XiaoMi-AI文件搜索系统
World File Search System轨迹的
运动序列学习涉及更好地预测运动轨迹的下一个动作和优化
学习新的顺序运动是许多动物的基本技能。尽管序列学习的行为表现很明确，但基本机制仍然很少理解。运动序列学习可能来自三个不同的过程：（1）改善独立于顺序上下文的单个运动的执行； （2）接下来应该执行对“什么”运动的增强期望，从而更快地启动； （3）应在序列中最佳地执行编码“如何”运动的摩托序列特定表示。但是，许多现有的范式将学习的组成部分混为一谈，因为参与者经常获得序列内容（做什么）及其执行（如何做）。这种重叠掩盖了每种机制对运动序列学习的不同贡献。在这项研究中，我们使用连续的任务解散了这些机制。将训练序列中的性能与随机序列进行比较，以排除仅归因于孤立运动执行的改进。还通过改变了几个即将到来的目标，我们评估了预期在学习中的作用。当参与者只能看到一个未来的目标时，改进主要是由于他们学习了下一个目标。当他们看到未来的四个目标时，参与者立即证明了快速的运动时间并增加了运动平滑度，在一个目标条件下超过了晚期性能。至关重要的是，即使对未来目标的全面可见性，参与者也表现出进一步的序列特异性学习，这是由于运动轨迹的连续优化而引起的。随访实验表明，学到的序列表示是效应器特异性和编码四个运动或更长的上下文信息。我们的范式可以在运动序列学习的“什么”和“如何”组成部分之间进行明显的解离，并为效应特异性序列表示的开发提供了令人信服的证据，从而指导最佳运动执行。
类风湿关节炎患者接受生物制剂和靶向合成抗风湿药物治疗后疾病活动轨迹的差异
摘要背景：本研究旨在通过基于轨迹的聚类，根据疾病活动趋势对类风湿性关节炎 (RA) 患者进行分层，并根据轨迹组确定影响生物制剂和靶向合成抗风湿药物 (DMARD) 治疗反应的因素。方法：我们分析了来自韩国风湿病学院生物制剂和靶向治疗登记处的全国 RA 队列数据。其中包括接受二线生物制剂和靶向合成 DMARD 治疗的患者。使用轨迹聚类模型对疾病活动趋势进行分组。使用每个轨迹的 SHAP（SHapley Additive exPlanations）值的机器学习模型研究了影响因素。结果：688 例 RA 患者的疾病活动趋势可分为 4 组：快速下降且疾病活动稳定（第 1 组，n = 319）、快速下降后上升（第 2 组，n = 36）、缓慢持续下降（第 3 组，n = 290）和疾病活动无下降（第 4 组，n = 43）。SHAP 图表明，与第 1 组相比，第 2 组最重要的特征是基线红细胞沉降率 (ESR)、泼尼松龙剂量和 28 关节评估疾病活动评分 (DAS28)（SHAP 值分别为 0.308、0.157 和 0.103）。与第 1 组相比，第 3 组最重要的特征是基线 ESR、DAS28 和估计肾小球滤过率 (eGFR)（SHAP 值分别为 0.175、0.164、0.042）。与第 1 组相比，第 4 组最重要的特征是基线 DAS28、ESR 和血尿素氮 (BUN)（SHAP 值分别为 0.387、0.153、0.144）。结论：基于轨迹的方法可用于聚类 RA 患者生物和靶向合成 DMARD 的治疗反应。此外，基线 DAS28、ESR、泼尼松龙剂量、eGFR 和 BUN 是 4 年轨迹的重要影响因素。关键词：类风湿关节炎、生物制剂、轨迹聚类/轨迹建模、治疗反应
屏幕使用轨迹的关联从幼儿期开始与儿童后期的认知发展：伊甸母亲队列
筛查的使用与儿童的认知发展有关，但是需要更多来自纵向研究的证据。我们调查了从伊甸园队列的459名儿童中，从2至11 - 12岁开始的屏幕使用轨迹和认知发展的关联和认知发展。父母报告说，在2、3、5和8岁的家庭用餐期间，电视的频率在同一年龄为11至12岁的孩子的屏幕时间。智力能力源自韦克斯勒智能量表的子测验，以及11 - 12年的Peabody图片词汇测试。使用多变量线性回归模型的智力能力对屏幕时间和电视的轨迹进行了鉴定并根据知识能力进行了研究。确定了四个屏幕时间轨迹：低（11％），平均（50％），高（32％）和非常高（6％）的用户。家庭用餐期间电视上的三个轨迹从来没有（41％），有时（34％），通常是/始终（25％）。屏幕时间轨迹与11 - 12年的智力能力无关。电视有时（VS永远不会），但在家庭用餐期间不经常/总是与非语言和一般的英特尔语言能力有关。未来的研究需要考虑屏幕使用的上下文，而不仅仅是时间。
项目标题：用于预测MRI脑扫描脑膜瘤增长的数字双轨迹的机器学习工具
该项目的目的是开发一种机器学习工具，该工具生成数字双轨迹，以用于脑MRI扫描中的脑膜瘤增长。通过利用深度学习，该工具将创建特定于患者的模型（数字双胞胎），以根据历史MRI数据来预测脑膜瘤的未来增长。该工具将支持临床医生预测肿瘤大小和形状的变化，从而实现脑膜瘤患者的主动，个性化的管理。特别是该模型可以为临床医生提供一种预测工具，可增强决策，从而及时进行干预和优化的监视。此外，这种方法可以为数字双胞胎应用奠定基础，以跟踪其他类型的肿瘤，从而扩大其在肿瘤学诊断中的影响。项目描述脑膜瘤是最常见的原发性脑肿瘤，起源于脑膜，脑周围的保护层和脊髓。尽管通常是良性的，但脑膜瘤表现出不同的增长率和行为。有些人多年来保持懒惰，而另一些人则迅速发展，可能导致严重的神经系统缺陷，例如癫痫发作，视力丧失和认知障碍，这是由于对周围脑结构的质量影响而导致的。因此，了解和预测其增长轨迹对于及时干预和有效管理至关重要。目前，监测脑膜瘤在很大程度上依赖于常规的MRI扫描，以评估大小和形态的变化。因此，仅靠基于间隔的成像的依赖可能会延迟关键干预措施，从而强调需要更先进的预测工具。但是，这种常规方法是有限的，因为它仅提供了肿瘤进展的回顾性观点，从而限制了主动的临床决策。MRI扫描可能会揭示肿瘤的当前状态，但它们缺乏预测未来生长模式或生长突然加速的预测能力，可能会影响患者的预后。为了解决这些局限性，该项目提出了针对脑膜瘤增长预测而定制的基于机器学习的数字双胞胎模型的开发。数字双胞胎是一个动态的计算模型，它不断响应实时数据，有效地反映了生物实体的不断发展的特征。对于脑膜瘤，创建数字双胞胎需要使用历史MRI数据和特定于患者的临床特征来训练一个可以模拟个性化肿瘤生长轨迹的深度学习模型。
情绪障碍、疾病复发、自杀行为和患者一生轨迹的研究和诊断算法规则 (RADAR)
。CC-BY 4.0 国际许可证 永久可用。是作者/资助者，已授予 medRxiv 许可以显示预印本（未经同行评审认证）预印本 此版本的版权持有者于 2022 年 9 月 17 日发布。 ；https://doi.org/10.1101/2022.09.15.22279968 doi：medRxiv 预印本
自闭症和脆性 X 综合征患者的皮层下大脑发育：婴儿期动态、年龄和疾病特异性轨迹的证据
卡罗来纳发育障碍研究所和精神病学系（Shen、Girault、Kim、Smith、Graves、Weisenfeld、Gross、Styner、Hazlett、Piven）和北卡罗来纳大学教堂山分校医学院神经科学中心（Shen）；明尼阿波利斯明尼苏达大学教育心理学系（Wolff）、儿童发展研究所（Elison）和儿科学系（Elison、Burrows）；圣路易斯华盛顿大学医学院 Mallinckrodt 放射学研究所（Flake、McKinstry、Botteron）；西雅图华盛顿大学医学中心放射学系（Dager）；费城宾夕法尼亚大学佩雷尔曼医学院费城儿童医院自闭症研究中心（Pandey、Schultz）；纽约大学坦登工程学院计算机科学与工程系（Gerig）；蒙特利尔神经学研究所，麦吉尔大学，蒙特利尔（MacIntyre、Fonov、Collins、Evans）；加拿大艾伯塔大学，埃德蒙顿，儿科系（Zwaigenbaum）；华盛顿大学，西雅图，言语和听力科学系（St. John、Estes）；德克萨斯大学达拉斯分校，行为与脑科学学院（Swanson）。
自闭症和脆性 X 综合征患者的皮层下大脑发育：婴儿期动态、年龄和疾病特异性轨迹的证据
脑脊液体积在 24 个月时恢复正常（12），这与横断面研究中老年人胼胝体体积减小的报告一致（13）。脑脊液体积的变化轨迹代表了另一种发育模式，即在被诊断为 ASD 的儿童中，从 6 个月大（14、15）到 4 岁（16）期间持续增加。综上所述，这些研究表明，ASD 儿童出生后早期大脑发育会发生一系列年龄特异性变化，同时行为也会发生动态变化。这表明，婴儿早期的症状前大脑变化可能代表一系列相互关联的大脑和行为变化，这些变化会导致自闭症整个综合症的出现，并在生命的 2 和 3 年内巩固为一种临床可诊断的疾病（17）。进一步描述大脑变化的性质和顺序将为阐明这种疾病的发病机制提供重要线索，并为制定针对这些发展轨迹的针对性干预措施提供信息。尽管长期以来，结构和功能神经影像学和尸检研究表明皮层下结构，特别是杏仁核，与 ASD 有关，但尚无研究检查过 ASD 婴儿期皮层下大脑发育的性质和时间。神经影像学研究表明 2 至 4 岁的 ASD 儿童杏仁核增大（18 – 22），尸检研究表明杏仁核神经元数量过多（23）和树突棘密度增加（24）可能是导致早期杏仁核过度生长的细胞过程。然而，绝大多数神经影像学研究都是横断面研究，并且是在确诊后的儿童（即 2 岁及以上）中进行的，因此无法了解杏仁核增大的发育时间过程、其与出现诊断特征和最终诊断的时间关系，以及增大是杏仁核特有的还是也发生在婴儿期的其他皮质下结构中，例如基底神经节。此外，对患有 ASD 的婴儿进行的神经影像学研究尚未检查 ASD 与其他神经发育障碍关系中脑部发现的特异性。在这项研究中，我们检查了选定的皮质下结构（杏仁核、尾状核、壳核、苍白球、丘脑）的纵向结构 MRI，以对比四组婴儿出生后早期脑发育情况：患有脆性 X 综合征（FXS）的婴儿；患自闭症可能性较高的婴儿（因为有一个患有自闭症的哥哥姐姐），后来患上了自闭症；患自闭症可能性较高的婴儿没有患上自闭症；对照组婴儿患自闭症的可能性较低，但发育正常。研究设计通过对比特发性自闭症（一种行为定义的发育障碍）与遗传定义的障碍 FXS 的大脑和行为发育，研究了疾病特异性问题。具有重叠的认知和行为特征（25）。此外，我们注意到，这项研究将家族性自闭症（自闭症的一个亚组，其病因通常归因于常见的多基因遗传[26]）与 FXS（一种遗传性发育障碍和
一种新型手术规划系统，使用人工智能模型来优化具有最高骨矿物质密度和最强拉出力的椎弓根螺钉轨迹规划
目的 本研究旨在评估一种新型人工智能 (AI) 模型在骨质疏松患者中识别具有更高骨矿物质密度 (BMD) 和更高拉出力 (POF) 的优化椎弓根螺钉轨迹的能力。方法使用 3D 图形搜索和基于 AI 的有限元分析模型开发了一种创新的椎弓根螺钉轨迹规划系统（称为 Bone's Trajectory）。回顾性分析了 21 名老年骨质疏松患者术前 CT 扫描。AI 模型自动计算替代椎弓根轨迹的数量、轨迹 BMD 和估计的 L3-5 POF。记录优化轨迹的最高 BMD 和最高 POF，并将其与 AO 标准轨迹进行比较。结果 患者平均年龄为 69.6 ± 7.8 岁，平均椎体 BMD 为 55.9 ± 17.1 mg/ml。在 L3–5 的两侧，优化轨迹的 BMD 和 POF 明显高于 AO 标准轨迹（p < 0.05）。平均而言，优化轨迹螺钉的 POF 至少比 AO 轨迹螺钉增加 2.0 倍。结论 新型 AI 模型在选择 BMD 和 POF 高于 AO 标准轨迹的优化椎弓根轨迹方面表现良好。
进行生态系统建模操作 - 一种新型的分布式执行框架，以系统地探索对不同气候轨迹的生态反应
摘要海洋生态系统模型（MEMS）越来越多地受到地球系统模型（ESM）的驱动，以更好地了解海洋生态系统动力学，并在气候变化的潜在情况下分析海洋生态系统的替代管理工作的影响。然而，政策和商业活动通常发生在季节到年代的时间尺度上，这是全球气候建模社区中广泛使用的时间范围，但在此，对MEMS的技能水平评估处于起步阶段。这主要是由于技术障碍阻止了全球MEM社区进行大型集合模拟，以进行系统的技能评估。在这里，我们开发了一个新颖的分布式执行框架，该框架由低技术和免费的技术构建，以实现链接的ESM/MEM预测集合的系统执行和分析。我们将此框架应用于季节性到少年时间尺度，并评估初始化际ESM预测合奏中回顾性预测不确定性如何影响机械和时空显式全球滋养动力学mem。我们的结果表明，与与重建渔业相关的广泛假设相比，ESM内部变异性对MEM可变性的影响相对较低。我们还观察到结果对ESM的特异性也很敏感。我们的案例研究需要进一步的系统探索，以消除气候变化，渔业场景，MEM内部生态假设和ESM变异性的影响。最重要的是，我们的案例研究表明，一个简单且免费的分布式执行框架有可能增强任何具有基本功能的建模组，以使海洋生态系统建模运行。