XiaoMi-AI文件搜索系统
World File Search System素学
通过非小细胞肺癌的脑转移的MRI放射素学预测生存持续时间
肺癌是第二常见的癌症（1）。非小细胞肺癌（NSCLC）占所有肺癌病例的85–90％，NSCLC患者中有30-50％会发展出脑转移（2，3）。尽管在治疗方面取得了进步，但肺癌脑转移患者的存活持续时间仍然很短，诊断后4-8个月的中位生存期较差（4）。分子特征有助于确定癌症患者是否会对靶向疗法产生反应，从而延长生存率（5）。肺癌的分子检测通常用于编码表皮生长因子受体（EGFR），播种淋巴瘤激酶（ALK）和Kirsten大鼠肉瘤病毒性癌基因同源物（KRAS）的基因（6-8）。可以穿透中枢神经系统的分子靶向药物在患有可起作用突变的肺癌的脑转移患者的患者中有改善的结局。例如，酪氨酸激酶抑制剂（如厄洛替尼）在治疗EGFR突变患者的脑转移方面有效（9）。因此，分子突变状态的知识对于计划个性化治疗和预测生存至关重要。通过侵入性活检或手术切除的病理组织确认和脑转移的分子表征并不总是可能或实用。相比之下，神经影像学方法（例如脑磁共振成像（MRI））通常用于非侵入性评估整个大脑以诊断和计划脑转移患者的治疗方法。我们此外，根据主要NSCLC的突变状态，脑转移可能具有各种成像特征（10）。然而，对于脑转移的神经成像特征与NSCLC突变亚型的生存预测之间的关系知之甚少。有未满足的需要鉴定非侵入性神经影像学生物标志物，以预测可能具有三种最常见突变之一的NSCLC患者，即EGFR，ALK或KRAS。放射线学是一种计算机化方法，可从非侵入性标准医学图像中提取高维数据（11）。它可以提供肿瘤异质性与侵略性相关的详细表征，而侵袭性对人的眼睛不可感知（12，13）。此外，将成像特征与分子和免疫特征联系起来将贡献对癌症治疗和预后至关重要的有价值的信息（14）。此外，放射线方法允许在多个时间点对治疗反应和预后进行非侵入性分析，使用侵入性活检是不可行的或实际的。放射性评分结合了有关关键成像特征的信息，已显示出可能作为预测肺癌和乳腺癌患者生存的生物标志物的潜力（13、15、16）。然而，据我们所知，没有发表的研究使用脑转移的放射分析来根据其突变状态预测NSCLC患者的生存时间。在这里，我们对NSCLC患者的脑转移进行了MRI放射分析。
标题：深度神经素学：对有意识的经验的某些特征及其在主要抑郁症中的干扰
标题：深度神经素学：对某些有意识的经验的某些特征及其在主要抑郁症作者中的干扰的积极推断：Maxwell J. D. Ramstead 1,2,3 Wanja Wiese 4 Mark Miller 5，6 Karl J. Friston 3机构3机构：1。加利福尼亚州麦吉尔大学精神病学系社会和跨文化精神病学系。2。文化，思想和大脑计划，麦吉尔大学，加利福尼亚大学。3。Wellcome人类神经影像学信托中心，英国伦敦大学学院。4。哲学系，德国约翰内斯·古腾堡大学。5。英国苏塞克斯大学的信息系。6。日本北海道大学人工智能和神经科学中心中心。致谢：我们非常感谢Mahault Albarracin，Axel Constant，David Foreman，Laurence Kirmayer，Julian Kiverstein和Michael Lifshitz对撰写本文有很大帮助的有益评论和讨论。这项研究得到了加拿大社会科学与人文研究委员会（MJDR）的支持，即2020年欧盟ERC Advanced Grant Xspect（MM; Ref：DLV-692739），以及Wellcome Trust Trust Princtal Research研究奖学金（KF; Ref;参考：088130/Z/Z/09/Z）。摘要：本文旨在利用自由能原则和积极的推论来理解人类第一人称意识经历的某些中心方面。更确切地说，我们通过自由能原理和主动推论探索了人类第一人称意识经历的两个核心方面。我们研究了积极推断如何能够解释有意识的经验的时间嵌套以及根据现象学哲学的第一人称体验的关注或关心。我们调查了抑郁症中这些特征的细分，并通过吸引主动推理框架来解释抑郁现象学的一些核心方面。
AI学习数据质量提升支持工具
AI学习数据质量改进支持工具将物体检测中误识别或未检测的原因可视化，从而轻松提高识别率。 通过在深度学习过程中使用此工具，可以缩短使用 RZ/V 系列的视觉 AI 应用程序的开发时间。
sc tokai应用物理学会学术演讲（JSAP SCTS 2014）
简介：在过去的几十年中，碳纳米材料（例如碳纳米纤维（CNF）和石墨烯）由于其宏伟的特性而引起了强烈的科学兴趣[1，2]。关于石墨烯的大部分研究都是针对合成高质量和大面积石墨烯方法的探索。有希望的方法是脉搏激光沉积和化学蒸气沉积。虽然在理解石墨烯合成方面已经取得了重要成就，但它们的形成机制尚不清楚。现场技术的最新进展现在为研究原子水平研究固相相互作用的新可能性提供了新的可能性。在这里，我们报告了通过原位透射电子显微镜（TEM）直接观察到铜含有铜纳米纤维（CU-CNFS）的结构转化。实验：使用kaufmann型离子枪制造Cu-CNF（iontech。Inc. Ltd.，模型3-1500-100FC）。所使用的样品是尺寸为5x10x100 µm的市售石墨箔。通过在CNFS生长过程中连续供应Cu，在室温下用1 keV ar +离子辐射石墨箔的边缘。在其他地方详细描述了离子诱导的CNF生长机理的细节[3]。然后将Cu-CNF安装在200 kV的TEM（JEM2010，JEOL CO.，JEOL CO.）的阴极微探针上，并研究了Cu-CNFS向石墨烯的结构转化，在电流 - 电压（I-V）测量过程中进行了研究。结果和讨论：在I-V测量过程中，高温是通过Cu-CNF结构中的Joule加热获得的。焦耳CNF的加热导致其表面石墨化，最后在转化为严重扭曲的石墨烯中。tem图像表明，最初，CNF在本质上是无定形的，而I-V过程中的电流流动引起了CNF的晶体结构的急剧变化，形成了石墨烯的薄层（1-3层）。作为结果，在产生的电流大大增加的情况下，改进了结构的电性能，比初始值高1000倍（从10 -8到10 -5 a）。该过程采用三个步骤进行：Cu纳米颗粒的聚集，无定形碳扩散到Cu中，以及在进一步加热下的Cu纳米颗粒的电迁移。
基于整体学习的放射素学模型，用于区分胶质母细胞瘤的脑转移
目的：术前脑转移（BM）和胶质母细胞瘤（GBM）之间的区分由于它们在常规脑MRI上的相似成像特征，因此在术前具有挑战性。这项研究旨在通过基于MRI放射学数据的机器学习模型来增强诊断能力。方法：这项回顾性研究包括235例确认孤立性BM和273例GBM患者。患者被随机分配到培训（n = 356）或验证（n = 152）队列中。获得了传统的大脑MRI序列，包括T1加权成像（T1WI），对比-Enhanced_T1WI和T2加权成像（T2WI）。在所有三个序列上都描绘了脑肿瘤并分段。从人口统计学，临床和放射线数据中选择了特征。一个集成的集成机器学习模型，即弹性回归SVM-SVM模型（ERSS）和组合人口统计学，临床和放射线数据的多变量逻辑回归（LR）模型是用于预测性建模的。使用歧视，校准和决策曲线分析评估模型效率。此外，使用由47例GBM患者和43例孤立BM患者组成的独立队列进行外部验证，以评估ERSS模型的推广性。Results: The ERSS model demonstrated more optimal classification performance (AUC: 0.9548, 95% CI: 0.9337 – 0.9734 in training cohort; AUC: 0.9716, 95% CI: 0.9485 – 0.9895 in validation cohort) as compared to the LR model according to the receiver operating characteristic (ROC) curve and decision curve for the internal cohort.外部验证队列的最佳性能较低但仍然稳健（AUC：0.7174，95％CI：0.6172 - 0.8024）。具有多个分类器的集成的ERSS模型，包括弹性网，随机森林和支持向量机，产生了可靠的预测性能，并且表现优于LR方法。结论：结果表明，集成的机器学习模型，即ERSS模型，具有有效，准确的BM与GBM的术前分化的潜力，这可能会改善临床决策和脑肿瘤患者的结果。