XiaoMi-AI文件搜索系统
World File Search System分类器
使用非线性动态特征方法以及常规分类器
世界卫生组织（WHO）报告说，心血管疾病（CVD）和相关疾病在2015年在全球范围内造成1770万人死亡，占全球所有死亡率的31％[1]。几种技术可以诊断心脏病患者。可以使用许多复杂的治疗方法，但它们非常昂贵且笨拙，因此大多数人都无法使用它们。另一种CVD诊断方法是心脏听觉。通常使用听诊器检查患者，如果检测到异常，则可以将患者转介给心脏病专家。早期诊断出异常的心脏声音使医生可以采取纠正措施，以防止心血管干扰并治疗根本原因。Phoncardiogram（PCG）以图形方式表示声音。PCG信号可以诊断为心脏病和心血管系统的性能评估[2，3]。每个PCG都包含多个心脏周期，每个心脏循环均具有4个心脏声状态：S1，收缩，S2和舒张。这些声音是由每个心脏时期瓣膜关闭引起的，二尖瓣和三尖瓣在收缩前关闭，而舒张前的主动脉和肺瓣关闭。尽管它们的重要性，但心脏通常是
利用生成对抗网络增强脑电图可增强跨分类器和样本大小的大脑解码能力
脑电图 (EEG) 在大脑解码方面具有巨大潜力，由于需要大量数据，这一潜力尚未得到开发。机器学习的进步通过数据增强技术（如生成对抗网络 (GAN)）缓解了这种需求。在这里，我们评估了 GAN 可以在多大程度上增强 EEG 数据以提高分类性能。我们的目标是确定哪些分类器可以从 GAN 增强的 EEG 中受益，并估计样本量对 GAN 增强的影响。我们研究了三种分类器——神经网络、支持向量机和逻辑回归，涉及七种样本量，从 5 到 100 名参与者。GAN 增强的 EEG 增强了神经网络和支持向量机的分类能力，但没有增强逻辑回归。此外，随着样本量的增加，GAN 的增强效果会减弱——这表明它对小样本最有效，这可能有助于无法收集大量数据的研究。关键词：EEG、GAN、数据增强、神经网络、支持向量机、逻辑回归
神经外科患者的亨利气体溶解度优化双机器学习分类器
蛋白激酶和细胞因子的突变很常见，可能引起癌症和其他疾病。然而，我们对这些基因可突变性的理解仍然是惯例。因此，鉴于先前已知的与高突变率相关的已知因素，我们分析了数量编码可药物激酶匹配的基因（i）与远距离商人的接近或（ii）高a+t含量。我们使用国家卫生基因组数据查看器提取了这些基因组信息。首先，在研究的129个可吸毒的人激酶基因中，有106个基因满足因子（i）或（ii），导致82％的匹配。此外，在编码儿童多系统炎症综合征的促炎细胞因子的73个基因中发现了相似的85％匹配率。基于这些有希望的匹配率，我们进一步比较了利用暴露于太空样电离辐射的小鼠的20个从头突变的这两个因素，以确定这些看似随机的突变是否与此策略相似。然而，在这20个鼠遗传基因座中只有10个或（ii），仅导致50％的匹配。与高额销售FDA批准的药物的机制相比，该数据表明，对可药物目标的匹配速率分析是可行的，可以在系统上优先考虑新候选者的相对可突变性（因此是治疗潜力）。
临床适用微环境分类器作为软组织肉瘤肿瘤缺氧生物标志物的技术开发和验证
背景：软组织肉瘤 (STS) 是罕见的异质性肿瘤，需要生物标志物来指导治疗。我们之前得出了一个预后肿瘤微环境分类器（24 基因缺氧特征）。在这里，我们开发/验证了一种用于临床应用的检测方法。方法：在 28 份前瞻性收集的福尔马林固定石蜡包埋 (FFPE) 活检样本中比较了靶向检测 (Taqman 低密度阵列、nanoString) 的技术性能。通过与临床样本中的 HIF- 1 α /CAIX 免疫组织化学 (IHC) 进行比较，对 nanoString 检测进行了生物学验证。曼彻斯特 (n = 165) 和 VORTEX III 期试验 (n = 203) 队列用于临床验证。主要结果是总生存期 (OS)。结果：两种检测均表现出极好的可重复性。 nanoString 检测在体外缺氧条件下检测到 24 个基因特征的上调，而在体内 CAIX 表达高的肿瘤中，16/24 个缺氧基因上调。在曼彻斯特队列（HR 3.05，95% CI 1.54 – 5.19，P = 0.0005）和 VORTEX 队列（HR 2.13，95% CI 1.19 – 3.77，P = 0.009）中，缺氧高肿瘤患者的 OS 较差。在合并队列中，缺氧高肿瘤患者的 OS 独立预后（HR 2.24，95% CI 1.42 – 3.53，P = 0.00096）并与较差的局部无复发生存期相关（HR 2.17，95% CI 1.01 – 4.68，P = 0.04）。结论：本研究全面验证了更适合 FFPE STS 活检的微环境分类。未来用途包括：(1) 选择高风险患者进行围手术期化疗；(2) 生物标志物驱动的缺氧靶向治疗试验。
脑电图中心理运动意象分类的稳定性取决于分类器模型的选择和实验设计，而不是信号预处理
心理运动意象 (MI) 是指在心理上执行运动任务（Milton 等人，2008 年，例如打网球或游泳）。此类任务可用于体育领域（Schack 等人，2014 年）或评估严重脑损伤患者的认知表现（Stender 等人，2014 年；Engemann 等人，2018 年），利用事件相关去同步 (ERD) 可靠地检测脑损伤患者的高级认知功能（Cruse 等人，2011 年、2012b 年）。可靠地检测健康人的 MI 任务表现对于诊断工具评估无法对任务做出公开反应的脑损伤患者的隐性意识是必不可少的。在一项关于心理 MI 的里程碑式研究（ Goldfine 等人，2011 ）中，作者证明，所有健康对照组的脑电活动都有意识地调节，并与活跃心理或静息状态的时间锁定在一起。但这些调节是不一致的。因此，我们得出结论，在测试健康人时，即在考虑患有严重脑损伤的患者之前，是否有可能可靠地区分心理 MI 范式中的活跃状态和静息状态，这一点值得担忧。从技术上讲，稳定的心理 MI 大脑状态的检测似乎高度依赖于所使用的信号处理、分类程序和统计分析，正如对心理 MI 数据的重新分析（ Henriques 等人，2016 ）中所报告的那样。因此，在这项工作中，我们重新审视了健康个体中 MI 范式的潜力，并研究了四个不同的研究问题（RQ）。我们首先研究定量分析 EEG 数据时的两个非常关键的问题：伪影的识别和剔除以及电极空间的选择。由经过培训的研究人员对 EEG 信号进行目视检查，并手动去除充满伪影的信号周期，是从记录中去除受污染通道（Cruse 等，2011、2012a）或尾迹（Cruse 等，2012b）的常用方法。这种伪影剔除方法可以应用于明显的伪影，如眨眼或运动，但肌源性活动往往与感兴趣的大脑活动（McMenamin 等，2010）混合在一起，因此无法用这种策略从信号中去除。独立成分分析（ICA）是分离肌源性和大脑活动的有力工具。ICA 将数据分解为独立成分，然后通过目视检查将其分类为肌源性或真正的大脑活动。然而，受过训练的专家的错误分类可能是导致 ICA 性能有限的原因（Olbrich 等人，2011 年）。大约三分之一的 EEG 分类研究使用手动伪影清除，然后不进行伪影清除，并且
一个系统地评估深度学习分类器从原始多通道脑电图数据中学到的表示的框架
深度学习方法在原始脑电图（EEG）数据中的应用越来越普遍。这些方法提供了相对于手动设计功能的其他方法提高性能的可能性，但它们也提出了可解释性降低的问题。因此，许多研究试图提供与基于深度学习的RAW EEG分类领域的独特性解释性方法。在这项研究中，我们提供了这些方法的分类法，确定了提供有关空间，光谱和时间特征的见解的现有方法。然后，我们提出了一个新的框架，该框架由一系列解释性方法组成，以了解对经过原始脑电图数据培训的分类器的洞察力。我们的框架提供了类似于现有方法的空间，光谱和时间解释。，据我们所知，它还提出了第一种解释性方法，以洞悉脑电图中的空间和时空相互作用。鉴于脑电图和神经精神疾病分析的频繁使用和特征的重要性，这一点尤其重要。我们在自动化的重度抑郁症（MDD）诊断的背景下演示了我们提出的框架，培训在公开可用的数据集中采用强大的交叉验证方法训练高性能的一维卷积神经网络。我们确定了中央电极与其他电极之间的相互作用，并确定健康对照组和MDD个体之间额叶θ，β和γ的差异。我们的研究代表了基于深度学习的RAW EEG分类领域的重要一步，从而在互动性上提供了新的功能，并通过我们建议的分类法为未来的创新提供了方向。
使用权重重映射提高量子变分分类器的收敛性
摘要：近年来，变分量子电路 (VQC) 在量子机器学习中的应用大幅增加。VQC 的灵感来自人工神经网络，它作为大规模参数化函数逼近器，在广泛的 AI 任务中实现了非凡的性能。VQC 已经通过利用量子计算中更强大的算法工具箱，在泛化和训练参数要求更少等方面取得了令人鼓舞的成果。VQC 的可训练参数或权重通常用作旋转门中的角度，而当前基于梯度的训练方法并未考虑到这一点。我们引入了 VQC 的权重重新映射，以将权重明确地映射到长度为 2 π 的区间，这从传统 ML 中汲取了灵感，其中数据重新缩放或规范化技术在许多情况下都表现出巨大的好处。我们使用一组五个函数，并以变分分类器为例，在 Iris 和 Wine 数据集上对它们进行评估。我们的实验表明，权重重新映射可以提高所有测试设置中的收敛性。此外，我们能够证明，与使用未修改的权重相比，权重重新映射可将 Wine 数据集的测试准确率提高 10%。
使用T2 MRI脑图像和CNN二元分类器和DWT
摘要：目的：放射线学家使用磁共振成像（MRI）数据对脑肿瘤进行了手动和无创诊断和非侵入性分类。可能由于人为因素（例如缺乏时间，疲劳和相对较低的经验）而存在误诊的风险。深度学习方法在MRI分类中变得越来越重要。为提高诊断准确性，研究人员强调需要通过使用深度学习方法（例如卷积神经网络（CNN））来开发基于人工智能（AI）系统的计算机辅助诊断（CAD）计算诊断，并通过将其与其他数据分析工具（如波动型波现变换）相结合来改善CNN的性能。在这项研究中，开发了一个基于CNN和DWT数据分析的新型诊断框架，用于诊断大脑中的神经胶质瘤肿瘤以及其他肿瘤和其他疾病，并进行了T2-SWI MRI扫描。这是一种二元CNN分类，将“神经胶质瘤肿瘤”视为阳性，而其他病理为阴性，导致非常不平衡的二元问题。该研究包括对经过MRI的小波变换数据而不是其像素强度值的CNN进行比较分析，以证明CNN和DWT分析在诊断脑胶质瘤时的性能提高。还将提出的CNN体系结构的结果与使用DWT知识的VGG16传输学习网络和SVM机器学习方法进行了比较。此外，没有对原始图像应用预处理。使用的图像是与轴向平面平行的T2-SWI序列的MRI。方法：为了提高CNN分类器的准确性，拟议的CNN模型用作知识，通过将原始MRI图像转换为频域而提取的空间和时间特征，通过执行离散小波转换（DWT），而不是传统上使用的原始扫描以Pixel Intomesition的形式进行。首先，对每次MRI扫描进行了一个压缩步骤，该DWT施加了三个级别的分解级别。这些数据用于训练2D CNN，以将扫描分类为显示神经胶质瘤。拟议的CNN模型对MRI切片进行了培训，该模型源自382名各种男性和女性成年患者，显示出疾病选择的健康和病理图像（显示出神经胶质瘤，脑膜瘤，垂体，垂体，坏死，水肿，非onsence肿瘤，肿瘤，出血性焦点，水肿，缺血性，缺血性区域等）。这些图像由医学图像计算和计算机辅助干预（MICCAI）的数据库以及缺血性的中风病变细分（ISLE）对脑肿瘤细分（BRATS）挑战2016和2017的挑战以及2017年和2017年的挑战，以及在Chania，Crete，Crete，Crete，Crete，Crete，Crete，Saint George中保存的许多记录。结果：通过检查源自190名不同患者的MRI切片（未包含在训练集中），在实验中评估了所提出的框架，其中56％的胶质瘤显示了最长的两个轴小于2 cm，而44％的轴是其他病理效应或健康的病例。结果表明，当使用AS信息时，令人信服的性能是原始扫描提取的空间和时间特征。使用拟议的CNN模型和DWT格式的数据，我们实现了以下
使用静息态功能磁共振成像延迟数据对儿童癫痫的机器学习分类器进行比较
摘要。癫痫是最常见的儿科慢性神经系统疾病，每 150 名 10 岁以下儿童中就有 1 名患有癫痫；癫痫发作控制不佳会不可逆转地破坏正常的大脑发育。本研究比较了使用静息态功能性磁共振成像 (rfMRI) 延迟数据训练的不同机器学习算法检测癫痫的能力。对 63 名癫痫患者和 259 名健康对照者进行了术前 rfMRI 和解剖 MRI 扫描。分析了癫痫和健康对照队列的延迟 z 分数的正态分布，以确定 36 个种子区域的重叠情况。在这些种子区域中，研究队列之间的重叠范围为 0.44-0.58。使用主成分分析从延迟 z 分数图中提取机器学习特征。使用这些特征训练了极端梯度提升 (XGBoost)、支持向量机 (SVM) 和随机森林算法。受试者工作特征曲线下面积 (AUC)、准确度、灵敏度、特异性和 F1 分数
使用人工神经网络和六个机器学习分类器
摘要：2型糖尿病（T2DM）的早期诊断将提供早期的治疗干预措施，以控制疾病进展并最大程度地减少过早死亡。本文提出了人工智能和机器学习预测模型，用于更准确地诊断阿曼人口中的T2DM，并且使用特殊创建的数据集进行了更少的处理时间。六种机器学习算法：K-Nearest邻居（K-NN），支持向量机（SVM），幼稚贝叶斯（NB），决策树，随机森林（RF），线性判别分析（LDA）和人工神经网络（ANN）（ANN）。所有使用的数据都是从糖尿病前期寄存器手动收集的临床数据和阿曼南阿尔·巴蒂纳省的Al SHIFA卫生系统。将结果与最广泛使用的PIMA印度糖尿病数据集进行了比较。考虑到预测T2DM的11个临床特征。随机森林和决策树模型的性能要比所有其他算法都更好，而阿曼数据的准确性为98.38％。使用相同的模型和功能数量时，阿曼数据集获得的精度超过了PID 9.1％。分析表明，T2DM诊断效率提高了更多的特征，这在许多缺失值的情况下有助于。