XiaoMi-AI文件搜索系统
World File Search System可视化
机器学习和可视化
主要抑郁症（MDD）的治疗通常涉及抗抑郁药，但对初始疗法的无反应仍然是一个重大的临床和经济负担。这项研究旨在评估13种常见的抗抑郁药的比较疗效和成本效益，涵盖4种药物类别：SSRIS，SNRIS，NASSAS和TCAS。通过使用机器学习和模拟患者数据，我们在两年内对无响应率进行了建模，从而突出了每种药物的累积风险轨迹。这项研究还涉及无响应率与估计的医疗保健成本之间的直接相关性，从而有助于抗抗抑郁症的经济含义的见解。分析揭示了各个类别的无响应模式，SSRI表现出最低的累积风险和成本变化。相反，纳入和TCA类表现出较高的无响应率，导致更大的财务压力。视觉表示，包括带有置信区间的线图，条形图，散点图和盒子图，提供了风险分布和经济影响的直观分解。这项研究的主要目标是指导临床医生和决策者选择具有成本效益和有效的抗抑郁药，最终改善患者的结果，同时最大程度地减少不必要的医疗保健支出。本研究通过将统计建模与视觉分析整合在一起，以解决MDD处理中临床疗效和经济可持续性的双重挑战。主题领域future工作将集中于合并现实世界中的人口统计和临床数据，以增强发现结果的精确性和适用性。
用于生物医学数据实例化和可视化的创新深度学习方法
摘要 大多数生物医学应用面临的主要问题之一是大量未标记的数据。人类专家手动分析和分类海量数据库大多是不可行的，在某些有限条件下（仍然极其耗时）只有部分工作仅针对专家可轻松识别的简单特征。关于这个方面，医学专家面临两个具有挑战性的问题：如何选择最重要的数据进行标记，以及数据集的最小大小是多少（但足以定义每种病理）以进行分类器的训练。在本章中，我们提出了一种基于可视化数据分析的新方法，以使用最少的标记数据构建有效的分类器。编码器是卷积变分自动编码器 (CVAE) 的一部分，用作 2D 可视化的数据投影。输入向量被编码到二维潜在空间中，这有助于专家直观地分析训练数据集的空间分布。
可视化方法评估医学图像分类神经网络的鲁棒性
深度学习方法已显示出在医学图像分析 [1] 中的高性能潜力，尤其是计算机辅助诊断的分类。然而，解释它们的决策并非易事，这可能有助于获得更好的结果并了解它们的可信度。已经开发了许多方法来解释分类器的决策 [2]–[7]，但它们的输出并不总是有意义的，而且仍然难以解释。在本文中，我们将 [8] 的方法改编为 3D 医学图像，以找出网络对定量数据进行分类的基础。事实上，定量数据可以从不同的医学成像模式中获得，例如用正电子发射断层扫描 (PET) 获得的结合电位图或从结构磁共振成像 (MRI) 中提取的灰质 (GM) 概率图。我们的应用重点是检测阿尔茨海默病 (AD)，这是一种诱导 GM 萎缩的神经退行性综合征。我们使用从 T1 加权 (T1w) MRI 中提取的 GM 概率图（萎缩的代理）作为输入。该过程包括两个不同的部分：首先训练卷积神经网络 (CNN) 以将 AD 与对照对象进行分类，然后固定网络的权重并训练掩码以防止网络正确分类训练后已正确分类的所有对象。这项工作的目标是评估最初为自然图像开发的可视化方法是否适用于 3D 医学图像，并利用它来更好地理解分类网络所做的决策。这项工作是原创作品，尚未在其他地方提交。
强制力导向放置：一种用于大图可视化的新算法
摘要 – 图形可视化是一种帮助用户基于人类感知轻松理解连接数据（社交网络、语义网络等）的技术。随着大数据的盛行，这些图形往往太大，无法仅凭用户的视觉能力进行解读。导致此问题的主要原因之一是节点离开可视化空间。人们已经进行了许多尝试来优化大型图形可视化，但它们都有局限性。在这些尝试中，最著名的是力导向放置算法。该算法可以为中小型图形提供漂亮的可视化效果，但当涉及到较大的图形时，它无法将一些独立节点甚至子图保留在可视化空间内。在本文中，我们提出了一种名为“强制力导向放置”的算法。该算法通过提出更强大的力函数来增强经典的力导向放置算法。我们将其命名为“FForce”，它可以在达到平衡位置之前将相关节点拉近彼此。这帮助我们获得了更多的显示空间，并使我们能够可视化更大的图形。
coxbase：一个流行病学监视，可视化，分析和键入coxiella burnetii基因组序列
摘要Q（查询）发烧是一种由革兰氏菌细菌引起的感染性人畜共患病。尽管该疾病已经研究了数十年，但由于欧洲各个农场的零星暴发，它仍然代表着威胁。缺乏用于巡逻数据管理的中央平台是一个重要的流行病学差距，在爆发的情况下是相关的。为了填补这一差距，我们已经设计并实施了一个在线，开源的，基于Web的平台，称为Coxbase（https：// coxbase.q-gaps.de）。该平台包含一个数据库，该数据库与元数据旁边有400多个Coxiella隔离株的基因分型信息，以注释它们。我们还使用五种不同的键入方法，查询现有分离株的查询，通过在世界地图上的聚集来对分离株的视觉构造，对分离株的视觉构造，对完全组装的coxiella序列的硅基因分型实现了特征，并提交了新的分离株。我们在从RefSeq数据库中下载的50个Coxiella基因组上测试了我们的计算机打字方法，除了序列质量较差的情况外，我们成功地基因分型了所有基因组。我们使用我们对所有50个基因组及其质粒类型的ADAA基因表型识别了新的间隔序列（MST），并确定了ADAA基因表型。
Georges Hattab – 简历 - 可视化小组
2018–2019 博士后研究员，德国国家肿瘤疾病中心 (NCT)、德国癌症研究中心 (DKFZ)、德累斯顿工业大学卡尔古斯塔夫卡鲁斯大学医院，德国德累斯顿。在计算机和机器人辅助手术领域对人体器官进行混合现实的生物力学分析和计算机视觉。由 Stefanie Speidel 教授指导 2014–2017 博士，比勒费尔德大学，生物数据挖掘组，基因组多样性和动态分析的计算方法 (DiDy)，德加 DFG 国际研究培训组，德国比勒费尔德。在时空实验中分析菌落动态并可视化细胞多样性。指导老师：Tim W. Nattkemper 教授和 Tamara Munzner 教授 2016 访问研究生，信息可视化小组，不列颠哥伦比亚大学 (UBC)，温哥华，不列颠哥伦比亚省，加拿大。开发一种有效的算法和数据抽象来分析延时图像数据中的细菌菌落生长。指导老师：Tamara Munzner 教授 2016 访问研究生，数据库和数据挖掘小组，计算机科学学院，西蒙弗雷泽大学 (SFU)，本拿比，不列颠哥伦比亚省，加拿大。科学交流。指导老师：Martin Ester 教授
QRS 环路的 3D 映射：心室电活动的可视化
本文介绍了用于分析和解释三维心动向量图 (VCG) 的创新可视化工具，重点关注心动周期的 QRS 波群。传统心电图 (ECG) 缺乏全面评估心脏所需的空间细节；然而，VCG 提供了心脏电活动的三维表示，让我们能够细致入微地了解心脏动力学。我们提出了五种不同的方法来表示空间 QRS VCG 环：(1) 跟踪心室去极化进展的未修改空间 VCG 环，(2) 便于跨个体和条件进行直接比较的固定比例 VCG 环，(3) QRS 环相对于 3D 空间中三个正交平面的方向。(4) 提供空间分布洞察的八分圆特定图，以及 (5) 强调方向运动同时标准化幅度的单位矢量和单位球体表示。每种方法在阐明正常和心脏病（例如前壁心肌梗死和下壁心肌梗死）中的心室电动力学方面都有独特的优势，突出了环路大小、传播方向、方向和形态的差异。这些方法共同为推进 VCG 研究和增强心脏功能的临床评估提供了一个强大的框架。初步研究结果突出了这些创新工具的潜力。
在不断变化的世界中，可视化和图像分析的重要性。
“LinköpingUniversity自1980年代以来一直是图像和视频压缩领域的主要参与者。这包括X射线图像的数字编码以及朝着MPEG数字电视标准的早期步骤。从这些应用程序中利用的知识促使人们开发了专门的视觉芯片，快速算法和用户友好的医疗应用，这是我们几家衍生公司的核心。”
信任AI：不确定性可视化会影响决策 -
人工智能（AI）是一个领域，其中计算机被利用来模仿或重现人类思想的解决问题和决策能力，对人们的工作和生活产生了重大影响。通过休闲，娱乐活动（Kulesza等，2012）和认真的游戏（Schueller等，2020; Jagtap等，2023），我们的日常生活中采用AI模型的日常生活显着增长Al。，2020）。直到最近，AI系统的开发主要是由“以技术为中心的方法”驱动的，该方法的重点是算法，而不是开发满足实际用户需求的有用的AI系统（Shneiderman，2020; Xu等，2023; Zheng et el。，2017）。然而，忽略了采用“以用户为中心的设计”（Abras等，2004），“以人为中心的设计”（Oviatt，2006）或“ Human-Ai”（Xu等，2023）方法，这些方法