Loading...
贡献者
机构名称：

贡献者

¥ 1.0
热度

Simon Michael Taylor 是澳大利亚国立大学监管与全球治理学院 2023-24 年度客座研究员。作为一名科学与技术研究学者，他研究构成自主决策系统的基础设施和谱系维度。这包括来自生物识别、机器学习、操作传感和自主无人机的数据和数字元素。作为澳大利亚标准委员会成员，他为人工智能工作组以及网络安全、物联网、隐私和数字身份领域的政策做出了贡献。出版物包括《人工智能与社会》（2020 年）特别法律问题、《科学、技术与人类价值观》（2022 年）以及由剑桥大学梅隆索耶研讨会成员编辑的《人工智能历史：权力谱系》合集。

添加pdf代下载 VIP点击下载文件

贡献者

Facebook Twitter Instagram Mail

主要关键词

贡献者PDF文件第1页

贡献者PDF文件第2页

贡献者PDF文件第3页

贡献者PDF文件第4页

贡献者PDF文件第5页

相关文件推荐

已发表版本的引用（APA）：JET 贡献者、Vega、J.、Citrin、J.、Ho、A.、Huijsmans、G.T.A.、Marin、M. 和 van de Plassche、K.L. (2022)。利用人工智能技术预测托卡马克等离子体中的中断。自然物理，18(7)，741-750。 https://doi.org/10.1038/s41567-022-01602-2
2022 年

已发表版本的引用（APA）：JET 贡献者、Vega、J.、Citrin、J.、Ho、A.、Huijsmans、G.T.A.、Marin、M. 和 van de Plassche、K.L. (2022)。利用人工智能技术预测托卡马克等离子体中的中断。自然物理，18(7)，741-750。 https://doi.org/10.1038/s41567-022-01602-2

¥1.0
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
2019 年

肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法

¥1.0