XiaoMi-AI文件搜索系统
World File Search System第一波
半导体行业 2023 年第 22 页
人工智能将影响我们生活的各个方面。它在半导体制造中也发挥着越来越重要的作用。今年 5 月，在比利时安特卫普举行的由 imec 主办的 ITF World 大会上，NVIDIA 总裁、首席执行官兼董事会成员黄仁勋介绍了 NVIDIA 如何与台积电、ASML、应用材料 (AMAT)、D2S、IMS Nano Fabri- cation 和新思科技等公司合作，将人工智能引入芯片制造。黄仁勋表示：“第一波人工智能专注于计算机视觉和语音识别，已经实现了超越人类的能力，并在机器人、自动驾驶汽车和制造业开辟了数万亿美元的商机。先进的芯片制造需要一千多个步骤，要生产出生物分子大小的特征。要制造具有数千万亿个特征的芯片，每个步骤都必须近乎完美才能产生任何输出。每个阶段都会执行复杂的计算科学，以计算要图案化的特征并进行缺陷检测以进行在线工艺控制。芯片制造是 NVIDIA 加速计算和 AI 的理想应用。”黄仁勋表示，D2S 和 IMS Nano Fabrication 使用电子束构建掩模写入器，以在掩模上创建光刻胶图案。“Nvidia GPU 进行图案渲染和掩模工艺校正，”他说。台积电和 KLA 使用 EUV 和 DUV 照明进行掩模检查。“NVIDIA GPU 处理经典物理建模，
孕期接种疫苗
流感疫苗 怀孕期间感染流感会对你和你的宝宝造成严重后果。怀孕期间感染流感会导致肺炎等问题，对少数女性来说甚至可能是致命的。怀孕期间感染流感还会导致流产或早产，并且与婴儿体重过轻或死产有关。流感疫苗在怀孕期间是安全的，可以大大降低你感染流感的几率。 百日咳疫苗 百日咳是一种传染性很强的疾病，对婴儿来说非常严重。怀孕期间接种疫苗是保护宝宝的安全方法。对于新生儿和幼儿来说，百日咳会导致肺炎和脑损伤，在最坏的情况下还会导致婴儿死亡。每年约有 300 名婴儿因百日咳入院。如果你在怀孕期间接种疫苗，你的身体会产生抗体，这些抗体会通过胎盘传递给你的宝宝，在宝宝出生时为宝宝提供一些预防百日咳的保护。接种疫苗的最佳时间是怀孕 16 周至 32 周。32 周后接种疫苗仍然有帮助，尽管对保护婴儿的效果不如以前。COVID-19 疫苗孕妇患严重 COVID-19 疾病的风险更大。如果您在怀孕后期患有 COVID-19，您和您未出生的婴儿都面临着更高的患上严重疾病的风险，需要住院治疗和重症监护支持。英国的数据显示，几乎每一位需要住院治疗或重症监护的 COVID-19 孕妇都没有接种过疫苗。您和您的新生儿感染 COVID-19 疾病的总体风险很低，但自第一波 COVID-19 疫情以来有所增加。重要的是，您必须接种所有剂量的疫苗，以保证您和宝宝的安全。不要等到生完孩子之后。您可以在哪里接种疫苗？
公众对 COVID-19 疫苗有效性的看法...
本研究重点关注坦桑尼亚城市居民对 COVID-19 疫苗有效性的看法。具体而言，该研究考察了人们对 COVID-19 大流行的理解、人们对 COVID-19 疫苗接种的看法、COVID-19 疫苗偏好的社会经济差异以及应对 COVID-19 大流行的机制。该研究采用定性和定量方法，例如使用问卷、访谈和纪录片评论来收集数据。结果表明，与 COVID-19 相关的担忧似乎对接种疫苗的决定有很大影响，即那些高度担心感染疾病的人，例如老年人、医务工作者和患有慢性疾病的人 - 与其他人相比，拒绝接种疫苗的可能性较小。分析显示，男女之间没有太大差异，男女双方要么支持接种疫苗是安全的，要么反对接种。此外，关于受访者的年龄和 COVID-19 看法，对 COVID-19 疫苗的积极看法随着受访者年龄的增长而增加。与年轻人相比，老年人是疫苗的主要支持者。研究显示，许多年轻人对自己的健康/身体免疫力充满信心，并认为 COVID-19 在他们的控制范围内，因此他们觉得自己不需要疫苗。研究发现，职业和工作条件在 COVID-19 死亡率中起着重要作用，特别是在与患者或公众接触的职业中。然而，非工作场所因素也发挥了重要作用。该研究强调了一些可以添加以促进疫苗接种过程的投入。目前疫苗的好处仍然大于风险。政府机构和疫苗开发商应继续采取行动鼓励接种疫苗，减少公众对疫苗的犹豫。政府应推广预防策略。与此同时，公众不应像第一波新冠疫情时那样停止戴口罩，而应继续采取其他预防措施，特别是在人口密集的地区。
COVID-19和气候变化的感知和风险
COVID-19大流行的例子是范式的。在其第一阶段，当被感染的人和死亡人数较低时，普遍的看法是通常可管理的感染。但是，科学家（在这种情况下流行病学家）警告政策制定者和普通人，这种看法是错误的，并且扩大流行病的自然数学定律是非线性的，在这种情况下，即使是指数（Lammers等，2020年）。因此，在没有迅速采取行动以避免接触和感染的情况下，这种情况将被医疗保健系统迅速无法控制（自然社论，2020年）。，如果我们认为Epi-Demic在其指数行为中具有“惯性”，我们可能会更好地理解对快速响应的需求。这种惯性是由于旨在遏制流行病及其结果的行动之间的延迟。在Covid-19的情况下，此延迟大约是几天，也就是说，目前，该疾病的孵育期范围为2至14天，尽管在暴露后4至6天开始，Covid-19症状开始（Lauer等人，2020年）。如果今天我们采取人分离措施，我们可以在大约15天后看到这些省的第一个结果：同时，流行病呈指数增长。政府采取的短暂延迟和适当的措施使许多国家在疫情的第一波浪潮中都可以在合理数量的月份（WHO，2020年）中包含感染，甚至在一个案例中甚至几乎消除了Covid-19-cousins（Cousins，2020年）。无论如何，冠状病毒动态现在已经变得不言而喻。然而，这仅仅是因为具体行动是由科学知识借用的对问题的适当理解所驱动的。是进一步的结果，目前，普通百姓也已经意识到了及时措施的威胁和重要性的即时性。尽管人们仍然无法科学地理解这种疾病的后果（例如患者生病或垂死）既具体又无可争议：我们不应该努力理解他们。确实有些人否认冠状病毒危机的存在或严重性，
将二氧化碳去除到EU ETS
新型的二氧化碳去除（CDR）技术已经看到了第一波部署，这是通过自愿碳市场和特定支持政策的投资驱动的。为了维持这种势头，迫切需要一条可靠的长期政策路径，以通过死亡山谷领导去除技术，并提高足够的能力以将全球变暖限制在2°C以下。将去除液集成到碳合同市场中已被广泛讨论为潜在的选择。即使诸如欧洲排放交易系统（EU ETS）等市场的当前津贴价格仍然大大低于撤离成本，整合和上涨津贴价格的前景可能会增加投资者的长期确定性。更重要的是，集成也将有助于找到排放和去除的有效组合。迄今为止，尚不清楚如何确切地进行这种集成。我们分为三个部分解决此差距。我们（1）以经济期望的长期监管框架的形式表征了对去除的第一最好的愿景。我们（2）然后分析第一最好的含义-E。使用数值模型Limes -eu将永久性删除的直接和不受约束 - 将永久性删除的整合到欧盟的碳合规市场中。在我们的基本情况下，到2050年，我们每年都会发现超过60吨的CDR进入市场，从而大大降低了津贴价格。这是整合的一般成本效益的基础。然而，CDR成本和分散法规的高度不确定性引起了减弱和过度生物量使用的风险，需要通过第二种最佳测序方法来考虑这一点。因此，（3）基于降低风险意外事件，该路径将其拆除到EU ETS中，这些途径是进入后续阶段的前提。
人工智能：澄清误解，......
人工智能 (AI) 有着数十年的悠久传统。1956 年，麦卡锡在达特茅斯会议上首次提出了“人工智能”这个名称，从此开启了这一研究领域的热潮，并一直延续至今 (McCarthy et al., 2006)。人工智能最初的重点是符号模型和推理，随后出现了第一波神经网络 (NN) 和专家系统 (ES) 的浪潮 (Rosenblatt, 1957; Newel and Simon, 1976; Crevier, 1993)。当明斯基和帕普特 (Minsky and Papert, 1969) 证明感知器在学习非线性可分函数（例如异或 (XOR)）时存在问题时，该领域遭受了严重挫折。这极大地影响了人工智能在随后几年的发展，尤其是在神经网络领域。然而，在 20 世纪 80 年代，神经网络通过反向传播算法的发明而卷土重来（Rumelhart 等人，1986 年）。后来在 20 世纪 90 年代，关于智能代理的研究引起了广泛的兴趣（Wooldridge 和 Jennings，1995 年），例如探索感知和行为的耦合效应（Wolpert 和 Kawato，1998 年；Emmert-Streib，2003 年）。最后，在 21 世纪初，大数据的出现，导致了神经网络以深度神经网络 (DNN) 的形式再次复兴（Hochreiter 和 Schmidhuber，1997 年；Hinton 等人，2006 年；O'Leary，2013 年；LeCun 等人，2015 年）。这些年来，人工智能在机器人、语音识别、面部识别、医疗保健和金融等许多领域取得了巨大成功（Bahrammirzaee，2010；Brooks，1991；Krizhevsky 等人，2012；Hochreiter 和 Schmidhuber，1997；Thrun，2002；Yu 等人，2018）。重要的是，这些问题并不都属于一个领域，例如计算机科学，而是涉及心理学、神经科学、经济学和医学等多个学科。鉴于人工智能应用的广泛性和所用方法的多样性，毫不奇怪，看似
SARS-CoV 的社区血清流行率 - ePrints Soton
摘要 目的 了解儿童和青少年中 SARS-CoV-2 的社区血清流行率。这对于了解该群体对 COVID-19 的易感性以及为制定免疫等疾病控制公共卫生政策至关重要。 设计 我们在 2019 年 10 月至 2021 年 6 月期间从英格兰的七个地区招募了 0-18 岁的参与者，并收集了大量人口统计和症状数据。使用在英国卫生安全局实验室处理的 Roche 检测试剂盒对血清样本进行 SARS-CoV-2 刺突蛋白和核衣壳蛋白抗体检测。计算了六个时间段的患病率估计值，并按年龄组、种族和国家医疗服务区域进行标准化。结果 第一波疫情（2020 年 6 月至 8 月）后，抗刺突蛋白 IgG 调整后血清阳性率为 5.2%，从 0.9%（10-14 岁参与者）到 9.5%（5-9 岁参与者）不等。到 2021 年 4 月至 6 月，这一数字上升至 19.9%，从 13.9%（0-4 岁参与者）到 32.7%（15-18 岁参与者）不等。在调整性别、年龄、地区、时间段、贫困程度和城乡地理状况后，少数族裔群体感染 SARS-CoV-2 血清阳性的风险高于白人参与者（OR 1.4，95% CI 1.0 至 2.0）。在 10 岁以下儿童中，没有症状或症状群可以可靠地预测血清阳性。总体而言，48% 的血清阳性且问卷数据完整的参与者回忆起在 2020 年 2 月至研究访问期间没有出现任何症状。结论在广泛接种疫苗之前，约三分之一的 15-18 岁参与者有证据表明存在针对 SARS-CoV-2 的抗体。这些数据表明，种族背景与儿童感染 SARS-CoV-2 的风险独立相关。试验注册号 NCT04061382。
接受英夫利昔单抗治疗的患者中 COVID-19 的发病率......
摘要 目的 确定使用利妥昔单抗 (RTX) 治疗的炎症性自身免疫性疾病患者的 COVID-19 形式是否比接受抗细胞因子疗法（例如肿瘤坏死因子 (TNF) 抑制剂）治疗的患者更严重。 方法 我们纳入了在 COVID-19 大流行第一波期间瑞士两个州使用 RTX 或英夫利昔单抗 (IFX) 的所有患者。我们收集了与 COVID-19 相符的自我报告症状、PCR 确诊的 COVID-19 诊断以及 COVID-19 感染的演变。我们按治疗组计算了 COVID-19 的原始发病率和倾向评分调整发病率。 结果 共纳入 190 例患者，其中 121 例（64%）属于 RTX 组，69 例（36%）属于 IFX 组。21 名患者（11%）报告出现与 COVID-19 相符的症状（RTX：10，IFX：11，p=0.14）。在出现 COVID-19 症状的患者中，有 4 例发展为重症，肺部表现危及生命，需要进行重症机械通气（RTX：10 例中的 4 例，IFX：11 例中的 0 例，Fisher 精确检验 p=0.04）。RTX 组 COVID-19 症状发生率为每 1000 患者日 0.73 例（95% CI 0.39 至 1.37），IFX 组为每 1000 患者日 1.52 例（95% CI 0.82 至 2.85）（粗略 p=0.10，调整后 p=0.07）。RTX 组重症 COVID-19 发生率为每 1000 患者日 0.28 例（95% CI 0.08 至 0.7.2），IFX 组为零（95% CI 0.0 至 0.44）（p=0.13）。独立验证队列中的重复研究证实了这些发现，瑞士临床质量管理登记处的结果也一致。结论虽然接受 RTX 或 IFX 治疗的患者中与 COVID-19 相符的症状发生率总体相似，但 RTX 组的严重 COVID-19 发病率往往更高。
AI-SCoRE（人工智能-SARS CoV2 风险评估）
摘要 目的 开发和验证一个有效且用户友好的人工智能平台，该平台基于一些无偏临床变量，结合先进的 CT 自动分析，用于 COVID-19 患者的风险分层。材料与方法 总共回顾性地纳入了第一波疫情（2020 年 2 月 16 日至 4 月 29 日）期间 16 家医院收治的 1575 名连续 COVID-19 成人，这些患者在入院后 72 小时内接受了胸部 CT 检查。总共初步收集了 107 个变量；从 CT 中提取了 64 个。结果是生存率。采用严格的 AI 模型选择框架进行模型选择和自动 CT 数据提取。比较了模型性能的 AUC。使用 Microsoft PowerApps 环境开发了一个 Web 移动界面。该平台已在第 2 波（2020 年 10 月 14 日至 12 月 31 日）期间前瞻性招募的 213 名 COVID-19 成年人身上进行了外部验证。结果 最终队列包括 1125 名患者（292 名非幸存者，26%）和 24 个变量。Logistic 在完整变量集上表现出最佳性能（AUC = 0.839 ± 0.009），就像在包含一组有限的 13 个和 5 个变量的模型中一样（AUC = 0.840 ± 0.0093 和 AUC = 0.834 ± 0.007）。对于非劣效性能，选择 5 个变量模型（年龄、性别、饱和度、通气良好的肺实质和心胸血管钙化）作为最终模型，并完全自动化提取 CT 衍生参数。全自动模型在第 1 波上显示 AUC = 0.842（95% CI：0.816–0.867），并用于构建 0-100 量表风险评分（AI-SCoRE）。在第 2 波上确认了预测性能（AUC 0.808；95% CI：0.7402–0.8766）。结论 AI-SCoRE 是一种有效可靠的平台，可基于一些无偏临床数据和 CT 自动分析对 COVID-19 患者进行自动风险分层。
停用4/6 Cyclin
在Covid-19-19第一波段期间匆忙采取的某些肿瘤学干预措施的影响仍然未知。进行了这项非惯用，回顾性的多中心研究，以评估转移性乳腺癌患者CDK 4/6i中断的后果。结果显示37％的患者疾病进展，肝转移患者的转移性疾病进展的风险显着增加。背景：在2019年冠状病毒病（COVID-19）第一波中做出的一些仓促医疗决定的影响仍然未知。我们已经评估了这些预防措施之一的后果：戒断细胞周期蛋白D依赖性激酶4/6抑制剂（CDK4/6I）在通过内分泌治疗和CDK 4/6i组合控制转移性疾病的患者中。方法：这项研究是非干预的，恢复的，多中心的，包括60例HR + HER2-转移性疾病的患者。通过内分泌治疗和CDK 4/6i的组合控制了他们的疾病。在第一次Covid-19爆发期间，CDK 4/6i被停止了两个月。进行了单变量分析，以评估与疾病前期相关的危险因素。结果：在这种治疗性休息期间，有22名（37％）患者患有放射学和/或临床疾病进展。中，CDK 4/6i被重新引入16例患者（n = 16/22; 73％）。由于四名患者的症状快速进展（n = 4/22; 18％），开始了一种新的治疗方法（化学疗法或靶向治疗）。在引入另一种抗肿瘤治疗之前，两名患者（n = 2/22）在内脏危机中死亡。在单变量分析中，肝转移的存在增加了CDK 4/6撤离期间转移性疾病进展的风险（OR = 6.6; 95％CI 1.87-23.22; p = .0033）。结论：在CDK 4/6i的两个月治疗中断期间，有37％的患者观察到进展。根据这些结果，对内分泌治疗的临床受益患者的CDK 4/6i治疗中断似乎不是一个合理的选择。