XiaoMi-AI文件搜索系统
World File Search System解和
胸部X光片诊断AI的诊断不足偏置可以通过数据集偏置属性进行分解和缓解
抽象不平等的诊断准确性是基于AI的模型的广泛关注点。然而，当前的偏差表征是狭窄的，并且无法说明上游数据收集的系统偏见，从而将AI性能的不平等现象与偏见混合在一起，这是由于数据集本身的分布差异。此差距具有广泛的含义，导致降低偏见的策略无效。我们介绍了一种新颖的回顾性模型评估程序，该程序识别并表征了解释人口级诊断差异的受保护群体之间的分布差异的贡献。在三个大规模的胸部射线照相数据集中，我们一直发现年龄和混淆图像属性（例如病理类型和大小）的分布差异有助于跨种族亚组的模型性能较差。通过系统地将观察到的不足诊断偏见归因于由于数据收购过程中的偏差或数据集偏见而引起的分布差异，我们提出了一种通用方法，用于解散不同类型的数据集偏置如何相互作用和化合物以造成可观的AI性能差异。我们的方法是可以采取行动的，可以帮助设计针对特定亚群的基础模型的目标干预措施，而不是忽略上游数据偏见不平等AI性能的系统贡献的方法。
2024年4月的提供商的见解和更新
研究表明，当与咨询和治疗结合使用时，丁丙诺啡等药物可有效治疗阿片类药物使用障碍（OUD），帮助维持康复，并预防或减少阿片类药物过量。近年来，开处方丁丙诺啡已经变得更加简单，随着删除该药物开处方的联邦豁免要求，以及人均患者限制的增加。此外，丁丙诺啡是医生，医生助理和护士从业者，可以在基于办公室或诊所或设施的基于办公室或设施的基于办公室或设施的情况下开处方或分配。
回顾牙周组织工程和骨再生的见解和进步
土壤和土壤 - 生物多样性保护是环境科学和政策中越来越重要的问题，需要对土壤生物多样性的高质量经验数据获得。在这里，我们提供了一个用于土壤生物多样性领域的公开数据仓库，Edaphobase 2.0，它为遵循公平的（可找到，可访问，可互动，可互动且可重复使用）的原则提供了全面的工具集，用于存储和重复国际土壤 - 生物多样性数据集。一个主要优势是用详尽的地理，环境和方法元数据注释生物多样性数据的可能性，从而可以进行广泛的应用和分析。系统和谐并将不同来源的异质数据集成到标准化的格式中，可以使用许多过滤器可能共同搜索，并提供数据探索和分析工具。Edaphobase具有严格的数据透明度策略，全面的质量控制，并且可以为单个数据集提供DOI。数据库目前包含> 35,0000个站点的450,000个数据记录，每年访问近14,000次。Edaphobase 2.0策划的数据可以极大地帮助研究人员，保护主义者和决策者理解和保护土壤生物多样性。
开处方长效注射药物的实用指南：临床知情的技术方面和算法方法，以增强临床实践中的理解和实施
临床抗精神病药有效性（CATIE）研究非常有充分的文献记载和支持，即精神分裂症谱系障碍的患者不能充分遵守药物。长效注射（LAI）药物始终被证明可以提高患有这些疾病患者的治疗。但是，导航可用的长效注射和提供者的选择性优先偏好的复杂性导致对这些有利的配方的优势不太优势。在本文中，我们总结了每种可用的药物，代表计算机生成的图形，以帮助了解剂量逻辑，并且易于遵循算法，以期将社区精神病医生和高级非医学精神病医生保健提供者提高LAI处方。
功能依赖性的前瞻性分类：机器学习的见解和加拿大的衰老纵向研究
摘要目的：func9onal依赖性是一种mul9factorial health condi9on a效果的幸福感和预期寿命。be3er了解这种condi9on的机制，我们的目的是iDen9fy变量，这些变量最好在日常生活的基本和仪器AC9VI9中对成年人进行最佳分类。方法：使用过滤方法从39,927名PAR9CIPANT收集的4,248个候选预测因子中选择最佳的func9onal状态预测指标，该预测因素在基线时为44至88岁。使用选定的基线变量（2010-2015）进行了几种机器学习模型，以在随访（2018-2021）（2018-2021）对训练数据集（n = 31,941）对加拿大加拿大加拿大对衰老的训练数据集（n = 31,941）进行随访（n = 31,941）对PAR9ONAL状态（依赖与独立）进行分类的能力进行了比较。然后在测试数据集（n = 7,986）上检查了最佳性能模型，以确保Sensi9Vity，Speciifity和精度。结果：将十八个候选基线变量偶然地成为随访时Func9onal状态的最佳预测指标。logis9c回归是通过func9onal状态对Par9cipant进行分类的最佳性能模型，并且在测试数据集中达到了81.9％的平衡精度。在基线上没有func9onal limita9ons，更强的抓地力，没有疼痛和慢性调节器，是女性，拥有驾驶员许可证和良好的记忆力与随访时的利用率更大。相比之下，年龄较大，心理困扰，缓慢行走，被重新进行，拥有一个或多个慢性疾病，并且从不去散步与随访时的func9onal依赖性更大。结论：func9onal身份可以最好地由健康状况，年龄，肌肉力量，短期记忆，身体AC9VITY，心理困扰和性别来表达。这些预测因子可以以高准确性在6年以前的构成状态。这是有依赖依赖风险的人们的早期IDEN9FIF CA9ON，允许9ME为Interaven9on的实现，旨在延迟Func9Onal的下降。关键字：衰老，运动，脆弱，记忆，疼痛，肌肉力量，物理Ac9vity，视力
食品安全见解和新兴风险 - 2024年11月21日
以下是新西兰食品系统感兴趣的公开信息的消化。互联网来源，评论，新闻媒体和科学出版物会定期审查有关变化的事件或迹象，这可能与食物的安全有关。项目的相关性和有效性符合健康，不确定性，未来，成本和信任的广泛标准，对项目进行了筛选和选择。整体收集或包括任何特定项目都不表明新西兰食品安全（NZFS）或新西兰政府政策的认可。每一个效果都是为了确保内容准确地反映了文档页脚中指出的“信息的最后日期”的信息。请注意文本中的超链接，请参阅NZF控制之外的外部Internet资源。读者应在依靠此处或参考网站上摘要的内容之前接受建议。这些信息是为了新西兰食品业务的利益而提供的，并且不构成法律建议或官方方向。食品企业应考虑此信息，并在适当的情况下将学习应用于其食品管理系统。
蛋白水解靶向嵌合体 (PROTAC) 用于靶向蛋白质降解和癌症治疗
蛋白水解靶向嵌合体 (PROTAC) 已被开发为一种有用的靶向蛋白质降解技术。双功能 PROTAC 分子由目标蛋白质 (POI) 的配体（主要是小分子抑制剂）和 E3 泛素连接酶 (E3) 的共价连接配体组成。与 POI 结合后，PROTAC 可以募集 E3 进行 POI 泛素化，然后进行蛋白酶体介导的降解。PROTAC 补充了基于核酸的基因敲除/敲除技术，用于靶向蛋白质减少，并可以模拟药理学蛋白质抑制。迄今为止，已成功开发出靶向约 50 种蛋白质的 PROTAC，其中许多是经过临床验证的药物靶标，其中几种正在进行癌症治疗的临床试验。本文回顾了 PROTAC 介导的癌症（特别是血液系统恶性肿瘤）中关键癌蛋白的降解。总结了这些PROTAC的化学结构、细胞和体内活性、药代动力学和药效学。此外，还讨论了PROTAC技术在癌症治疗中的潜在优势、挑战和前景。
建立一支强大且具有代表性的野火缓解和管理队伍
野火救援人员一直是全球关注的焦点，这是有充分理由的。最近几年的灾难性火灾给野火响应系统带来了巨大压力，包括广泛的资源短缺以及消防员的疲劳和倦怠。人们越来越普遍地认识到，社会必须与火灾建立一种新的关系——这种关系需要创新的土地管理方法，以管理社会生态健康而不是火灾。为了打破火灾状况不断恶化、工作人员负担越来越重以及响应者和社区面临更严重风险的循环，有必要进行主动投资，以准备、减少和建立对建筑和自然环境以及人员的野火影响的抵御能力。然而，有许多挑战阻碍了这种模式转变的实现，包括劳动力能力不足以满足日益扩大的野火风险管理需求，而不仅仅是灭火；劳动力持续同质化；社区参与和影响火灾管理决策的机会不足；以及消防管理人员过度依赖灭火实践。
道德AI具有平衡偏见缓解和公平性的机器学习模型
摘要 - 将人工智能（AI）的快速整合到诸如医疗保健，金融和刑事司法等关键领域已引起了重大的道德问题，尤其是围绕机器学习模型中的偏见和公平性。尽管它们有可能改善决策过程，但这些模型仍可以使现有的社会偏见永存甚至加剧。本研究旨在调查AI系统中缓解偏置的方法，重点是平衡公平和性能。对2018年至2023年之间发表的150篇研究文章进行了系统评价，并在25个基准数据集上进行了实验，以评估各种机器学习算法和缓解偏差的技术。结果表明，在模型培训期间，偏差降低了23％，九个公平度指标的平均提高了17％，尽管总体准确性最高为9％。该研究强调了公平与绩效之间的权衡，这表明创建既公平又有效的AI系统仍然是一个持续的挑战。这些发现强调了对解决偏差的自适应框架的需求，而不会显着损害模型性能。未来的研究应探讨特定于领域的适应和可扩展的解决方案，以在整个AI开发过程中整合公平性，以确保更公平的结果。
图像胜于雄辩：从因果中介的角度来理解和减轻视觉模型中的偏见
在广泛的数据集上预先训练的视觉语言模型（VLMS）可以通过将性别信息与特定对象或场景相关联，无意中地学习偏见。当前方法，该方法着重于修改输入并监视模型的输出概率分数的变化，通常从模型组件的角度来全面地偏见。我们提出了一个框架，该框架结合了因果中介分析，以确保并绘制VLM中偏见产生和传播的途径。我们的框架适用于广泛的视觉语言和多模式任务。在这项工作中，我们将其应用于对象检测任务并将其应用于GLIP模型。这种方法使我们能够确定干预措施对模型偏差的直接影响以及干预措施对通过不同模型组件介导的偏差的间接影响。我们的结果表明，图像效果是偏见的主要因素，其影响明显高于文本特征，特别是占MSCOCO和PASCAL-SONTIC数据集中偏见的32.57％和12.63％。值得注意的是，图像编码器的贡献超过了文本编码器和深层融合编码器的贡献。进一步的实验证实，语言和视力方式的贡献是对齐和不集中的。因此，在图像编码器中着重于模糊的性别表示，这对模型偏见做出了最大的贡献，在MSCOCO和PASCAL-SENTENCE数据集中，有效地降低了偏见22.03％和9.04％，并且具有最小的性能损失或增加的计算需求。1