足球现场比分 计算 [MTU] 展示，2022 年秋季

“BertM6A：一种基于 Bert 的编码方法来预测 m6A 修饰位点 DNA 序列中”

M6A 是重要的 DNA 修饰之一，负责 DNA 复制， 基因表达的修复、转录和调节。现有的大部分计算 M6A 预测工具依赖于手工制作/手动特征。在这项工作中，我们的目标是 使用最先进的 DNA 完全消除对这些功能的依赖 语言模型 (LM) 称为 DNABert。据我们所知，这是第一种方法 使用 DNA 语言模型预测 M6A，这是 DNA 修饰的最早方法之一 一般情况下的站点预测。我们相信我们基于 DNA 语言的深度学习框架 在预测 m6A 修饰位点方面可以超越当前最先进的预测器。

“一款教授计算思维技能的教育建模软件工具”

由于多种因素，包括缺乏合格的教师和相互竞争的需求 在课程上，许多学生没有机会发展重要的计算能力 通过传统的编程密集型计算机科学课程培养思维能力。 我们相信学生还有另一种方式参与计算思维 缺乏传统的编程指导。我们的中心假设是 在科学课程中从事计算建模和模拟的学生是 学习和应用计算思维技能。为了检验这个假设，我们的 项目正在为高中开发一系列计算建模活动 STEM 课程。

“模拟水生生态系统中多氯联苯污染物的生物累积”

基威诺地区受到了铜矿开采活动的影响 接近100年前。采矿业为该地区带来了许多人并改善了当地的生活 经济，但也造成了工业化学品如多氯化物的污染 联苯化合物 (PCB)。 PCB 化合物的特性使其具有持久性 有机污染物。这些污染物的特点是进行长距离迁移， 抵抗代谢转化，能够在生态系统中生物累积，并且具有 对人类和环境健康产生负面影响。因此，PCB不仅是 地方性的关注，但却是全球性的关注。该项目重点关注霍顿的火炬湖，因为它 被指定为关注领域。鱼体内PCBs浓度均高于 允许的限度，这导致鱼类警告的实施。这有 对基威诺湾印第安社区产生了重大影响，该社区以前利用该湖进行活动 渔业为生。该项目旨在确定鱼类 PCB 浓度是否 由于过去五年进行的整治，该情况有所减少。机械论 模型有助于在实际测试时检查系统对扰动的响应 不可行。使用 MATLAB 开发了质量平衡模型来估计稳定 说明食物链每个营养级的浓度并确定如何变化 系统中的污染物（例如，鱼的平均大小）会影响鱼的 PCB 浓度。 

“探索学术创客空间中的团队创新”

创新需要人们以不同的方式思考。  换位思考很关键 学生在 21 世纪需要培养的技能。  创客空间和设计思维 已成为世界各地大学创新教育战略的一部分 足球比赛结果帮助学生发展这些技能。但我们如何支持创新 在创客空间？利用认知任务分析，我们采访了来自欧洲的专家 和美国，并对重点关注创新的数据进行了专题分析。 这些采访的主题表明了未来实验的重点领域 支持创客空间的创新。

“使用深度学习多任务改进 MSK 射线照片的自动化质量控制 学习”

放射摄影质量控制是放射学工作流程的重要组成部分。然而， 大多数肌肉骨骼 (MSK) 放射线照片直到之后才由放射科医生进行评估 病人已离开科室。我们试图开发一个卷积神经网络 用于自动质量控制的 (CNN) 模型，用于检测和分类投影、偏侧性 基于 R/L 标记的手腕位置，以及硬件和/或铸件的存在。结果 模型中需要匹配射线照片图像申请中的元数据 通过质量检查。如果没有，模型会向技术人员发出警报 予以纠正。在本文中，我们评估了深度学习多任务的性能 能力模型并讨论其局限性和挑战。最后，我们提出规划 这些领域的未来工作。

“针对多快照对手的移动设备安全可信可拒绝系统”

移动计算设备已广泛用于存储、管理和处理关键数据 数据。为了保护存储数据的机密性，主要移动操作系统提供 全盘加密，依赖于传统加密，需要保留 解密密钥的秘密。然而，这可能不是真的，因为主动攻击者可能会 强迫受害者提供解密密钥。合理可否认加密 (PDE) 可以防御 通过用诱饵密钥伪装秘密密钥来对抗这种强制攻击者。杠杆作用 PDE 的概念，已经为移动设备构建了各种 PDE 系统。然而，一个 目前还缺少兼容主流手机的实用PDE系统 设备，同时在面对强大的多快照对手时保持安全。

“通过文件系统取证和闪存转换从勒索软件攻击中恢复数据 图层数据提取”

勒索软件近年来越来越流行。防御勒索软件 在使用闪存作为外部存储的计算设备中，现有设计提取 整个原始闪存数据将外部存储恢复到良好状态。 但是，它们无法将用户文件作为原始闪存进行细粒度恢复 内存数据不具有“文件”的语义。在这项工作中，我们设计了FFRecovery， 一种新的勒索软件防御策略，可以支持勒索软件之后的细粒度数据恢复 的攻击。我们的主要想法是，要恢复被勒索软件损坏的文件，我们可以 1) 通过文件系统取证恢复其文件系统元数据，2) 提取其文件系统元数据 通过从闪存转换层提取原始数据来文件数据，以及 3) 汇编 相应的文件系统元数据和文件数据。 FFRecovery 的简单原型 已经开发出来并提供了一些初步结果。

“通过本地可解释性增强计算机视觉模型的可视化和可解释性 与模型无关的解释 (LIME)"

人类了解机器学习模型为何如此运行非常重要 他们确实如此，尤其是在计算机视觉领域。拥有可视化的方法 图像的哪些区域负责分类或检测对象可以 是一个非常有用的资源。一种流行的算法是 Local Interpretable 与模型无关的解释 (LIME)。我们引入了子模型稳定和子网格 叠加LIME（SubLIME），一种增强基于LIME的稳定性的技术 可视化以及使用 叠加技术。演示显示在 MNIST 手写数字上 数据集以及用于头顶红外物体检测的真实数据集 图像。

“何时要注意您的自动驾驶汽车：使用社交媒体帖子来了解  关于特斯拉完全自动驾驶模式的问题和误解”

最近部署了最新一代特斯拉全自动驾驶 (FSD) 模式下，消费者在高速公路和住宅区使用半自动驾驶汽车 第一次开车。因此，驾驶员面临着复杂且意想不到的情况 技术未经证实的情况，这是合作的主要挑战 认知。在这种情况下支持合作认知的一种方法是告知 并向用户介绍潜在的限制。因为这些限制并不 总是很容易被发现，用户已经转向互联网和社交媒体来记录 他们的经验，寻求问题的答案，提供有关功能的建议 向其他人提供帮助，并协助其他 FSD 经验较少的驾驶员。在本文中，我们探索 支持合作认知的新方法：使用社交媒体帖子可以 帮助描述自动化的局限性，以获得有关的信息 系统的局限性以及如何处理的解释和解决方法 这些限制。最终，我们的目标是确定问题的类型 通过社交媒体报道可能有助于帮助用户预测和发展 他们所依赖的人工智能系统的更好的心理模型。为此，我们检查一个语料库 关于 FSD 问题的社交媒体帖子的数量，以确定 (1) 报告的典型问题， (2) 用户提供的解释或答复的种类，以及 (3) 可行性 使用此类用户生成的信息为新人员提供培训和帮助 司机。结果揭示了 FSD 系统的许多局限性（例如，车道保持 和幻象制动），这可能是驾驶员预期的，使他们能够预测 并避免问题，从而允许系统有更好的心智模型并支持 人类与人工智能系统在更多情况下的合作认知。

“轮式移动机器人轨迹跟踪控制器的性能测量”

自动驾驶机器人技术有多种先进的应用方式，包括自动驾驶 汽车到客户服务设备。轮式移动机器人（WMR）是其中的代表 利用自主导航的平台。轮式移动设备的性能 机器人（WMR）可以通过评估自主涉及的各种技术来确定 导航和运动控制是其中的一部分。在此背景下，可靠性 运动控制是指在没有大的情况下遵循所需路径的能力 偏差。不幸的是，虽然有许多轨迹跟踪控制器可用 在文献中，没有衡量其性能的具体指南。 本研究是填补该领域空白的初步方法。两种标准方法 用于 WMR 运动控制的是开环和闭环控制器，其功能 通过不断馈送坐标更新或计算位置误差并反馈 分别为校正值。在本研究中，我们提出了一个索引参数 评估机器人的性能。测量了 WMR 的不同路径轨迹 对于仿真环境中的每个控制器，验证建议的指数代表 控制器的性能。未来，该研究旨在提出多种 绩效指标基于运营目标，包括更多不同的指标 控制器在模拟和现实环境中的实验中进行验证 拟议绩效指数的有效性。

“神经性疼痛的计算见解”

开发治疗多种神经系统疾病的新药 电压门控钠通道（Nav）。 Nav1.7 是九个钠通道之一 同种型主要涉及神经病性疼痛。通过最近解决的 Nav1.7 结构， 一种针对 Nav1.7 的治疗疼痛相关疾病的有前景的候选药物即将问世。 芋螺毒素主要是来自锥螺毒液的富含二硫键的小肽 具有不同的组成和生物学功能。芋螺毒素可能具有选择性 Nav 某些亚型的配体。这项工作旨在通过计算分析潜在的 Nav1.7 中四种不同芋螺毒素的结合位点可能是起点 潜在的止痛药。来自 C. consors 的锥蜗牛毒液的四种不同肽 µ-芋螺毒素 (2YEN)、C. geographus µO-芋螺毒素 (2N8H)、C.textile α-芋螺毒素 (6OTA) 和 C.ermineus δ-芋螺毒素 (1G1Z)。检索了Nav1.7（6J8H）的结构 来自PDB。使用ZDOCK将Nav1.7与四锥蜗牛毒液肽对接， 使用 PISA 进行相互作用残基的分析。对接结果 证明 3 种不同的 conopetides（C. geographus、C.ermineus、C.textile）结合 主要针对结构域 II (D II) 和结构域 III (D III) 的孔形成区域， 而 C. consors 与 Nav1.7 中结构域 I (D I) 的孔形成区域相互作用。 图 1 显示了所有锥肽与 Nav1.7 的结合口袋。在 D III 中，疏水性 相互作用（F1343、F1405、W1408）在 δ、α 和 µO-芋螺毒素和亲水性中很突出 相互作用（W908、D912、H915、R922）也在 C.ermineus 中被发现 D II.相比之下，C. consors µ-芋螺毒素表现出独特的疏水相互作用 (F317, F344,V331) 在 D I 中，而在 D II 和 D III 中没有看到其他相互作用。 因此，C. consors µ-芋螺毒素具有独特的结合位点，这使其成为 独特的 Nav1.7 拦截器。因此，毒素的利用率将大大增加 我们对通道生物物理和药理学特征的理解， 特别是在区分特定渠道活动方面。

“NECOLA：基于 UNet 的通用宇宙模拟器”

我们训练卷积神经网络来纠正快速和近似的输出 现场级 N 体模拟。我们的模型神经增强 COLA (NECOLA) 采用 作为输入由计算高效的 COLA 代码生成的快照并进行更正 冷暗物质粒子的位置与完整 N 体的结果相匹配 堂吉诃德模拟。我们使用几个总结来量化网络的准确性 统计，发现 NECOLA 可以重现完整 N 体模拟的结果 精度低至 k ≃ 1 hMpc−1。此外，训练的模型 具有固定宇宙学参数值的模拟也能够纠正 COLA 模拟的输出，具有不同的 Ωm、Ωb、h、ns、σ8、w 和 高精度 Mν：功率谱和互相关系数 下降到 k = 1 hMpc−1 时在 ≃1% 范围内。我们的结果表明，对 来自快速/近似模拟或场级扰动理论的功率谱 是比较普遍的。我们的模型代表了开发 快速场级仿真器不仅可以采样原始模式幅度和相位， 也是由宇宙学参数值定义的参数空间。

“CIGAN：注入宇宙学的基于 GAN 的宇宙网络生成器”

暗物质通过引力演化，形成复杂的宇宙细丝网络， 薄片、空隙和光晕，被称为宇宙网。为了比较大范围 用理论观察宇宙网，使用数十亿人进行大量模拟 需要运行大量的宇宙示踪剂，这是一项计算量非常大的任务。因此 即将到来的宇宙学调查将面临一个巨大的计算瓶颈 限制了他们的科学回报的潜力。为了解决这个问题， 我们训练生成对抗网络来生成统计上独立且 我们宇宙的宇宙网的重要且物理上真实的实现。 我们证明，基于 GAN 的模型 CIGAN 生成的样本在质量上是 并且在数量上与真实样品非常相似。这样做的一个重要优点 方法是计算时间的可观收益。每个新样本大约需要 与花费数小时相比，只需几分之一秒即可生成宇宙网 通过传统的N体技术。反过来，这将在提供 大规模时代的宇宙网的快速、精确和可靠的模拟 宇宙结构调查。

“智能汽车网络中的网络安全”

该项目涉及智能汽车网络模型中的网络安全。随着越来越多 自动驾驶汽车的需求，安全功能的研究同样非常重要 这些汽车。最近有很多案例报道这些汽车很容易被盗 被攻击者黑客劫持，实施抢劫、强奸、杀人等犯罪行为。 此外，这些汽车还具有对家里各种物联网设备的控制功能，可以 通过闯入系统也很容易被黑客攻击和控制。通过这个项目， 我们的目标是解决和减少此类网络威胁。

“基于机器学习的心脏再同步治疗决策支持方法”

心力衰竭 (HF) 仍然是一种日益普遍的疾病，导致 心脏无法充分泵送血液以满足身体的需求。 心脏再同步治疗（CRT）是一种标准且昂贵的治疗方法 高频。一个问题是很大一部分患者不会受益 从程序上看。假设机器学习是一种有效的方法 通过提供比当前指南更好的决策支持来缓解这个问题 以便入学。此外，机器学习可以验证相关患者特征的选择 构成对临床和影像数据（例如单光子）CRT 的响应 发射计算机断层扫描 (SPECT) 心肌灌注成像 (MPI)。

“反事实思维作为质疑框架的策略：实验结果”
意义建构（Weick et al., 2005；Klein et al., 2007）是以人为中心不可或缺的一部分 计算。开发人员不断地重新调整他们如何构建问题及其潜力 整个设计过程中的解决方案（Hoffman 等人，2004 年；Costanza-Chock，2020 年） 当遇到潜在的情况时，用户评估证据并调整他们的观点 网络安全威胁。这项研究的重点是人们如何质疑他们的观点， 假设质疑一个观点是改变它的先兆。在这个实验中， 我们研究了反事实思维策略的效果（通过关注 可变性）关于社会情境对考虑替代结果的可能性的影响， 观点质疑的代理。

“开发无参考文本分割指标”

文本分割算法的性能通常通过比较来计算 与人类参考的分割边界。在这项工作中，我们 为分段任务提出一种无参考度量，该度量将块在 句子或多句子级别。所提出的方法首先使用预训练的 转换器为每个文本块生成嵌入。然后这些嵌入是 按段聚类，并在所有聚类之间计算修改后的聚类有效性度量 相邻的文本段。我们根据常用指标验证我们提出的指标 通过比较它们在流行的分割数据集上的表现并表明 能够定向指示分割的质量。

“用于腹部疾病患者计算分析的自动图像分割 主动脉瘤”

“基于图像”的计算流体动力学 (CFD) 首先利用“患者特定” 医疗
成像数据以创建解剖学上精确的几何形状，然后求解 Naiver-Stokes 用于分析个体患者血流的方程。这个过程产生临界 与起始、生长和破裂相关的重要血流动力学特征 腹主动脉瘤。传统上，会生成“患者特定”CFD 模型 通过手动分割医学图像，例如 CT 和 MRI。然而，手册 分割过程通常需要大量时间来生成 好的模型（大约2小时）。因此，我们研究了减少的可能性 使用深度学习图像分割算法的模型生成时间 本研究中主动脉瘤的自动描绘。更具体地说，ARU-Net， 选择基于训练有素的卷积神经网络算法来分割 CT 来自 10 名不同患者的图像。计算不同的血流动力学参数 使用 Ansys 软件（Fluent，Ansys Inc.，PA）进行 CFD 仿真。  我们发现 ARU-Net 在减少模型创建时间方面节省了大量时间 （2 小时与 15 分钟）。运行 CFD 模拟时应用了少量手动编辑。 定量方面，统计分析，包括皮尔逊相关系数， 线性回归和 Bland-Altman 分析用于评估 自动分割与传统的手动分割相比。我们的定量 结果显示两者之间的体积、表面积和高度具有良好的一致性（平均 PCC 大于 0.9）。两者之间的壁面剪应力值具有不可忽略的关系 差异（PCC 约为 0.7）。总之，ARU-Net 对于自动分割是可行的 腹主动脉瘤的研究，可以部分加速 CFD 模型的创建 过程。然而，ARU-Net 仍需要更多的发展以进一步减少 模型创建时间。

“向后兼容的物理通知神经网络”

物理信息神经网络 (PINN) 通过满足 通过神经网络的损失函数来解决其边值问题。最近的研究 已经表明，PINN 方法可用于近似解之间的映射 偏微分方程 (PDE) 及其时空坐标。然而， 我们观察到 PINN 方法对于强非线性情况明显不准确 以及高阶时变偏微分方程，例如 Allen Cahn 和 卡恩希利亚德方程。  因此，为了克服这个问题，一种新颖的PINN方案 提出使用以下方法在连续时间段上顺序求解 PDE 单一神经网络。  新提出的方案的关键思想是相同的神经网络 网络被重新训练以求解连续时间段上的偏微分方程，同时满足 之前所有时间段已经获得的解。因此它被命名为 向后兼容 PINN (bc-PINN)。我们通过求解来说明 bc-PINN 的优点 卡恩希利亚德和艾伦卡恩方程。此外，我们还推出了两款新产品 改进所提出的 bc-PINN 方案的技术。在第一种技术中，我们有 利用一段时间的初始条件来指导神经网络 地图更接近该段上的真实地图。在第二种技术中，我们实现了 一种迁移学习方法，用于保留训练时学到的解决方案特征 上一段。  我们已经证明这两种技术可以改善 bc-PINN 方案的准确性和效率显着提高。收敛还 通过使用高阶偏微分方程的相空间表示得到了改进。 

“学习通过具有差分功能的注意力残差 U-Net 来分割颅内动脉瘤 预处理和几何后处理”

颅内动脉瘤 (IA) 具有致命性，发病率和死亡率很高。可靠， 快速、准确地分割医学中的 IAs 及其邻近脉管系统 影像数据对于改善 IAs 患者的临床管理非常重要。 但由于 IAs 边界模糊、结构复杂、重叠 对于脑组织或其他脑动脉，IA 的图像分割仍然具有挑战性。 
本研究旨在开发一种注意力残差 U-Net (ARU-Net) 架构 用于自动分割的微分预处理和几何后处理 结合 3D 旋转血管造影 (3DRA) 来检查 IAs 及其邻近动脉 图片。

“基于 DFT 辅助的机器学习发现铁基双金属硫属化物中的磁性。”

随着近年来技术的进步和磁性的广泛使用 在当前技术的各个领域，都在寻找低成本的磁性材料 比以往任何时候都更加重要。替代材料中磁性的发现 例如具有丰富原子成分的金属硫属化物将是一个里程碑 在这样的场景下。然而，考虑到多种可能的硫族化物构型， 预测计算模型或实验综合是一个开放的挑战。 在这里，我们求助于堆叠泛化机器学习模型来预测磁性 六方铁基双金属硫属化物，FexAyB； A代表Ni、Co、Cr或 Mn和B代表S、Se或Te，x和y代表各自的浓度 原子。堆叠泛化模型在使用第一原理获得的数据集上进行训练 密度泛函理论（DFT）。该模型的 MSE、MAE 和 R2 值为 1.655， 在独立测试集上分别为 0.546 和 0.922，表明我们的模型 预测双金属硫属化物中成分依赖性磁性 准确度高。还开发了通用算法来测试通用性 我们提出的模型，双金属中 Ni、Co、Cr 或 Mn 的任何浓度高达 62.5% 硫属化物。 

“基于机器学习的准一维电子结构预测 应变下的材料”

我们提出了一种基于机器学习的模型，可以预测电子结构 准一维材料，同时它们受到变形模式，如 如扭转和延伸/压缩。这里描述的技术适用于重要的 材料系统的类别，例如纳米管、纳米带、纳米线、杂项 手性结构和纳米组件，对于所有这些，调整机械的相互作用 变形和电子场，即应变工程，是一个活跃的领域 文献调查。我们的模型融合了全局结构对称性 和原子弛豫效应，受益于使用螺旋坐标来指定 电子领域，并利用专门的数据生成过程 求解 Kohn-Sham 密度泛函理论的对称自适应方程 坐标。使用扶手椅单壁碳纳米管作为原型示例， 我们演示了使用该模型来预测与基态相关的场 电子密度和核赝电荷，当三个参数（即 指定纳米管的半径、轴向拉伸和每单位长度的扭曲 作为输入。其他感兴趣的电子特性，包括基态电子 自由能，可以通过低开销的后处理从这些预测的场中进行评估， 通常是化学准确性。此外，我们还展示了核坐标如何 可以使用基于聚类的预测赝电荷场可靠地确定 技术。值得注意的是，仅发现约 120 个数据点就足以预测 准确地描述三维电子场，我们将其归因于约束 由于问题设置中的对称性，使用低差异序列 采样，以及内在低维特征的有效表示 电子领域。我们评论机器学习的可解释性 模型并预计我们的框架将在自动发现中发挥作用 低维材料的研究，以及此类系统的多尺度建模。

“多壁碳纳米管变形的可解释机器学习模型”

我们提出了一种可解释的机器学习模型来准确预测复杂的情况 由数百万个原子组成的多壁碳纳米管的波纹变形。基于原子物理学 模型是准确的，但对于如此大的系统来说计算量却太大。克服 为了解决这个瓶颈，我们开发了一种机器学习模型，其中包括一个新颖的 降维技术和基于深度神经网络的学习 减少维度。所提出的非线性降维技术扩展了 函数主成分分析以满足变形约束。 它的新颖之处在于设计了一个精确满足约束的函数空间， 这对于有效降维至关重要。由于维度 减少和本文中采用的其他几种策略，通过学习 深度神经网络非常准确。所提出的模型准确匹配 基于原子物理的模型，同时速度要快几个数量级。它提取 以无人监督的方式普遍主导的变形模式。这些图案 易于理解并解释模型如何预测产生可解释性。的 所提出的模型可以为探索机器学习奠定基础 一维和二维材料的力学。

“调度多个系留水下机器人进行无缠结导航”

这项工作为水下多智能体系统提供了一种操作策略 系留机器人用于许多现实世界的应用，例如监控、 检查和维护、勘探和监测。具体来说，作者 专注于开发一种算法，首先防止机器人碰撞 其次，通过确定适当的时间来消除机器人电缆的缠绕 各个机器人路线上每个节点的出发时间。所提出的技术 重复模拟机器人沿着各自路线的运动。的 算法能够准确检测和防止电缆缠绕 以及机器人在沿着蜿蜒路径移动时的碰撞，无论 的复杂程度。虽然估计潜在的确切时间和位置 作者认为，电缆的碰撞或缠绕需要很高的计算负荷 目标是在很短的时间内产生结果。该算法是迭代的 在具有不同问题大小的模拟中进行测试，以验证其有效性。的 计算结果表明该算法能够产生可靠的应用解决方案 在合理的时间内进行实时操作。

“使用蛋白质语言的嵌入改进蛋白质琥珀酰化位点预测 型号”

蛋白质琥珀酰化是一种重要的翻译后修饰 (PTM)
负责细胞中许多重要的代谢活动，包括细胞呼吸、 调节、修复。在这里，我们提出了一种结合了以下特征的新颖方法 使用来自名为 ProtT5-XL-UniRef50 的蛋白质语言模型的嵌入进行监督词嵌入 （以下称为 ProtT5）在深度学习框架中预测蛋白质琥珀酰化 网站。据我们所知，这是使用嵌入技术的首次尝试之一 用于预测蛋白质琥珀酰化位点的预训练蛋白质语言模型。拟议的 与现有方法相比，名为 LMSuccSite 的模型取得了最先进的结果， MCC、敏感性和特异性的性能得分为 0.36、0.79、0.79， 分别。 LMSuccSite 可能成为探索的宝贵资源 琥珀酰化及其在细胞生理学和疾病中的作用。

“LMSNOPred：改进的蛋白质 S-亚硝基化位点深度学习框架 使用基于 Transformer 的蛋白质语言模型的嵌入进行预测”

背景：蛋白质 S-亚硝基化 (SNO) 是转移硝酸盐的关键机制 动物和植物中氧化物介导的信号已成为重要的信号 调节所有主要类别的蛋白质功能和细胞信号传导的机制 蛋白质。它参与多种生物过程，包括免疫反应、 蛋白质稳定性、转录调控、翻译后调控、DNA 损伤 修复、氧化还原调节，是氧化还原信号保护的新兴范例 对抗氧化应激。开发强大的计算工具来预测蛋白质 SNO 网站会很有用
进一步阐明SNO的病理和生理机制。

结果：通过集成监督词嵌入和嵌入来使用集成方法 根据蛋白质语言模型，我们开发了一个名为 LMSNOPred（蛋白质语言 基于模型的 SNO 站点预测器）。在实验确定的独立测试集上 SNO 站点，LMSNOPred 的 MCC 灵敏度值分别为 0.339、0.735 和 0.772 和特异性。与其他 SNO 站点预测方法相比， LMSNOPred 代表了 s-亚硝基化位点预测的显着改进。

结论：据我们所知，LMSNOPred 网站是第一个 使用蛋白质语言模型 (pLM) 的嵌入来预测蛋白质 SNO 位点。在一起， 这些结果表明我们的方法代表了一种稳健的计算方法 蛋白质 s-亚硝基化位点的预测。

“具有基于变压器的生物医学图像编码的 Gabor 滤波器嵌入式 U-Net 细分”

医学图像分割涉及目标区域的分类过程 它们的形状、方向和尺度通常各不相同。这需要 高精度算法，因为医学图像中的边缘分割错误可能会导致 导致后续手术诊断不准确。 U-Net框架已成为一种 用于医学图像分割的主要深度神经网络架构。 由于医学图像中涉及的物体形状复杂且不规则，鲁棒特征 对应于各种空间变换的表示是实现的关键 成功的结果。虽然基于U-Net的深度架构可以执行特征提取 和本地化，专门架构或层修改的设计是 通常是一项复杂的任务。在本文中，我们提出了解决该问题的有效方法 通过将 Gabor 滤波器组引入到 U-Net 编码器中，目前尚未得到很好的解决 在现有的基于 U-Net 的分割框架中进行了探索。此外，全局自注意力 机制和 Transformer 层也被纳入 U-Net 框架中 捕捉全球背景。通过对两个基准数据集的广泛测试，我们表明 带有 Transformer 编码器的嵌入 Gabor 滤波器的 U-Net 可以增强鲁棒性 深度学习的特征，从而获得更具竞争力的性能。

“GAF-NAU：用于像素级的格拉米安角场编码邻域注意力 U-Net 高光谱图像分类”

“通过血栓形成模型改善腹主动脉瘤的特征”

摘要背景：腹主动脉瘤 (AAA) 的患病率很高 (9-10%) 前辈之间。我们的目标是描述 AAA（缓慢增长与快速增长）的特征。 因此，更好的管理策略（立即干预与频率干预） 影像监测）可以根据患者具体情况进行设计。

方法：有或没有血栓形成的 3D 几何 AAA 模型（仅限血管腔） 使用可用的对比增强 CTA 数据为 64 名人类受试者生成了这些数据。 AAA 根据生长速度分为慢速（< 5 毫米/年）或快速（≥ 5 毫米/年） 串行成像。使用内部Python脚本来计算几何参数 (>40) 有或没有血栓形成。检索到患者的相关健康信息 在 IRB 批准下通过医疗记录。支持向量机（SVM），一种成熟的 机器学习方法，通过 10 倍交叉验证（100 次迭代）运行 评估预测强度。

结果：在研究的 64 个 AAA 中，快速增长与缓慢增长之间的比率 接近1:2。联合降压药物、并存冠心病 动脉疾病、接近 AAA 的主动脉大小以及五个几何参数 量化血栓形成的程度为 AAA 的生长状态提供了最佳准确性： 接收工作曲线下面积（AUROC）和总精度分别为 0.82 和 0.75， 分别有 60% 和 83% 的快速增长和缓慢增长的 AAA 被正确识别， 分别。在不考虑血栓形成的情况下，AUROC 和我们预测的准确性 快速增长的 AAA 分别下降至 0.78 和 54%。

““注意”恶劣天气：基于天气感知、注意力的物体检测”

尽管深度神经网络最近取得了进展，但不良目标检测 由于一些传感器在不利条件下的感知能力较差，天气仍然充满挑战 天气。多模态融合不再依赖于单一传感器，而是一种有前景的方法 基于多个传感器提供冗余检测信息的方法。然而， 大多数现有的多模态融合方法在调整焦点方面效果不佳 动态恶劣天气下不同检测环境下的不同传感器 条件。此外，同时观察局部和全局信息至关重要 在复杂的天气条件下，这在大多数早期或后期都被忽视了 多模式融合工作。鉴于这些，本文提出了Global-Local Attention （GLA）框架自适应地融合多模态传感流，即相机、 门控相机和激光雷达数据，处于两个融合阶段。具体来说，GLA 集成了 通过局部注意力网络进行早期融合，通过全局注意力网络进行后期融合 注意网络处理局部和全局信息，它自动 在后期为具有更好检测特征的模态分配更高的权重 融合以自适应地应对特定的天气条件。实验结果 证明所提出的 GLA 与最先进的技术相比具有优越的性能 各种恶劣天气条件下的融合方法，如小雾、浓密 雾和雪。

“扩大代码批评者”

早期的计算机编程课程给学生和学生带来了许多挑战 导师。对于编码新手来说，他们的大部分时间都花在掌握手柄上 学习特定语言的基本语法，同时学习解决问题的方法 完成编码作业所需的技能。在开发这些基础的同时 技能、有意义和即时的反馈至关重要。然而，来自的消息和警告 编译器或解释器通常不足以向新手解释错误 程序员。这些错误消息是针对专家的，可能会适得其反 给新手编码员。  教师可能会发现很难维持一定程度的反馈 有利于学生的学习，因为在一个学校里教的学生数量 给定的课程。此外，教师不能总是按需满足学生的需求 由于工作安排冲突而需要反馈。

“评估消融对心房血流动力学的影响”

本研究旨在评估导管消融对心房颤动的影响 左心房 (LA) 血流动力学和几何变化。这项探索性研究 包括 10 名因 AF 接受导管消融的患者进行计算流程 模拟。在消融前后模拟完整的心动周期数据集 使用计算流体动力学。该研究的主要终点是 LA 的变化 体积、LA 速度、LA 壁切应力 (WSS)、循环 (Н)、涡度、肺 静脉（PV）口区域，以及消融前后的 LA 涡流。有一个平均 消融后 LA 体积减少 (11.58±15.17%)，PV 口面积减少 (16.6±21.41%)。 消融后观察到速度和 WSS 变化的不均匀趋势。比较 消融前，4 名患者表现出较低的速度、WSS 分布和 减少了 Γ (-21.4±10.6%)，并且 6 开发了更高的速度和 WSS 分布 消融后。这些几何变化决定了 LA 中不同的流量混合 以及不同的涡流模式，其特征在于不同的旋转速度、涡度， 以及消融前和消融后的旋转方向。 q-criterion>0 的区域 被发现在洛杉矶占主导地位，表明普遍存在旋转涡旋结构。 AF 导管消融引起 LA 和 PV 不同的几何变化 除了总体影响之外，还影响洛杉矶的流动混合和涡流模式 速度和 WSS 分布。进一步探讨导管消融的影响 对心内血流动力学的研究有必要辨别一般且统一的模式 这可能与临床结果相关。

“针对不断变化的数据流的公平自适应过采样”

机器学习越来越多地参与决策系统，这对决策系统的影响越来越大 对我们的社会产生深远的影响。由于机器学习算法造成的不公平决策 越来越多的报道，机器学习中的算法公平性正在增强 注意。因此，构建流媒体机时要考虑算法公平性 学习是必不可少的一步。在线公平学习是流媒体的一个分支 机器学习结合了算法公平性和概念漂移挑战。 在本文中，我们首先回顾了类平衡技术的局限性，然后 研究如何为二元分类实现公平、平衡的数据流 存在概念漂移的问题。我们认为这种情况下的适应性公平 不断发展的数据流更接近现实世界的要求并且更好地解释 公平类别平衡技术。

“使用 BERT 和 3D 根据放射学报告和 CT 图像对肺结节进行分类 卷积神经网络”
最近，基于深度学习的方法在检测肺结节方面引起了广泛关注 来自 CT 图像。然而，缺乏大规模的医学图像数据集和类别 不平衡问题成为主要障碍。在本研究中，我们提出了一种基于两分支的 深度学习框架通过利用文本报告和 图像。  一个分支采用基于 BERT 的自然语言输入文本数据 处理算法，而另一个分支旨在提取有用的特征 使用 3D 深度卷积网络。这项研究的结果表明有望 协助放射科进行肺结节分类的工作流程和质量控制过程。

“使用机器学习根据临床症状和 X 射线图像预测 COVID-19 模型”

抗击 COVID-19 的关键一步是对患者进行有效诊断， 流行的方法是利用胸部 X 光图像和症状来做出决定 制作。在这项研究中，我们探索了流行的机器学习模型，用于自动 从 X 射线图像以及临床症状中检测 COVID-19。实验结果 显示基于卷积神经网络的方法和临床症状的前景 例如喉咙痛和头痛表现出一定程度的意义。结果 这项研究将为医学研究界加速发展提供良好的参考 开发用于 COVID-19 检测和治疗的实用人工智能解决方案。

“使用来自 胸部 CT 图像”

本研究旨在开发一种自动分割肺实质的方法 胸部 CT 图像并分析分段肺实质的纹理特征 协助放射科医生进行 COVID-19 诊断的地区。一种新的分割方法， 将 3D V-Net 与使用空间实现的形状变形模块集成 变换网络（STN）被提出用于胸部 CT 中的肺实质分割 图像。通过复杂的统计模型进一步分析放射组学特征 具有高可解释性，可以发现重要的独立特征并检测 COVID-19 感染。实验结果表明，与手动相比 注释，所提出的分割方法实现了Dice相似系数 为 0.9796，灵敏度为 0.9840，特异性为 0.9954，平均表面距离 误差为0.0318毫米。此外，我们的 COVID-19 分类模型实现了一个领域 曲线下 (AUC) 为 0.9470，灵敏度为 0.9670，特异性为 0.9270。"

“贝叶斯神经网络分类器量化不确定性的解释和使用 用于乳腺组织病理学图像”