XiaoMi-AI文件搜索系统
World File Search System准确性
基于深度学习方法的肿瘤学宠物成像的定量准确性的比较研究
在癌症的检测，治疗和随访方面，正电子发射断层扫描（PET）是一种敏感的，无创的成像方法，可提供分子级代谢信息和良好的病变解剖学形态信息（1-4）。在临床实践中，注射放射性药物的活动和获取时间通常受到安全性，患者耐受性或依从性的限制。减少获取时间可能会对患者的舒适性产生积极影响，并增加核医学分裂的患者吞吐量。儿童，健康的志愿者和癌症患者应接受较低剂量的示踪剂，以减少辐射暴露，以及进行多次跟踪扫描并使用不同的示踪剂来监测治疗进展。然而，减少注射剂量/采集时间可以增加图像噪声，降低信噪比（SNR）并增加潜在的不必要的伪像，从而影响诊断和定量准确性。
跨孔CT方法在地质灾害中的准确性统计评估
摘要摘要喀斯特地质危害对广东港大湾大湾地区的城市建设和地下太空发展和利用构成了重大挑战，尤其是在广州和深圳。喀斯特探索通常涉及通过钻探和地球物理信息结合识别和评估洞穴。近年来，跨孔计算机断层扫描（CT）地球物理方法由于其易于运行和获得地质信息的能力而广泛用于大湾地区的喀斯特勘探中。但是，该方法在识别洞穴方面的准确性仍需要进行定量评估。本文使用模型因子方法对统计分析了大量有关喀斯特钻孔和探索的数据，跨孔CT喀斯特识别的准确性进行了统计分析。结果表明，该方法可以准确检测到洞穴屋顶，地板和高度的埋入深度，平均误差小于5％。洞穴屋顶埋入深度的预测准确性仅具有极低的变异性，只有5％，而洞穴高度的预测精度具有中等变化，超过35％。交叉孔CT喀斯特识别方法的精度稳定性令人满意，并且不受CT方法类型，洞穴填充条件，发射和接收点距离，钻孔类型，洞穴屋顶厚度，钻孔距离和验证孔距离等因素的影响。最后，分析证实了预测洞穴高度的模型因素遵循威布尔分布。本文还对当前的跨孔CT方法进行了简单的校正，该方法将模型的平均准确性提高了4％，并使变异性降低了3％，而不会增加计算复杂性。研究结果可以为喀斯特地区的喀斯特洞穴探索和风险评估提供理论支持。
人工智能在提高患者诊断的准确性和效率方面的作用。
人工智能 (AI) 曾经只存在于科幻小说中，如今已牢牢扎根于现代医学领域，彻底改变了患者的诊断方式。凭借其处理大量数据、识别细微模式和做出精确预测的能力，AI 正在成为寻求更准确、更有效的患者诊断的强大盟友。本文将踏上 AI 与医疗保健的交汇之旅，揭示 AI 在提高患者诊断的准确性和效率方面发挥的变革性作用。AI 在医疗保健领域的发展历程可谓非同寻常。从最初在医学成像中的应用到如今进军各种医学专业，AI 的发展反映了对创新的不懈追求以及利用技术改善患者护理的承诺。AI 能力的核心在于其数据分析能力。AI 算法可以以惊人的速度和精度筛选大量数据集，包括电子健康记录、医学图像、基因组图谱，甚至可穿戴设备数据。这种分析能力使人工智能能够识别出细微的异常和相关性，甚至最敏锐的人类观察者也可能无法发现这些异常和相关性 [1]。
利用人工智能提高承保的准确性和透明度，从而改变人寿保险行业
ife 保险是数百万家庭的重要金融工具，通过减少过早死亡的财务影响，为家庭提供保障。仅在美国，人寿保险公司就共同管理着数万亿美元的保障，同时每年向受益人支付数十亿美元；根据美国人寿保险协会的数据，截至 2018 年底，个人的有效保险金额接近 12.1 万亿美元，向受益人支付的金额为 570 亿美元。1 为了支持这个庞大的金融生态系统，同时提供可承受的价格，保险公司必须通过承保流程估计个人人寿保险申请人的死亡风险。承保的准确性最终推动了人寿保险行业的长期稳定，因为承保后固定的保费总额必须足以抵消未来保证死亡福利的支出。与大多数每年更新和重新评估的保险类型（如财产和健康）不同，几乎所有的人寿保险单都是一次性的长期合同协议。因此，用于死亡风险评估的健康和行为数据的真实性和完整性至关重要。在过去的几十年里，人寿承保一直以人工审查和积分制系统为指导，这些系统主要独立考虑因素。因此，传统承保限制了保险公司准确估计数据风险和实现产品最佳价格效率的程度。
这不是“准确性与可解释性”——我们需要两者来打造值得信赖的 AI 系统
我们正在见证“人工智能经济和社会”的出现，人工智能技术正日益影响医疗保健、商业、交通和日常生活的许多方面。据报道，人工智能系统取得了许多成功，甚至超过了人类专家的准确性。然而，人工智能系统可能会产生错误，可能表现出偏见，可能对数据中的噪音敏感，并且往往缺乏技术和司法透明度，导致信任度降低并在采用过程中面临挑战。这些最近的缺点和担忧已在科学界和一般媒体上得到记录，例如自动驾驶汽车事故、医疗保健中的偏见、有色人种的招聘和人脸识别系统、看似正确的医疗决定后来被发现是由于错误的原因等。这导致许多政府和监管举措的出现，要求值得信赖和合乎道德的人工智能提供准确性和稳健性、某种形式的可解释性、人类控制和监督、消除偏见、司法透明度和安全性。交付可信 AI 系统所面临的挑战促使了对可解释 AI 系统 (XAI) 的深入研究。XAI 的目的是提供人类可理解的 AI 系统如何做出决策的信息。在本文中，我们首先简要总结当前的 XAI 工作，然后挑战最近的“准确性与可解释性”论点，因为它们是相互排斥的，并且只关注深度学习。然后，我们提出了在高风险可信 AI 系统交付的整个生命周期中使用 XAI 的建议，例如开发；验证/认证；以及可信的生产和维护。虽然我们的大多数示例和讨论都与健康和生物医学应用有关，因为它们对社会和经济影响巨大，并且有大量已发表的著作，但我们相信我们的建议与交付所有类型的高风险可信 AI 应用程序相关。
确定利用甲醇燃烧技术的间接量热仪的准确性和可靠性
摘要背景：市面上有几种间接量热法 (IC) 仪器，但缺乏比较有效性和可靠性数据。现有数据受到协议、受试者特征或单仪器验证比较不一致的限制。本研究的目的是使用甲醇燃烧作为跨实验室标准来比较代谢车的准确性和可靠性。方法：在 12 个代谢车上完成了八次 20 分钟的甲醇燃烧试验。计算了呼吸交换率 (RER) 和 O 2 和 CO 2 恢复百分比。结果：为了准确度，1 Omnical、Cosmed Quark CPET（Cosmed）和两个 Parvos（Parvo Medics trueOne 2400）测量的所有 3 个变量在真实值的 2% 以内； DeltaTracs 和 Vmax Encore System (Vmax) 在测量 1 个或 2 个变量（但不是全部变量）时都表现出相似的准确性。对于可靠性，8 种仪器被证明是可靠的，其中 2 种 Omnicals 排名最高（变异系数 [CV] < 1.26%）。Cosmeds、Parvos、DeltaTracs、1 Jaeger Oxycon Pro (Oxycon)、Max-II Metabolic Systems (Max-II) 和 Vmax 至少对 1 个变量可靠 (CV ࣘ 3%)。对于多元回归，湿度和甲醇燃烧量是 RER 的显著预测因子（R 2 = 0.33，P < .001）。温度和甲醇燃烧量是 O 2 恢复的显著预测因子（R 2 = 0.18，P < .001）；只有湿度是 CO 2 回收率的预测因素（R 2 = 0.15，P < .001）。结论：Omnical、Parvo、Cosmed 和 DeltaTrac 具有更高的准确性和可靠性。测试的仪器数量较少，并且气体校准变异性预计存在差异，限制了结论的普遍性。最后，可以在实验室中修改湿度和温度以优化 IC 条件。（Nutr Clin Pract.2018；33：206–216）
经颅超声和彩色多普勒超声对颅脑损伤的诊断准确性
新生儿成熟度：超声检查结果 早产儿 足月儿 室性脑出血 I 级 3(7.5%) 0(0.0)% 室性脑出血 III 级 1(2.5%) 0(0.0)% 硬膜下出血 0(0.0)% 1(2.5%) 脑内血肿 0(0.0)% 1(2.5%) PVL 1(2.5%) 0(0.0)% HIE 0(0.0)% 10(25%) 脑积水 0(0.0)% 8(20%) 先天性病变 0(0.0)% 5(12.5%)
术中映射确定的 fMRI 和 MEG 激活的准确性分析
目的通过观察术前脑映射方法的准确性如何随着用于分析的激活簇距离差异而变化，本研究旨在阐明如何使用术前功能性神经影像学以最大限度地提高映射准确性。方法在切除术前，使用功能性磁共振成像 (fMRI) 和脑磁图 (MEG) 映射 19 名脑肿瘤或海绵状血管瘤患者的语言功能。然后使用开颅后立即和切除前进行的直接皮质刺激映射来验证映射结果。对执行了运动 (n = 14) 和语言 (n = 12) 等效 MEG 和 fMRI 任务的患者子集进行单独和组合预测评估。此外，通过将敏感性和特异性与线性增加的距离阈值作图，确定了由 J 统计量评估的导致最大准确度的距离。结果 fMRI 显示运动和语言映射的最大映射精度均为 5 毫米。 MEG 显示，对于运动映射，40 毫米处的最大映射精度以及对于语言映射，15 毫米处的最大映射精度。在文献中使用的标准 10 毫米距离下，MEG 对运动和语言映射的特异性都高于 fMRI，但对运动映射的灵敏度较低。结合 MEG 和 fMRI 显示，对于运动映射，15 毫米和 5 毫米（分别为 MEG 和 fMRI 距离）的最大精度以及 10 毫米距离的 MEG 和 fMRI 的语言映射精度。对于运动映射，在最佳距离结合 MEG 和 fMRI 的精度高于单个预测的最大精度。结论本研究表明，fMRI 和 MEG 的语言和运动映射的精度在很大程度上取决于分析中使用的距离阈值。此外，与单独使用这两种方式相比，结合 MEG 和 fMRI 可以提高运动映射的精度。
错误、嵌合体、偏差和 GC 含量对扩增子测序准确性的影响
摘要 靶向扩增子测序广泛应用于微生物生态学研究。然而，测序伪影和扩增偏差令人担忧。为了确定这些伪影的来源，我们使用由来自 33 种细菌菌株的 16S rRNA 基因组成的模拟群落进行了系统分析。我们的结果表明，虽然测序错误通常只发生在低丰度操作分类单元中，但嵌合序列是伪影的主要来源。单序列和双序列主要是嵌合体。嵌合序列的形成与目标序列的 GC 含量显着相关。低 GC 含量的模拟群落成员表现出较低的嵌合序列形成率。GC 含量对序列恢复也有很大影响。定量能力明显有限，恢复率差异很大，预期和观察到的菌株丰度之间的相关性较弱。GC 含量较高的模拟群落菌株的恢复率高于 GC 含量较低的菌株。由于引物亲和力的差异，还观察到了扩增偏差。两步 PCR 策略将嵌合序列的数量减少了一半。此外，基于模拟群落的比较分析表明，几种广泛使用的序列处理流程/方法，包括DADA2、Deblur、UCLUST、UNOISE和UPARSE，在伪影去除和稀有物种检测方面各有优缺点。这些结果对于提高测序质量和可靠性以及开发新的算法来处理目标扩增子序列具有重要意义。
电子系统中故障预测的基于自发的时间点过程模型：提高准确性和解释性
现有的用于预测电子设备故障率的模型通常会显示出差异，与实际测量相比，稳定时期的预测值较高，在流失期间的值较低。尽管它们经常用于模拟时间序列过程中的强度函数，但复发性神经网络（RNN）却难以捕获事件序列之间的长距离依赖性。此外，强度函数的固定参数形式可以限制模型的概括。为了解决这些缺点，提出了一种新颖的方法，利用注意机制在不依赖强度函数的情况下生成时间点过程。为了量化模型和现实分布之间的差异，模型使用Wasserstein距离来创建损失函数。此外，为了提高可解释性和概括性，使用一种自动机制来评估过去事件对当前发生的影响。比较测试表明，这种方法的表现超过了可能的可能性模型，而没有先前了解强度功能和类似RNN的生成模型，从而将相对错误率降低了3.59％，并将错误预测准确性提高了3.91％。