前列腺癌是美国男性癌症死亡的第二大原因。前列腺MRI的诊断通常依赖于准确的前列腺区域分割。但是，最新的自动分割方法通常无法产生前列腺区域的含有良好的体积分割，因为某些切片的前列腺MRI（例如碱基和顶点片）比其他切片更难分割。可以通过考虑相邻切片之间的跨片段关系来克服这一困难，但是当前的方法不能完全学习和利用这种关系。在本文中，我们提出了一种新型的跨板夹心注意机制，我们在变压器模块中使用该机制，以系统地学习不同尺度的跨斜纹关系。该模块可以在任何基于Skip Connections的现有基于学习的细分框架中使用。实验表明，我们的跨板块注意力能够捕获前列腺区域分割中的跨板片信息，并提高当前最新方法的性能。我们的方法提高了外围区域的分割精度，从而使所有前列腺切片（Apex，Mid-Gland和Base）的分割结果保持一致。

Deep learning classifiers provide the most accurate means of automatically diagnosing diabetic retinopathy (DR) based on optical coherence tomography (OCT) and its angiography (OCTA). The power of these models is attributable in part to the inclusion of hidden layers that provide the complexity required to achieve a desired task. However, hidden layers also render algorithm outputs difficult to interpret. Here we introduce a novel biomarker activation map (BAM) framework based on generative adversarial learning that allows clinicians to verify and understand classifiers decision-making. A data set including 456 macular scans were graded as non-referable or referable DR based on current clinical standards. A DR classifier that was used to evaluate our BAM was first trained based on this data set. The BAM generation framework was designed by combing two U-shaped generators to provide meaningful interpretability to this classifier. The main generator was trained to take referable scans as input and produce an output that would be classified by the classifier as non-referable. The BAM is then constructed as the difference image between the output and input of the main generator. To ensure that the BAM only highlights classifier-utilized biomarkers an assistant generator was trained to do the opposite, producing scans that would be classified as referable by the classifier from non-referable scans. The generated BAMs highlighted known pathologic features including nonperfusion area and retinal fluid. A fully interpretable classifier based on these highlights could help clinicians better utilize and verify automated DR diagnosis.

减少的牵引力限制了移动机器人系统抵抗或施加大型外部负载的能力，例如拉紧有效载荷。一种简单且通用的解决方案是将束缚在天然发生的物体周围，以利用卡普斯坦效应并呈指数放大的固定力。实验表明，理想化的Capstan模型解释了对常见不规则室外物体（树木，岩石，柱子）经历的力放大。适用于可变环境条件，这种指数放大方法可以串联或与机器人团队并行利用单个或多个capstan对象。这种适应性允许一系列潜在配置，对于当对象无法完全包围或抓住时，特别有用。这些原则已通过移动平台证明（1）控制有效载荷的降低和逮捕，（2）以实现有效载荷的平面控制，以及（3）充当更大范围平台的锚点。我们显示了一个简单的系绳，包裹在沙子上的浅石头上，放大了低牵引力平台的持有力量，最多可达774倍。

胎儿镜检查激光​​光凝是一种广泛采用的方法，用于治疗双胞胎输血综合征（TTTS）。该过程涉及光凝病理吻合术以调节双胞胎之间的血液交换。由于观点有限，胎儿镜的可操作性差，可见性差和照明的可变性，因此该程序尤其具有挑战性。这些挑战可能导致手术时间增加和消融不完全。计算机辅助干预措施（CAI）可以通过识别场景中的关键结构并通过视频马赛克来扩展胎儿镜观景领域，从而为外科医生提供决策支持和背景意识。由于缺乏设计，开发和测试CAI算法的高质量数据，该领域的研究受到了阻碍。通过作为MICCAI2021内窥镜视觉挑战组织的胎儿镜胎盘胎盘分割和注册（FETREG2021）挑战，我们发布了第一个Largescale Multencentre TTTS数据集，用于开发广义和可靠的语义分割和视频摩擦质量algorithms。对于这一挑战，我们发布了一个2060张图像的数据集，该数据集是从18个体内TTTS胎儿镜检查程序和18个简短视频剪辑的船只，工具，胎儿和背景类别的像素通道。七个团队参与了这一挑战，他们的模型性能在一个看不见的测试数据集中评估了658个从6个胎儿镜程序和6个短剪辑的图像的图像。这项挑战为创建通用解决方案提供了用于胎儿镜面场景的理解和摩西式解决方案的机会。在本文中，我们介绍了FETREG2021挑战的发现，以及报告TTTS胎儿镜检查中CAI的详细文献综述。通过这一挑战，它的分析和多中心胎儿镜数据的发布，我们为该领域的未来研究提供了基准。

尽管电子健康记录是生物医学研究的丰富数据来源，但这些系统并未在医疗环境中统一地实施，并且由于医疗保健碎片化和孤立的电子健康记录之间缺乏互操作性，可能缺少大量数据。考虑到缺少数据的案例的删除可能会在随后的分析中引起严重的偏见，因此，一些作者更喜欢采用多重插补策略来恢复缺失的信息。不幸的是，尽管几项文献作品已经通过使用现在可以自由研究的任何不同的多个归档算法记录了有希望的结果，但尚无共识，MI算法效果最好。除了选择MI策略之外，归纳算法及其应用程序设置的选择也至关重要且具有挑战性。在本文中，受鲁宾和范布伦的开创性作品的启发，我们提出了一个方法学框架，可以应用于评估和比较多种多个插补技术，旨在选择用于计算临床研究工作中最有效的推断。我们的框架已被应用于验证和扩展较大的队列，这是我们在先前的文献研究中提出的结果，我们在其中评估了关键患者的描述符和Covid-19的影响在2型糖尿病患者中的影响，其数据为2型糖尿病，其数据为2型糖尿病由国家共同队列合作飞地提供。

对于放射科医生和深度学习算法而言，MRI的早期前列腺癌检测和分期是极具挑战性的任务，但是向大型和多样化数据集学习的潜力仍然是提高其内部和整个诊所的概括能力的有希望的途径。为了对原型阶段算法进行此项启用，其中大多数现有研究仍然存在，在本文中，我们引入了一个灵活的联合学习框架，用于跨站点培训，验证和评估深前列腺癌检测算法。我们的方法利用了模型体系结构和数据的抽象表示，该表示允许使用NVFlare联合学习框架对未打磨的原型深度学习模型进行培训。我们的结果表明，使用专门的神经网络模型以及在加利福尼亚大学两家研究医院收集的专门神经网络模型以及不同的前列腺活检数据的前列腺癌检测和分类精度的提高，这证明了我们方法在适应不同数据集并改善MR-Biomarker发现的方法方面的功效。我们开源的FLTOOLS系统可以很容易地适应其他深度学习项目进行医学成像。

语言模型既展示了定量的改进，又展示了新的定性功能，随着规模的增加。尽管它们具有潜在的变革性影响，但这些新能力的特征却很差。为了为未来的研究提供信息，为破坏性的新模型能力做准备，并改善社会有害的效果，至关重要的是，我们必须了解目前和近乎未来的能力和语言模型的局限性。为了应对这一挑战，我们介绍了超越模仿游戏基准（Big Bench）。 Big Bench目前由204个任务组成，由132家机构的442位作者贡献。任务主题是多样的，从语言学，儿童发展，数学，常识性推理，生物学，物理学，社会偏见，软件开发等等。 Big-Bench专注于被认为超出当前语言模型的功能的任务。我们评估了OpenAI的GPT型号，Google内部密集变压器体系结构和大型基础上的开关稀疏变压器的行为，跨越了数百万到数十亿个参数。此外，一个人类专家评估者团队执行了所有任务，以提供强大的基准。研究结果包括：模型性能和校准都随规模改善，但绝对的术语（以及与评估者的性能相比）；在模型类中的性能非常相似，尽管带有稀疏性。逐渐和预测的任务通常涉及大量知识或记忆成分，而在临界规模上表现出“突破性”行为的任务通常涉及多个步骤或组成部分或脆性指标；社交偏见通常会随着含糊不清的环境而随着规模而增加，但这可以通过提示来改善。

在这项研究中，我们提出了一种分布算法（HEDA）的混合估计来解决联合分层和样本分配问题。这是一种复杂的问题，其中每个可能分层的每个分层的每个分层的质量都被测量其最佳样本分配。佳航是随机黑盒优化算法，可用于估计，构建和采样概率模型在寻找最佳分层中。在本文中，我们通过添加模拟退火算法来提高EDA的开发属性，使其成为混合EDA。原子和连续地层的经验比较结果表明，与使用分组遗传算法，模拟退火算法或爬山算法相同数据的基准测试相比，HEDA达到了最佳结果。但是，对HEDA的执行时间和总执行较高。

时间序列数据收集之间的因果发现可以帮助诊断症状的原因，并希望在发生故障之前防止故障。然而，可靠的因果发现可能非常具有挑战性，特别是当数据采集率变化（即，不均匀的数据采样）时，或在存在丢失的数据点（例如，稀疏数据采样）时。为了解决这些问题，我们提出了一个由两个部分组成的新系统，第一部分填充了具有高斯进程回归的缺失数据，第二部分利用了回声状态网络，即储层计算机（即，用于混沌的类型系统建模）对于因果发现。我们评估我们提出的系统对其他三个现成的因果发现算法的性能，即结构期望 - 最大化，子采样的线性自动回归绝对系数，以及使用田纳西州伊斯曼的传染媒介自回归的多变量格兰杰因果关系化学数据集;我们报告了它们对应的Matthews相关系数（MCC）和接收器操作特征曲线（ROC），并表明所提出的系统优于现有的算法，展示了我们在缺失条目中发现复杂系统中的因果关系的可行性。

在医学成像领域越来越多地探索联合学习，以培训在不同数据中心分布在不同数据中心的大规模数据集上的深入学习模型，同时通过避免转移敏感患者信息来保护隐私。在此稿件中，我们在多域的多域的多任务设置中探索联合学习，其中不同的参与节点可以包含来自不同域的数据集，并训练以解决不同的任务。我们评估了两种不同实验设置的对象检测和分段任务的跨域联合学习：多模态和多器官。我们对跨领域联合学习框架的实验的结果非常令人鼓舞，对于器官定位，0.79的重叠相似性和0.65用于病变分割。我们的结果展示了在不共享来自不同域的数据的多域，多任务深度学习模型中联合学习的潜力。