XiaoMi-AI文件搜索系统
World File Search System解读
解读医疗保健黑箱 AI 时代的美国侵权责任
* 法学助理教授，（马斯特里赫特）法律与技术实验室，马斯特里赫特欧洲私法研究所，马斯特里赫特大学，荷兰；研究团队成员，验证 AI 在实时手术中对癌症进行分类（CLASSICA），欧盟（资助协议编号 101057321），宾夕法尼亚州立大学迪金森法学院，美国宾夕法尼亚州卡莱尔。** 法学助理教授，宾夕法尼亚州立大学迪金森法学院，美国宾夕法尼亚州卡莱尔；联合首席研究员，WP8（法律、伦理和责任），验证 AI 在实时手术中对癌症进行分类（CLASSICA），欧盟（资助协议编号 101057321）；联合首席研究员，WP4（解决伦理/法律问题），通过人工智能个性化治疗优化结直肠癌预防（OperA），欧盟（资助协议编号 101057099）；多项首席研究员，生物伦理、法律和人类学技术研究 (BLAST)，国家生物医学成像和生物工程研究所 (NIBIB) 和国立卫生研究院院长办公室 (NIH OD)（资助协议编号 1R21EB035474-01）；联合研究员（补充项目），PREMIERE：预测模型索引和交换存储库，NIBIB 和 NIH OD（资助协议编号 3R01EB027650-03S1）；联合研究员，宾夕法尼亚州立大学 TCORS：烟草产品成分对毒性和成瘾的影响，国家药物滥用研究所 (NIDA)/国立卫生研究院 (NIH)（资助协议编号 1U54DA058271-01）。本文被选为 2024 年 AALS 年会上 AALS 法律、医学和医疗保健部门的“法律、医学和医疗保健新声音”计划。本文受益于德克萨斯 A&M 大学法学院年度卫生法会议、生物科学监管与创新 (RIBS) 研讨会和 AALS 年会参与者的反馈。对于有用的评论和对话，我们要感谢 Valarie Blake、Anjali Deshmukh、Wendy Netter Epstein、George Horvath、Nicole Huberfeld、Ryan Knox、Craig Konnoth、Matthew Lawrence、Myrisha S. Lewis、Brendan Maher、Elizabeth McCuskey、Govind Persad、Jessica Roberts、Christopher Robertson、David A. Simon、Michael Sinha、Charlotte Tschider、Allison Whelan 和 Carleen Zubrzycki。我们感谢 Kaci McNeave 和 Robin Platte 提供的出色研究协助。所有错误都是我们自己的。
CDP 政策解读：欧盟企业
因此，应考虑采取渐进式方法来提高可持续性信息所需的保证水平，首先要求法定审计师或审计公司在有限的保证业务基础上对可持续性报告是否符合欧盟要求发表意见。该意见应涵盖可持续性报告是否符合 ESRS；企业根据可持续性报告标准识别报告信息的过程；以及是否符合以机器可读格式标记可持续性报告的要求。审计师还应评估企业的报告是否符合《欧盟分类法规》第 8 条的报告要求。
Urooj Nasrullah 等人。解读人工智能对组织文化演变和转型的影响。心理学心理学研究国际杂志 2024, 9(1): 000385。
人工智能 (AI) 是一套独特的技术，在商业经济中占有重要地位。它是一种很有前途的工具，给全世界带来了巨大的颠覆。如今，人工智能改变了几乎每个行业，使组织重塑了其商业文化。由于传统公司一直在努力挖掘其潜力，许多组织仍然缺乏对其便利性和用途的认识。因此，为了弥合这一差距，本章将探讨人工智能在协助商业文化方面发挥的关键作用。鉴于其主要特点和优势，本章介绍了有关人工智能管理组织文化变革的有趣文献。它建议建立一种有利的数字文化。此外，这种观点强调了关键的人工智能方法，从根本上使读者能够重新评估人工智能的有效性。总而言之，它使研究人员、专业人士和组织受益于 AI 和 OC 的作用。
植物免疫中的 NLR 受体：解读字母汤
植物协调使用细胞表面和细胞内的免疫受体来感知病原体并发起免疫反应。病原体识别的细胞内事件主要由核苷酸结合和富含亮氨酸重复序列 (NLR) 类免疫受体介导。在感知病原体后，NLR 会触发强大的广谱免疫反应，通常伴有一种称为过敏反应的程序性细胞死亡形式。一些植物 NLR 充当多功能单细胞受体，结合了病原体检测和免疫信号传导。然而，NLR 也可以在功能专门互连受体的高级对和网络中发挥作用。在本文中，我们介绍了植物 NLR 生物学的基本方面，重点介绍了 NLR 网络。我们重点介绍了 NLR 结构、功能和激活方面的一些最新进展，并讨论了调节剂 NLR、NLR 的病原体抑制和 NLR 生物工程等新兴主题。需要采用多学科方法来解开这些 NLR 免疫受体对和网络如何发挥作用和进化。回答这些问题有可能加深我们对植物免疫系统的理解，并开启抗病育种的新时代。
有或没有脑外伤的人如何解读表情符号？感知效价、唤醒度和情绪表现的相似之处和差异
摘要 面部情感识别受损在创伤性脑损伤 (TBI) 后很常见，并且与不良的社会结果有关。我们探讨了 TBI 后表情符号所描绘的情感感知是否也会受损。50 名 TBI 参与者和 50 名未受伤的同伴生成了自由文本标签来描述表情符号所描绘的情感，并在九点评定量表上评定他们的情感效价和唤醒水平。我们比较了两组的情感效价和唤醒评级如何聚类，并检查了参与者用来描述表情符号的词语的一致性。情感评级的层次聚类在未受伤组产生了四个表情符号簇，在 TBI 组产生了三个表情符号簇。未受伤组有一个强烈正面和一个中等正面的簇，而 TBI 组只有一个正情感效价簇，未按唤醒程度区分。尽管簇数量存在差异，但两组表情符号评级的层次结构显着相关。大多数表情符号与患有和未患有 TBI 的参与者用来描述它们的词语高度一致。患有 TBI 的参与者对表情符号的感知与未受伤的同龄人相似，使用相似的词语来描述表情符号，并在效价维度上对表情符号的评分也相似。患有 TBI 的个体对少数表情符号的感知唤醒差异很小。总体而言，结果表明，基本识别过程无法解释患有 TBI 的成年人报告的计算机介导通信中的挑战。检查患有 TBI 的人在上下文中对表情符号的感知是进一步了解脑损伤后在计算机介导环境中的功能性交流的重要下一步。
解读肥胖的基因图谱
目的：全基因组关联研究 (GWAS) 已成功揭示了许多肥胖易感位点。然而，确定导致这些关联的致病基因、通路和组织/细胞类型仍然是一项挑战，而且缺乏标准化的分析工作流程。此外，由于肥胖的治疗选择有限，需要开发新的药物疗法。本研究旨在通过逐步利用知识库进行基因优先排序并评估关键肥胖基因作为治疗靶点的潜在相关性来解决这些问题。方法和结果：首先，我们从公开的 GWAS 数据集（GIANT 荟萃分析中约有 800,000 人）中生成了 28,787 个肥胖相关 SNP 列表。然后，我们根据基因组和转录组数据（包括来自转录组范围关联研究的大脑中的转录调控基因）优先考虑了 1372 个具有显著计算机证据的基因。在进一步缩小基因列表的过程中，我们选择了关键基因，我们发现这些基因对于发现潜在的药物种子很有用，这在脂质 GWAS 中得到了单独证明。因此，我们确定了 74 个肥胖的关键基因，这些基因高度相互关联，并在导致肥胖的几种生物过程中富集，包括能量消耗和体内平衡。在 74 个关键基因中，有 37 个尚未被报道与肥胖的病理生理有关。最后，通过药物-基因相互作用分析，我们发现了 23 个（共 74 个）关键基因，它们是 78 种已获批准和上市药物的潜在靶点。结论：我们的研究结果通过整合多个最新知识库的数据驱动方法为肥胖的新治疗方案提供了宝贵的见解。
迈向基于脑电图的脑机接口深度学习模型解读的最佳实践
这在许多 BCI 领域都是传统方法，例如识别注意力心理状态（Fahimi 等人，2019 年）、运动相关皮质电位识别（Lawhern 等人，2018 年）、检测驾驶员困倦（Cui 等人，2021a 年）等。尽管取得了成功，但深度学习的主要缺点是其行为背后缺乏透明度，这可能会引起最终用户对采用 BCI 的潜在担忧。近年来，人们做出了很多努力来解释深度学习模型的决策，并将其应用于图像和文本分类任务。这通常是通过生成热图来完成的，该热图指示输入的每个像素对训练模型的最终分类的贡献程度。对于基于脑电图的脑机接口，该技术可以揭示脑电图中局部存在的不同成分（例如来自不同皮质源产生的信号、传感器噪声、肌电图 (EMG)、眼球运动和眨眼活动）将如何影响分类 (Cui et al., 2021a,b, 2022)。因此，可以知道模型是否已经学习了具有神经学意义的特征，或者决策是否在很大程度上受到数据中的类判别伪影的影响，从而可以促进改进模型以获得更好的性能和可靠性的过程。深度学习的可解释性在基于脑电图的脑机接口领域受到广泛关注 (Sturm et al., 2016; Zhou et al., 2016; Bang et al., 2021; Cui et al., 2021a,b, 2022)。尽管应用广泛，但人们既不清楚所获得的解释结果在多大程度上可以信任，以及它们如何准确地反映模型决策，现有文献也没有清楚地解释为什么选择某种解释技术而不是其他技术。这些观察引起了人们对基于对模型决策的错误解释而得出的有偏见的结论的担忧。为了填补这一研究空白，我们进行了一项研究，以评估基于 EEG 的 BCI 的不同深度解释技术，并探索利用这些技术的最佳实践。总而言之，本文在以下方面做出了贡献：
《营养年度评论》人工智能在解读饮食与疾病关系中的作用：案例研究
社会从农村、狩猎采集环境向城市和工业环境的现代化，以及随之而来的饮食变化，导致心脏代谢和其他非传染性疾病（如癌症、炎症性肠病、神经退行性疾病和自身免疫性疾病）的患病率增加。然而，尽管饮食科学一直在迅速发展以应对这些挑战，但由于多种原因，实验结果的验证和转化为临床实践仍然有限，包括固有的种族、性别和文化个体间差异，以及其他方法、饮食报告相关和分析问题。最近，具有人工智能分析的大型临床队列引入了新的精准和个性化营养概念，使人们能够在现实生活中成功地弥合这些差距。在这篇评论中，我们重点介绍了饮食疾病研究和人工智能交叉领域的案例研究的选定示例。我们讨论了它们的潜力和挑战，并对饮食科学向个性化临床转化的转变提出了展望。