XiaoMi-AI文件搜索系统
World File Search System耗力
小鼠模型
携带分子有效载荷的药物纳米颗粒 (NP) 用于诊断和医疗等医疗目的。目前，发现一种新的有效临床治疗应用候选药物的研究过程是一个耗时耗力的过程，因为 NP 的行为方式不确定，需要进行大量实验来研究用于临床的 NP 药物的特性。众所周知，计算机实验是研究生物和临床系统以及评估药物效率的有力工具，可以显著减少所需的体内实验次数。为此，在本研究中，我们提出了一种基于 NP 的药物的新型时空药代动力学-药效学 (PKPD) 模型。所提出的模型考虑了心血管系统中的血流以及药物流动过程中和目标部位发生的 PKPD 动态。我们利用 13 种不同的 NP 在小鼠身上进行五次体内实验，结果表明，与之前的模型相比，所提出的模型具有更好的保真度。
使用选择性搜索和脉冲耦合神经网络特征提取进行脑肿瘤检测
摘要。基于磁共振图像 (MRI) 分析识别脑中的肿瘤组织是一项具有挑战性且耗时的任务，高度依赖于放射科医生的专业知识。由于肿瘤的及时诊断往往是患者生存的固有因素，因此，减少花在 MRI 手动分析上的时间，同时提高检测过程的准确性至关重要。为了解决这些问题，许多研究工作已经调查了高效的计算机视觉系统。它们为协助医疗保健提供者建立快速、更准确的肿瘤检测、分类和分割提供了新的机会。然而，这些解决方案通常基于深度学习方法，开发和调整这些解决方案仍然耗时耗力，同时导致决策系统缺乏可解释性。在本研究中，我们通过使用选择性搜索 (SS) 算法结合简化的脉冲耦合神经网络 (PCNN) 进行视觉特征提取和检测验证来解决脑肿瘤检测任务，以应对这些问题。
使用 DNA 宏条形码进行丰度估计
全球生物多样性正以惊人的速度下降，迫切需要进行大规模监测以了解其变化及其驱动因素。虽然传统的物种分类学鉴定耗时耗力，但与基于 DNA 的方法相结合可以扩大监测活动的规模，以实现更大的空间覆盖范围和增加采样工作量。但是，当需要估计每个物种的个体数量和/或生物量时，基于 DNA 的方法仍然存在挑战。已有多种方法学进展可提高 DNA 宏条形码用于丰度分析的潜力，但仍需要进一步评估。在这里，我们讨论了实验室以及一些生物信息学对 DNA 宏条形码工作流程的调整，以了解它们从节肢动物群落样本中估计物种丰度的潜力。我们的综述包括标本拍照等实验室前处理方法、使用掺入 DNA 作为内标等实验室方法以及校正因子等生物信息学进展。我们得出的结论是，标本摄影与 DNA 条形码相结合目前最有可能实现对每个物种个体数量和生物量估计的估计，但诸如峰值和校正因子等方法是有希望进一步研究的方法。
人工智能在评估牲畜情感状态中的应用
为了促进农场动物的福利，需要能够识别、记录和监测它们的情感状态。许多研究表明，就像人类一样，非人类动物也能够感受到痛苦、恐惧和快乐等情绪。虽然对单个动物进行行为测试以识别积极或消极状态是一项耗时耗力的任务，但人工智能和机器学习开辟了一个全新的科学领域，可以自动识别生产动物的情绪。通过使用传感器和监测情感状态变化的间接测量，自学计算机制将能够有效地对情绪进行分类，从而帮助农民做出相应的反应。这种可能性不仅是一种改善动物福利的有效方法，而且早期发现压力和恐惧还可以提高生产力并减少农场对兽医协助的需求。尽管人类研究中的情感计算越来越受到关注，但从人类情感中获得的知识尚未应用于非人类动物。因此，应采取多学科方法，结合情感计算、生物工程和应用动物行为学等领域，以解决当前尚未克服的理论和实践障碍。
血液透析指南 - 结核病筛查和随访...
体内有细菌但没有活动性结核病的证据。这意味着该人没有结核病症状，没有与活动性结核病一致的放射学变化的证据，微生物学检测呈阴性。LTBI 不具传染性；但是，如果不及时治疗，被诊断为 LTBI 的健康人一生中发展为活动性结核病的风险为 5-10%。当存在其他风险因素（例如终末期肾病）时，这一比例会显著增加，引用的相对风险范围是背景发病率的 7 至 50 倍（加拿大结核病标准，第 7 版，2014 年）。本指南提供了旨在通过对透析患者进行意外筛查和识别及治疗 LTBI 来降低不列颠哥伦比亚省慢性肾病 (CKD) 人群中活动性结核病发病率的建议。治疗 LTBI 患者将减少透析人群中的活动性结核病病例数，避免耗时耗力的接触随访。反过来，更少的活动性病例将减少结核病在更大的 CKD 人群中的传播。本指南推荐的透析患者结核病筛查项目包括3个部分：
多通道人机交互信息融合的智能方法
结构在运行时可以做到即使某一个模态信息缺失整个网络也能取得不错的效果 , 在多通道情感识别、 语义理解、目标学习等领域取得很好的效果 .尽管如此 , 这类网络相对于任务来说还是相对 “ 具体 ”, 如 果要换一个任务 , 用户就需要修改网络结构包括重新调整参数 , 这使得深度神经网络结构的设计是一 个耗时耗力的过程 .因此研究者们希望一个混合的神经网络结构可以同时胜任多个任务 , 以减少其在 结构设计和训练方面的工作量 .鉴于此 , 研究者开始致力于首先采用大数据联合训练构建出多通道联 合特征分享层 , 然后在识别阶段可以同时进行多任务处理的深度多模态融合结构 .如 Google 的学者 尝试建议一个统一的深度学习模型来自适应地适配解决不同领域、不同数据模态下的多个不同类型 的任务 , 且在特定任务上的性能没有明显损失的模型 [71] .该模型构架请见文献 [71] 的图 2, 由处理输 入的编码器、编码输入与输出混合的混合器、混合输出的解码器 3 个部分构成 , 文献 [71] 的图 3 给 出了这 3 个部分的详细描述 .每一个部分的主体结构类似 , 均包含多个卷积层、注意力机制和稀疏门 控专家混合层 .其中 , 不同模块中的卷积层的作用是发现局部模式 , 然后将它泛化到整个空间 ; 注意力 模块和传统的注意力机制的主要区别是定时信号 , 定时信号的加入能让基于内容的注意力基于所处的 位置来进行归纳和集中 ; 最后的稀疏阵列混合专家层 , 由前馈神经网络 ( 专家 ) 和可训练的门控网络组 成 , 其选择稀疏专家组合处理和鉴别每个输入 .
基因组编辑用于蔬菜作物改良
蔬菜作物因其在平衡人类饮食中发挥的潜在作用而被称为保护性食物，尤其是对于素食者来说，因为它们是维生素和矿物质以及膳食纤维的丰富来源。许多生物和非生物胁迫威胁着这些作物的生长、产量和品质。这些作物的育种行为为一年生、二年生和多年生。传统的育种策略在改良经济作物性状方面面临许多挑战。在大多数情况下，将有用性状渗入种质需要大量的回交和严格的选择压力，这是一个耗时耗力的过程。植物科学家通过使用被称为成簇的规律间隔的短回文重复序列 (CRISPR)-CRISPR 相关蛋白-9 (Cas9) 的革命性育种方法，更精确、更准确地改良了作物的产量、品质、生物胁迫抗性、非生物胁迫耐受性等经济性状并提高了营养品质。该技术具有突变效率高、脱靶后果少和操作简单等特点，因此可以通过基因定向突变获得新的种质资源。即使在使用传统方法难以培育的复杂基因组中，它也有助于诱变反应。随着全基因组测序的发展，重要基因功能的揭示促进了 CRISPR-Cas9 编辑对所需靶基因进行突变。该技术加快了具有更好农业经济性状的新种质资源的创造。本综述详细描述了 CRISPR-Cas9 基因编辑技术及其在蔬菜栽培中的潜在应用、面临的挑战和未来前景。
读者对 AI 的看法以及对 CT 评估的影响......
空气滞留和闭塞性细支气管炎是弥漫性肺损伤的重要途径，由小气道炎症阻塞引起。它们见于各种呼吸系统疾病，包括慢性阻塞性肺病 (COPD) (1)、移植物抗宿主病、闭塞性细支气管炎综合征 (BOS)、肺移植患者的慢性排斥或同种异体移植功能障碍 (2,3)、囊性纤维化和过敏性肺炎等 (3-5)。这些疾病在胸部 CT 扫描上有共同的表现，即在吸气期和呼气期图像之间观察到肺部衰减的马赛克图案和实质衰减变化的消失 (6)。空气滞留的测量结果也可用于评估治疗效果和长期进展，特别是在 COPD 和肺移植中 (7-9)。虽然放射科医生对胸部 CT 扫描的解释仍然是临床标准，但检测空气滞留是一项视觉上困难的任务 (7)。有证据表明，定量 CT 方法有可能在粒度级别上检测和分级诸如空气滞留之类的特征 (1,10)，并预测 BOS 等疾病过程的结果 (11-13)。定量测量显示出好处，但可能耗时耗力 (14)。利用卷积神经网络的机器学习算法有可能实现定量测量的自动化 (15,16)，并可能使其在临床上更可行。尽管它们具有能力，但如何将这些能力转化为实际结果仍不确定
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
利用位置信息改进基于块的卷积神经网络进行 MRI 脑肿瘤分割
手动脑肿瘤注释过程耗时耗力，因此，对自动化、精准的脑肿瘤分割工具的需求十分巨大。在本文中，我们介绍了一种新方法，将位置信息与最先进的基于块的神经网络相结合，用于脑肿瘤分割。这是基于以下观察结果：病变并非均匀分布在不同的脑分区区域中，而局部敏感的分割可能会获得更好的分割精度。为此，我们使用蒙特利尔神经研究所 (MNI) 空间中现有的脑分区图谱，并将该图谱映射到单个受试者数据。受试者数据空间中的映射图谱与结构磁共振 (MR) 成像数据相结合，并训练基于块的神经网络（包括 3D U-Net 和 DeepMedic）对不同的脑病变进行分类。在提出的两级集成方法中，训练了多个最先进的神经网络并将其与 XGBoost 融合相结合。第一级通过不同的种子初始化来降低同一类型模型的不确定性，第二级利用不同类型的神经网络模型的优势。所提出的位置信息融合方法提高了包括 3D U-Net 和 DeepMedic 在内的最先进网络的分割性能。与 BraTS 2017 中最先进的网络相比，我们提出的集成还实现了更好的分割性能，并与 BraTS 2018 中最先进的网络相媲美。在公共多模态脑肿瘤分割 (BraTS) 基准上提供了详细结果。