XiaoMi-AI文件搜索系统
World File Search System随机的
内镜面全厚性杂交用于治疗胃食管反流后内镜下肌切开术：一项随机的假手术研究
多层内镜下肌切开术（诗）是阿acalasia的既定治疗方法之一[1，2]，但是诗歌后胃肠道回流疾病（GERD）仍然是一个问题[3，4]。诗后患者有症状性GERD的发生率较低，尽管内镜表明食管炎和异常酸性释放时间（AET）[3,5,6]。但是，无症状的GERD可以预先处理狭窄，Barrett的元素/发育不良，甚至食管癌等并发症[7]。GERD的医疗疗法受到持续的长期成本，依赖性和潜在副作用的限制[8]。内肠植物疗法被插入以增强食管下括约肌处的抗反浮肿机制[9]；但是，他们未能显示出一致的症状改善或持久的治疗方法。有关诗后反流的文献有限但增长，多中心研究在约50％的患者中提到AET，以及约10％的患者的症状性GERD和侵蚀性食管炎[10，11]。在当前时代，无论报道的诗后GERD发生率有何变化，诗歌后的反流都会影响大量的症状，并且潜在的长期并发症尚待确定临床意义。与腹腔镜Heller肌切开术不同[12]，诗不包括相关的屈服程序。最近，无切口的无牙性底层[13]和内窥镜全厚度杂志（EFTP）一直在越来越受欢迎，以治疗GERD [14 - 16]。但是，它们在诗后反流中的功效尚不清楚。我们在诗后GERD患者中对EFTP进行了随机，假对照研究。
引用：Terho Am，Mäkelä-Kaikkonen J，Ohtonen P等。严重深层子宫内膜异位症的机器人与腹腔镜手术：随机的方案
抽象引入子宫内膜异位症是一种常见的妇科疾病，影响约10％的肥沃妇女，导致严重的疼痛症状。深子内膜异位症被定义为子宫内膜植入物，该植入物深度超过5 mm。深层子宫内膜异位症的手术需要先进的多学科手术技术，通常在非常困难的手术条件下，并增加并发症的风险。机器人手术提供了高定义的三维视图和表达仪器，与骨盆区域中常规的腹腔镜相比，可以允许更精确的解剖。但是，机器人手术的优越性尚未证明素随机对照研究，并且缺乏长期结果数据。晚期子宫内膜异位症手术为研究机器人手术的可行性和长期结局提供了出色的平台。方法和分析Robendo是一个在单中心环境中的前瞻性，随机，对照临床试验。通过MRI需要手术在Oulu大学医院（芬兰Oulu）进行手术验证的深心子内膜异位症患者将被认为是符合条件的。70例患者将分配1：1，以在两个阶层接受机器人辅助或常规的腹腔镜手术：自由基手术（移除子宫和aDnexae）和妇科器官的治疗手术。主要结果将是在术后24小时6、12和24个月在数字评级量表（NRS）问卷上测得的疼痛症状的手术结果。结果将在同行评审的国际期刊上发表。作为次要结果，术中措施，手术因素后的恢复增强，并发症，成本和长期的生活质量，以子宫内膜异位症健康状况概况-30（EHP-30）（EHP-30），女性性功能指数（FSFI）和15维（15d）问卷进行比较。伦理和传播这项研究已得到奥卢大学医院（212/2021）的北部奥斯特罗罗托尼亚医院地区伦理委员会的批准。手术妇科医生将在术前检查期间获得知情同意。
昆虫启发的随机加权神经网络，具有随机的傅立叶特征，用于神经符号的关系学习
摘要知识表示和推理的计算机科学领域（KRR）旨在像人类一样有效地理解，推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力，例如抽象概念学习，将人工神经网络（ANN）与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如，神经张量网络（NTN）是神经网络模型，能够将符号表示为矢量空间，在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络（LTN）中使用时，它们能够将一阶逻辑符号（例如常数，事实和规则）嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是，高阶学习并不是人类大脑的独有性。昆虫，例如果蝇和蜜蜂，可以解决简单的关联学习任务，并学习抽象概念，例如“相同”和“差异”，这被视为高阶认知功能，通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持，即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果，我们提出了一个随机加权的特征网络（RWFN），该特征网络将随机绘制的未经训练的权重纳入编码器，该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影，该神经网络在RWFN中模仿，该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式，RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较，用于语义图像解释（SII）任务，这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明，与LTN相比，RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能，同时使用更少的可学习参数（1:62比例）和更快的学习过程（1：2的运行速度比率）。此外，我们表明，由于随机权重不取决于数据，因此有几个解码器可以共享一个随机编码器，从而使RWFN具有独特的空间量表经济体，用于同时分类任务。
昆虫启发的随机加权神经网络，具有随机的傅立叶特征，用于神经符号的关系学习
摘要知识表示和推理的计算机科学领域（KRR）旨在像人类一样有效地理解，推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力，例如抽象概念学习，将人工神经网络（ANN）与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如，神经张量网络（NTN）是神经网络模型，能够将符号表示为矢量空间，在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络（LTN）中使用时，它们能够将一阶逻辑符号（例如常数，事实和规则）嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是，高阶学习并不是人类大脑的独有性。昆虫，例如果蝇和蜜蜂，可以解决简单的关联学习任务，并学习抽象概念，例如“相同”和“差异”，这被视为高阶认知功能，通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持，即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果，我们提出了一个随机加权的特征网络（RWFN），该特征网络将随机绘制的未经训练的权重纳入编码器，该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影，该神经网络在RWFN中模仿，该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式，RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较，用于语义图像解释（SII）任务，这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明，与LTN相比，RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能，同时使用更少的可学习参数（1:62比例）和更快的学习过程（1：2的运行速度比率）。此外，我们表明，由于随机权重不取决于数据，因此有几个解码器可以共享一个随机编码器，从而使RWFN具有独特的空间量表经济体，用于同时分类任务。
22q11.2缺失综合征和健康志愿者的谷氨酸能和GABA能反应性和认知：一项随机的双盲7-Tesla药理MRS MRS研究
22q11.2 deletion syndrome (22q11.2DS), also referred to as velo- cardiofacial or DiGeorge syndrome, is a genetic disorder caused by a microdeletion on the long arm of chromosome 22 (Jonas et al., 2014) and is, with a prevalence of 1 in 2000–4000 births, one of the most common recurrent copy number variant disorders (Schneider et Al。，2014）。它的表型表达是高度的，包括先天性心脏病，帕拉特异常，低钙血症和畸形面部特征等医学状况（Bassett等，2011）。此外，22q11.2ds与患有精神疾病的高风险有关，包括精神病谱系障碍（Schneider等，2014），而22q11.2ds患者的大多数患者大多数具有低于平均水平的智商和低于平均水平的智商和认知功能的障碍。认知功能通常会随着年龄的增长而进一步下降，并且在22q11.2ds的患者中发现了陡峭的趋势（Vorstman等，2015）。通常被删除的区域的大小为1.5-3 Mb（兆邦），包括大约90个基因，其中大多数是表达的
b'one 在某种意义上用 O \xe2\x88\x9a \xf0\x9d\x91\xa1 步量子行走代替经典随机游走的 \xf0\x9d\x91\xa1 步。需要注意的是，量子快进只能以非常小的成功概率产生最终状态。然而，在我们的应用中，它以概率 e \xce\xa9 ( 1 ) 成功。这通过一个富有洞察力的论点表明，该论点根据经典随机游走来解释量子快进的成功概率。也就是说，它对应于经典随机游走从一个随机的未标记顶点开始，在 \xf0\x9d\x91\xa1 步后访问一个标记顶点，但在 \xf0\x9d\x91\xa1 个额外步骤后返回到未标记顶点的概率。我们表明，通过调整游走的插值参数，可以将该概率调整为 e \xce\xa9 ( 1 )。在第 2 节中描述了一些准备工作之后，我们在第 3 节中讨论了算法 1 和主要结果，并在第 4 节中提供了分析的细节。在第 5 节中，我们表明 HT + 和 HT 之间的差距确实可能非常大。我们在 \xf0\x9d\x91\x81 \xc3\x97 \xf0\x9d\x91\x81 网格上构造标记元素的排列，其中 HT + = \xce\xa9 ( \xf0\x9d\x91\x81 2 ) 但 HT = O( \xf0\x9d\x91\x93 ( \xf0\x9d\x91\x81 ))，其中 \xf0\x9d\x91\x93 任意缓慢地增长到无穷大。这表明当有多个标记元素时，Krovi 等人的算法可能严重不理想。原因是他们的算法实际上解决了一个更难的问题：它从限制在标记顶点的平稳分布中采样（在网格的情况下为均匀分布）。因此，当从该分布中采样比仅仅找到一些标记元素困难得多时，他们的算法可能会很慢。在第 6 节中，我们介绍了第二种更简单的新算法，我们推测 2 可以在 O \xe2\x88\x9a' 时间内找到一个标记元素
b'one 在某种意义上用 O \xe2\x88\x9a \xf0\x9d\x91\xa1 步量子行走代替经典随机游走的 \xf0\x9d\x91\xa1 步。需要注意的是，量子快进只能以非常小的成功概率产生最终状态。然而，在我们的应用中，它以概率 e \xce\xa9 ( 1 ) 成功。这通过一个富有洞察力的论点表明，该论点根据经典随机游走来解释量子快进的成功概率。也就是说，它对应于经典随机游走从一个随机的未标记顶点开始，在 \xf0\x9d\x91\xa1 步后访问一个标记顶点，但在 \xf0\x9d\x91\xa1 个额外步骤后返回到未标记顶点的概率。我们表明，通过调整游走的插值参数，可以将该概率调整为 e \xce\xa9 ( 1 )。在第 2 节中描述了一些准备工作之后，我们在第 3 节中讨论了算法 1 和主要结果，并在第 4 节中提供了分析的细节。在第 5 节中，我们表明 HT + 和 HT 之间的差距确实可能非常大。我们在 \xf0\x9d\x91\x81 \xc3\x97 \xf0\x9d\x91\x81 网格上构造标记元素的排列，其中 HT + = \xce\xa9 ( \xf0\x9d\x91\x81 2 ) 但 HT = O( \xf0\x9d\x91\x93 ( \xf0\x9d\x91\x81 ))，其中 \xf0\x9d\x91\x93 任意缓慢地增长到无穷大。这表明当有多个标记元素时，Krovi 等人的算法可能严重不理想。原因是他们的算法实际上解决了一个更难的问题：它从限制在标记顶点的平稳分布中采样（在网格的情况下为均匀分布）。因此，当从该分布中采样比仅仅找到一些标记元素困难得多时，他们的算法可能会很慢。在第 6 节中，我们介绍了第二种更简单的新算法，我们推测 2 可以在 O \xe2\x88\x9a' 时间内找到一个标记元素