以减轻地形应激对睡眠质量的有害影响。记录了20个受试者的完整数据，并在两次读数之间进行10天的差距进行了和分析。
研究系统调查结果所有幸福的家庭都是相同的
-Hendrycks等。（2022）吃茄子作为杯胃喂食者：饮食转移会影响瓜蝇宙曲霉（Diptera，tephritidae）的肠道微生物组。微生物学，11（4），1-13。-Maarten de Cock等。（2020）Tephritid Froogivivol Pests（Diptera：Tephritidae）的比较微生物组学：跨物种内部和内部高变异性的故事。微生物学中的边界，11，1-13。-Zaneveld等。（2017）压力和稳定性：将安娜·卡雷纳娜原理应用于动物微生物组。自然微生物学，2。-Yang等人。 （2022）RNA-SEQ和16S rRNA分析揭示了急性暴露早期deltamethrin对通道cat鱼的影响。 免疫学领域，13。-Yang等人。（2022）RNA-SEQ和16S rRNA分析揭示了急性暴露早期deltamethrin对通道cat鱼的影响。免疫学领域，13。
化学粘合决定了两个看似相同的超导体的急剧临界温度差
尽管YB 6和实验室6具有相同的晶体结构，原子价电子的形象和声子模式，但它们表现出截然不同的声子介导的超导性。yb 6低于8.4 K的超导导，使其成为已知硼化物的第二个最高临界温度，仅次于MGB 2。实验室6直到接近 - 绝对零温度（低于0.45 K）才能超导。尽管以前的研究已经量化了Yb 6的更高费米 - 水平（E F）状态和较高的电子 - Phonon耦合（EPC）的规范超导性描述（EF），但尚未全面评估该差异的根源。通过化学键合，我们确定灯笼中的低谎言，未占用的4F原子轨道是这些超导体之间的关键区别。这些轨道在YB 6中无法访问，与πB– B键杂交，并使能量的能量低于σB-B键，否则在E f时。这种频段的反转至关重要：我们显示的光学声子模式负责超导性，导致Yb 6的σ-轨道在重叠中发生巨大变化，但彼此弱于实验室6的π轨道。yb 6中的这些声子甚至访问电子状态的交叉，表明EPC强。在实验室6中未观察到这种交叉。最后，显示了一个超级电池（m k-点）会发生PEIERL-喜欢YB 6中的效果，从柔软的声音子和相同的电子 - 耦合的光学模式中引入了其他EPC。总体而言，我们发现实验室6和YB 6具有从根本上不同的超导性机制，尽管它们差不多 - 身份差。
在具有天然肌腱和韧带损伤的马匹中的马相同种异性置式尖底间充质干细胞的安全评估
最近，为了提高肌腱愈合的质量，进行了更多的研究（8）。对原生物学的兴趣特别高，大量研究研究了MSC（1、9、10），富含血小板的血浆（PRP）（11-13）（11-13）和自体蛋白溶液（APS）（14）在肌腱模型中的影响。各种MSC的收获来源一直是几篇论文的重点，骨髓衍生的MSC（BM-MSC）最常报道（15-18）。这项当前的研究描述了使用源自外周血的马同种异体延原子引发MSC（TPMSC）。使用TPMSC作为同种异体“现成”产品的好处是消除了与自体MSC的收获，隔离和培养相关的等待时间。此外，使用同种异体供体可以进行细致的选择过程，以确保其MSC始终如一的高质量。几项研究发现，MSC的增长能力和效力与年龄和健康状况下降成反比（19-21）。此外，已经证明活跃工作中的老化马更容易容易肌腱变性（22，23），表明需要使用年轻，健康的马作为捐助者。使用外周血作为MSC源具有几个优点，即从颈静脉静脉易于且低侵入性的收集，细胞的低免疫原性，如先前由主要组织相容性复合物（MHC）I型I和II和II和II型的低表达所示。这与脂肪组织和骨髓衍生的MSC中描述的更异性表达相反（25-27）。
GalNAc3 结合反义药物与相同序列 2′-O-甲氧乙基修饰反义药物的安全性和耐受性比较：来自 1 期临床试验数据综合评估的结果
三天线 N-乙酰半乳糖胺 (GalNAc 3 ) 簇已证明受体介导的配体结合反义药物摄取的效用，这些药物靶向肝细胞表达的 RNA。GalNAc 3 结合的 2 ¢ - O - 甲氧乙基 (2 ¢ MOE) 修饰的反义寡核苷酸 (ASO) 已证明比未结合形式具有更高的效力，以支持较低剂量获得相同的药理作用。我们利用 Ionis 集成安全数据库比较了四种 GalNAc 3 结合和四种相同序列未结合的 2 ¢ MOE ASO。该评估评估了来自八项随机安慰剂对照剂量范围 1 期研究的数据，涉及 195 名健康志愿者（79 名 GalNAc 3 ASO，24 名安慰剂；71 名 ASO，21 名安慰剂）。两组 ASO 临床实验室测试中未发现异常阈值发生率的安全性信号。但是，与安慰剂相比，未结合 2 ¢ MOE ASO 组高剂量范围内的平均丙氨酸转氨酶水平显著升高。与未结合 ASO 组相比，GalNAc 3 -结合 ASO 组导致局部皮肤反应的皮下注射平均百分比低 30 倍（0.9% vs. 28.6%），未发生流感样反应（0.0% vs. 0.7%）。未结合 ASO 组中的三名受试者（4.2%）停止服药。在健康志愿者的短期临床数据比较中，GalNAc 3 -结合 2 ¢ MOE ASO 的整体安全性和耐受性特征明显改善。