XiaoMi-AI文件搜索系统
World File Search System视觉功能
视觉功能
从眼睛到大脑：视觉是一个复杂的过程，始于眼睛。为了看到眼睛所看到的东西，眼睛的视觉信号必须发送到大脑。大脑中直接从眼睛接收信息的最重要区域之一是丘脑，它是大脑深层中心的结构。信息从那里传递到大脑后叶，即枕叶皮质。皮质是一种特殊的大脑组织，皮质区域专门用于各种不同的功能。例如，皮质有助于形成我们的记忆、解释和产生语言和言语、处理来自五种感官的信息，并有助于控制自主运动。枕叶皮质是专门用于视觉的区域。枕叶皮质从丘脑接收到视觉信息后，会向丘脑提供反馈，以控制我们关注的视觉信息，同时还会将信息发送到大脑的其他区域，以便我们能够根据所见采取行动或识别所见并将其与存储的记忆进行比较。除了皮质之外，眼睛还会将信息发送到我们的脑干和一个称为下丘脑的区域；发送到这些区域的重要视觉信息有助于我们的大脑控制眼球运动、眼睛的聚焦能力以及睡眠-觉醒周期。
通过腺嘌呤碱基编辑遗传性视网膜疾病的成年小鼠的视觉功能恢复
胞嘧啶碱基编辑器和腺嘌呤碱基编辑器（ABE）可以可预测地校正点突变，并且独立于CAS9诱导的双链DNA断裂（这会导致实质性的indel形成）和同源性指导的修复（通常会导致较低的编辑效率）。在此，我们在成年小鼠中表明，在RPE65基因中，态慢性病毒的下视网膜下注射表达ABE和单一指导RNA，靶向从RPE65基因进行的无义突变纠正了致病性突变，可纠正效率高达29％的效率，并在indel和oft oft oftarget的突变中均具有最小的效率，但均具有29％的效率，并且是不可或缺的效率。主题。ABE处理的小鼠显示了恢复的RPE65表达和类视黄素异构酶活性，以及视网膜和视觉功能的接近正常水平。我们的发现激发了对
通过腺嘌呤碱基编辑恢复患有遗传性视网膜疾病的成年小鼠的视觉功能
胞嘧啶碱基编辑器和腺嘌呤碱基编辑器 (ABE) 可以可预测地纠正点突变，并且不受 Cas9 诱导的双链 DNA 断裂（导致大量插入/缺失形成）和同源定向修复（通常导致低编辑效率）的影响。本文，我们在成年小鼠中表明，视网膜下注射表达 ABE 的慢病毒和针对 Rpe65 基因中新生无义突变的单向导 RNA 可以纠正致病突变，效率高达 29%，并且插入/缺失和脱靶突变的形成最少，尽管没有典型的 NGG 序列作为原间隔区相邻基序。经 ABE 处理的小鼠显示恢复的 RPE65 表达和类视黄酸异构酶活性，以及接近正常水平的视网膜和视觉功能。我们的发现促使进一步测试 ABE 以用于
较高的视觉功能缺陷独立于脑视觉障碍儿童的视觉敏锐度度量
脑视觉障碍（CVI）是儿童双边视觉障碍的主要原因，通常以视觉敏锐度（VA）损失（VA）丢失和较高的视觉功能缺陷（HVFD）为特征。但是，VA损失与HVFD之间的关系仍然未知。先前使用较高视觉函数问题清单（HVFQI）的研究表明，正常的VA并未排除HVFD。在这项对CVI儿童的前瞻性对照研究中，我们研究了HVFD和VA损失程度之间的关系，以完善我们对这种关系的理解。我们介绍了两个新指数 - HVFD频谱和严重性 - 以全面了解CVI如何影响单个孩子和整个队列。我们还进行了分析，以确定HVFQI在引发HVFD的有效性，并对HVFD与年龄之间的关系进行初步分析。研究参与者包括59名CVI儿童（年龄：9.87±3.93岁[平均±SD]；双眼VA：0.35±0.34 log Mar。）和120个具有正常视力的神经型（NT）儿童（年龄：8.7±2.8岁；双眼VA：0.14±0.16 logmar）。临床病史和注释独立证实了CVI的诊断。父母接受了HVFQI的采访，并使用五级李克特量表记录了他们的回答。Mann - Whitney U-Test（MWU）确定了HVFQI区分CVI和NT参与者的能力；费舍尔的精确测试（FET）和D-可变性的希尔伯特 - 西米特独立标准（DHSIC）评估了HVFDS和VA之间的独立性。使用DHSIC分析支持这些发现（P -Value 0.784）。CVI（频谱：0.65±0.24，严重程度：3.1±0.77）和NT（频谱：0.12±0.17，严重性：1.42±0.49）的平均光谱（范围0-1）和严重程度（范围1-5）指标（0.65±0.24，严重程度：3.1±0.77）。mwu（p -value <0.00001）证实了HVFQI将CVI与NT儿童区分开的能力。FET报告的p值为0.202，这表明数据在HVFDS的严重程度与VA之间没有任何关系。基于这些结果，我们敦促除了VA措施外，还需要对HVFD的所有怀疑CVI的儿童进行评估。HVFQI可能会增加我们对视觉感知，认知和视觉指导作用的神经基础的理解，并带领我们朝着CVI的概念模型迈进，转化为临床实践改进。
初级视觉皮层的解剖学和神经生理学数据足以重现类似大脑的视觉功能多路复用
10 处理视觉信息的大脑神经网络具有与人工智能中常用于视觉处理的神经网络（例如卷积神经网络 (CNN)）的结构特性截然不同的结构特性。但这些结构差异与网络功能之间的关系仍不得而知。我们分析了 V1 区大规模模型的视觉处理能力，该模型可以说是目前最全面的解剖和神经生理数据积累。事实证明，其网络结构可以诱导大脑的许多典型视觉处理能力，特别是能够多路复用不同的视觉处理任务，也可以处理时间分散的视觉信息，并且对噪声具有显著的鲁棒性。该 V1 模型还表现出大脑的许多典型神经编码特性，这解释了其出色的噪声鲁棒性。由于大脑中的视觉处理比常见计算机硬件中 CNN 的实现更加节能，这种类似大脑的神经网络模型也可能对技术产生影响：作为更节能的神经形态硬件中视觉处理的蓝图。
针对眼部疾病的体内 CRISPR 基因编辑疗法
BCVA：最佳矫正视力；CVFQ：儿童视觉功能问卷；FST：全视野光敏感度阈值；NEI VFQ：美国国家眼科研究所视觉功能问卷-25；NHS：自然史研究；OCI：眼球运动控制和不稳定性；OCT：光学相干断层扫描；ONL：外核层；Ora-VNC：Ora 视觉导航挑战
CEP290 相关视网膜变性的基因编辑
方法 我们进行了一项 1-2 期开放标签单次递增剂量研究，其中患有由纯合或复合杂合 IVS26 变异引起的 CEP290 相关遗传性视网膜变性的 3 岁或以上人群，在病情较重的（研究）眼睛接受 EDIT-101 视网膜下注射。主要结果是安全性，包括不良事件和剂量限制性毒性作用。关键的次要疗效结果是最佳矫正视力相对于基线的变化、使用全视野刺激测试 (FST) 检测到的视网膜敏感度、Ora-视觉导航挑战移动性测试的得分、以及美国国家眼科研究所视觉功能问卷-25（成人）或儿童视觉功能问卷（儿童）的视觉相关生活质量评分。
人工智能助力 H&E 复兴
深度学习 (DL) 是人工智能的一个子领域，它充分利用了人工神经网络的潜力，尤其是具有多个非线性“深层”的卷积神经网络 (CNN)，在解决基于图像的问题方面取得了巨大成功 [2]。例如，CNN 已成功识别人脸、交通标志和物体、汽车、动物，使机器人和自动驾驶汽车具有视觉功能，最近，它还使医疗应用具有视觉功能。这些神经网络在多个分类和分割任务中表现出了人类水平的性能。CNN 的性能通常通过准确度、灵敏度、特异性、精确度、召回率（也称为真阳性率 (TPR)）和假阳性率 (FPR)（等于 1 - 特异性）来评估。实际上，TPR 和 FPR 之间总是存在权衡，就像在医学领域经常面临的灵敏度和特异性之间的权衡一样，必须在训练模型的性能中找到假阳性和假阴性之间的平衡。例如，可以绘制接收者操作特性曲线（ROC 曲线），即在不同分类阈值下绘制 TPR 与 FPR 的曲线，然后可以找到一个在 TPRi 和 FPRi 之间达到令人满意的平衡的操作点（TPRi、FPRi）。为了使用单一性能指标（曲线下面积 (AUC)）评估和比较经过训练的 AI 模型的性能，整个