XiaoMi-AI文件搜索系统
World File Search System半自动化
半自动化的MEA Spike Sorting（SAMS）方法用于高吞吐量评估培养的神经元
1美国威斯康星大学麦迪逊分校生物医学工程系，美国威斯康星州53705，美国2威斯康星大学麦迪逊分校，威斯康星州麦迪逊大学，威斯康星州53705，美国3美国神经科学系，医学院，医学和公共卫生学院威斯康星州麦迪逊，威斯康星州麦迪逊市，美国威斯康星州53705，美国5这些作者同样贡献了6个铅接触 *通信：Xinyu Zhao（Waisman中心和威斯康星大学麦迪逊大学医学与公共卫生学院神经科学系，麦迪逊大学，麦迪逊大学，麦迪逊大学，麦迪逊，麦迪逊大学，美国西澳州53705，USA; AVIAD HAI（威斯康星大学麦迪逊分校工程学院生物医学工程系，威斯康星州麦迪逊，美国53706，美国；电话：（608）890-3411;电子邮件：ahai@wisc.edu）;或阿里·罗森伯格（Ari Rosenberg）（威斯康星大学麦迪逊分校医学与公共卫生学院神经科学系，美国威斯康星州麦迪逊市53705；电话：（608）265-5782；电子邮件：ari.rosenberg@wisc.edu）
引入新芽（使用阈值的区域输出的半自动化划分）：一种适应性的计算机视觉工具，用于生成3D分段
3D图像数据的可用性提高需要提高目前依赖手动标记的数字细分效率，尤其是在将结构分为多个组件时。自动化和半自动化的方法，例如深度学习和智能插值，但需要预先标记的数据，以及专门的硬件和软件。深度学习模型通常需要手动创建广泛的培训数据，尤其是对于复杂的多级分段。在这里，我们介绍了Sprout，这是一种新颖的，半自动化的计算机视觉方法，提供了时间效率且用户友好的管道，用于细分和分析图像数据。发芽基于指定的密度阈值和连接组件的侵蚀生成种子（代表对象的部分），以实现元素分离。种子生长以获得完全分类的分割。我们将Sprout的性能与智能插值的性能进行比较，并将其应用于不同的数据集，以证明此开源3D细分方法的实用性和多功能性。
ti-nermerger：用于在网络安全中集成NER数据集的半自动化框架
摘要：最近的进步突出了高质量数据在开发准确的AI模型中的关键作用，尤其是在称为实体识别（TI-NER）的威胁智能中。这项技术自动化了广泛网络报告中信息的检测和分类。但是，缺乏可扩展的注释安全数据集阻碍了TI-NER系统的开发。为了克服这一点，研究人员经常使用数据增强技术，例如合并多个带注释的NER数据集以提高品种和可扩展性。整合这些数据集面临着挑战，例如保持一致的实体注释和实体类别以及对标准化标记方案的影响。手动合并数据集在大规模上很耗时且不切实际。我们的论文介绍了Ti-Nermerger，这是一个半自动化的框架，将各种Ti-NER数据集集成到可扩展的，合规的数据集中，与Stix-2.1等网络安全标准对齐。，我们通过使用DNRTI和APTNER数据集将框架的效率和效率进行了比较，从而验证了该框架的效率和有效性，从而产生了增强APTNER（2aptner）。结果表明，手动劳动减少了94％以上，在短短几分钟内节省了几个月的工作。此外，我们应用了高级ML算法来验证集成NER数据集的有效性。我们还提供公开访问的数据集和资源，支持威胁情报和AI模型开发的进一步研究。
展示半自动化预的有效性...
最近的研究表明，适当的手动清洁内窥镜可减少 4-6 LOGS 或 99.99% 的微生物数量和有机负荷 (Puri 2017)，这凸显了彻底的预清洁的重要性。只有通过适当的预清洁过程才能达到高水平消毒，因为这可以防止生物膜的形成。虽然预清洁过程只需要很短的时间，但它在内窥镜再处理中的重要性至关重要。如果仪器不干净，那么它肯定无法达到无菌状态。然而，其他一些研究表明，目前的再处理和过程控制程序往往不够充分和安全。最近的研究表明，其中一个主要原因是员工教育不足。(Knight 201X)可以肯定地说，当前的时间问题和缺乏正确的知识导致了当前与内窥镜感染有关的问题。手动清洁通常很有效，但在实践中难以控制。
使用半自动化方法提高 Omop 词汇表中疫苗概念图的质量
观察性医学结果伙伴关系 (OMOP) 通用数据模型 (CDM) 提供了一个统一的模型来整合不同的真实世界数据 (RWD) 源。OMOP CDM 的一个组成部分是标准化词汇表（以下称为 OMOP 词汇表），它能够组织和标准化 OMOP CDM 各个临床领域的医学概念。对于来自不同源词汇表的具有相同含义的概念，一个被指定为标准概念，而其他则被指定为非标准或源概念并映射到标准概念。然而，由于源词汇表的异构性，OMOP 词汇表中可能存在映射问题，例如错误映射和缺失映射，这可能会影响使用
使用容积脑 MRI 研究半自动化方法评估胎儿宫内生长受限
表 1：对照人群和研究人群的特征，以平均值（SD）或频率和百分比以及显著性水平表示 研究组（n = 26） 对照组（n = 66） P 值 母亲的特征 母亲怀孕年龄（岁） 32.38（SD，5.26） 33.03（SD，4.66） .57 甲状腺疾病 3/26（11.5%） 4/66（6%） .40 贫血 1/26（3.8%） 5/66（7.5%） .67 凝血障碍 1/26（3.8%） 7/66（10.6%） .43 高血压 1/26（3.8%） 2/66（3%） 1 孕前糖尿病 1/26（3.8%） 0 .28 妊娠特征 自然受孕 21/26（80%） 57/65 a (88%) .51 胎儿性别 男 15/26 (57%) 男 32/66 (48%) .43 女 11/26 (42%) 女 34/66 (52%) MR 成像检查时的 GA 33.3 (SD, 2.79) 34.1 (SD, 2.58) .20 新生儿特征 分娩类型 阴道分娩 4/25 a (16%) 阴道分娩 43/64 a (67%) , .001 剖宫产 21/25 a (84%) 剖宫产 21/64 a (33%) , .001 出生周数 35.04 (SD, 2.66) 38.52 (SD, 1.27) , .001