XiaoMi-AI文件搜索系统
World File Search System技术预测
使用机器学习技术预测心脏病的有效模型——一项比较研究
摘要：心血管疾病是现代世界最重要的死亡原因之一，而对临床信息评估的重大障碍可能是对心血管疾病的预期。机器学习 (ML) 已被证明有助于在医疗行业的大量数据中进行预测和决策。此外，ML 算法已应用于物联网等许多重要领域。在本文中，我们应用了各种 ML 方法来预测和分类心脏病患者的疾病，包括 K-最近邻算法 (KNN)、朴素贝叶斯 (NB)、神经网络 (NN)、决策树 (DT)、支持向量机 (SVM)、随机森林 (RF)、逻辑回归 (LR)、梯度提升 GB)、随机梯度下降 (SGD) 和 Ada-Boost。对所有模型进行了评估，并选择了最准确的预测模型以提高心脏病发作预测的准确性。与其他模型相比，我们的结果高效、充分，可以帮助更有效、更准确地预测心脏病。
使用图像处理技术预测德黑兰证券交易所总指数的趋势
买卖金融证券，例如股票或债券。这些图表提供了对市场趋势和潜在交易机会的见解。我们通过利用图像处理技术来系统地从烛台图表中提取和分析模式来采用创新的方法。我们的发现强调了视觉数据在财务分析中的关键作用，尤其是在市场波动和不确定性时期。投资者在面对不稳定的市场趋势时通常会采取技术分析策略，通常依靠基于图表的分析得出的见解来指导其决策过程。通过精心从烛台图表中提取基本见解，我们的研究旨在为投资者提供更有效，更少的错误工具。最终，这项努力有助于提高决策精度，并减轻参与动态股票市场格局固有的风险。
第12科学技术预测调查Delphi调查列表详细和关键词
1 Health, Medicine and Life Sciences 104 Neuroscience and Psychosomatic Sciences Neurocircuits, Memory and Learning, Cognition and Emotions, Neurodegenerative Diseases, Dementia, Schizophrenia, Depression, Bipolar Disorders, Addiction, Autistic Spectrum Diseases, Sleep Disorders, Brain Metabolism, Blood-Brain Barrier, Brain Machine Interface (BMI), Neuromodulation 1 Health, Medicine and Life Sciences 105 Health Crisis Management Emerging and Revitalized Infectious Diseases, Drug Resistant Bacteria, Infectious Disease Treatment, One Health, Vaccines, Travelers' Vaccines, Surveillance, Disaster Medicine, Emergency Medicine, Mass Gathering, Pre-Hospital Emergency Medicine, Pandemic Countermeasures 1 Health, Medicine and Life Sciences 106 Ethics and Social Medicine Community Health, Environmental Medicine, Social Epidemiology, DOHaD （健康和疾病的发展起源，医疗安全，健康差异，ELSI，生命力方法，科学和技术创新的实施（政策研究），个人健康记录，个人健康记录（PHR），健康城市，健康AI发展和利用1健康，健康，医疗和生命科学107 Proteins, Genomic Information Database, Spatial Omics, Single Molecular Imaging, High-Order Genome Structure 1 Health, Medical, and Life Sciences 108 Life Information Science Medical Information, Genomic Information, Health, Medical, and Welfare DX, Health AI Development, Artificial Intelligence (AI), Machine Learning, Deep Learning, Data Science, Causal Inference, Dimensions Compression, clustering, statistical modeling, survival time analysis, large-scale language models, foundational models, generative models, simulation, cloud computing, hospital networks, information sharing (data sharing), generation AI, AI governance, PHR (personal health record), biobank, patient city participation (PPI) 1 Health, healthcare and life sciences 109 Global health One health, global warming, climate change and infectious diseases, Travelers' vaccines, infectious diseases, emerging and re-emerging传染病（包括一种健康），行星健康，旅行健康，移民卫生，外国健康，灾难医学，远程医学，无人机，外国卫生人员2农业，林业，渔业，渔业，食品和生物技术和生物技术
基于新型特征描述符和特征选择技术预测谷氨酸棒状杆菌启动子
启动子是重要的非编码DNA调控元件，与RNA聚合酶结合激活下游基因的表达。工业上人工精氨酸主要由谷氨酸棒杆菌合成，特定启动子区域的复制可增加精氨酸的产量，因此需要对谷氨酸棒杆菌中的启动子进行准确定位。在湿实验中，启动子的识别依赖于sigma因子和DNA剪接技术，这是一项费力的工作。为了快速方便地识别谷氨酸棒杆菌中的启动子，我们发展了一种基于新型特征表示和特征选择的方法来完成这项任务，通过多种理化性质的统计参数描述DNA序列，结合方差分析和层次聚类过滤冗余特征，其预测准确率高达91.6%，灵敏度91.9%可以有效识别启动子，特异性91.2%可以准确识别非启动子。此外，我们的模型可以在400个独立样本中正确识别181个启动子和174个非启动子，证明了所开发的预测模型具有良好的稳健性。
技术预测和社会变革中人工智能研究的演变：研究主题、趋势和未来方向
人工智能 (AI) 是一组快速发展的颠覆性技术，正在彻底改变与人、商业、社会和环境相关的各个方面。随着数字计算设备的普及和大数据的出现，人工智能正日益为社会和商业组织提供重要机遇。学者和从业者对人工智能的兴趣日益浓厚，导致在主要研究机构发表的大量学术文献中探讨的研究主题多种多样。本研究旨在绘制《技术预测与社会变革》（TF & SC）上发表的整体人工智能研究的知识结构和概念结构的演变。本研究使用基于机器学习的结构主题模型 (STM) 从人工智能研究文献中提取、报告和可视化潜在主题。此外，还研究了人工智能研究知识结构中的学科模式，并额外评估了人工智能的学科影响。主题建模的结果揭示了八个关键主题，其中医疗保健、循环经济和可持续供应链、消费者采用人工智能以及人工智能用于决策的主题多年来呈上升趋势。人工智能研究对商业、管理和会计、社会科学、工程、计算机科学和数学等学科有着重大影响。该研究基于循证研究方向，为未来提供了富有洞察力的议程，将有利于未来的人工智能学者发现当代研究问题并开展有影响力的研究来解决复杂的社会问题。
DTiGEMS+：使用图嵌入、图挖掘和基于相似性的技术预测药物-靶标相互作用
摘要 在可持续药物开发过程中，药物-靶标相互作用的计算机预测是一个关键阶段，特别是当研究重点是利用现有药物的重新定位时。然而，开发这样的计算方法并非易事，但却非常必要，因为当前预测潜在药物-靶标相互作用的方法存在高假阳性率。在这里，我们介绍了 DTiGEMS +，一种使用图嵌入、图挖掘和基于相似性的技术预测药物-靶标相互作用的计算方法。DTiGEMS + 结合了基于相似性和基于特征的方法，并将新型药物-靶标相互作用的识别建模为异构网络中的链接预测问题。DTiGEMS + 通过使用另外两个互补图（即：药物-药物相似性、靶标-靶标相似性）扩充已知的药物-靶标相互作用图来构建异构网络。DTiGEMS + 结合了不同的计算技术来提供最终的药物靶标预测，这些技术包括图嵌入、图挖掘和机器学习。 DTiGEMS+ 在应用相似性选择程序和相似性融合算法后，将多种药物-药物相似性和靶标-靶标相似性集成到最终的异构图构造中。使用四个基准数据集，我们表明 DTiGEMS+ 与其他用于预测药物-靶标相互作用的最先进的计算机模拟方法相比，显著提高了预测性能，在所有数据集中实现了最高的平均 AUPR（0.92），与最先进方法比较中表现第二好的模型相比，错误率降低了 33.3%。关键词：药物重新定位、药物-靶标相互作用、机器学习、图嵌入、异构网络、基于相似性、相似性集成、生物信息学、化学信息学
母校StudiorumUniversitàdiBologna Archivio ...
Bullini Orlandi L.，Zardini A.，Rossignoli C.，Ricciardi F.（2022）。 要做还是不做？ 影响疫苗覆盖率的技术和社会因素。 技术预测和社会变革，174，1-8 [10.1016/j.techfore.2021.121283]。Bullini Orlandi L.，Zardini A.，Rossignoli C.，Ricciardi F.（2022）。要做还是不做？影响疫苗覆盖率的技术和社会因素。技术预测和社会变革，174，1-8 [10.1016/j.techfore.2021.121283]。
使用机器学习技术预测遗忘型轻度认知障碍患者的淀粉样蛋白-β 水平
为了解决其中的一些限制，新的 NIA-AA 研究框架已提议使用 A β 沉积、病理性 tau 和神经变性 [AT(N)] 的生物标志物来诊断 AD 并降低研究样本的异质性。同样，最近的临床试验已经使用了在脑脊液 (CSF) 或脑中使用正电子发射断层扫描 (PET) 测量的淀粉样蛋白状态的生物标志物 [7]。虽然淀粉样蛋白 PET 被认为是非侵入性的，并且可能比 CSF 生物标志物更可靠 [8]，但其在研究和临床实践中的实用性有限。阻碍 PET 成像在研究和实践中广泛使用的因素包括可用性、经济因素（高成本、不在保险范围内）以及患者或护理人员的担忧（安全性、负担、耐受性和辐射暴露）[9]。
对科技促发委 2024-2025 年优先主题“可持续发展的技术预测和技术评估”的贡献
技术的快速发展不仅带来了前所未有的机遇，也带来了多方面的挑战和风险，包括社会经济混乱和环境影响等。科技创新预测 (ForSTI) 1 和技术评估 (TA) 2 是识别和了解关键新兴趋势以及新技术的创造和采用带来的风险和机遇的有用工具，有助于提高决策质量，使其更加明智、更加基于证据和更具包容性，促进包容性讨论，并确定国家层面未来科技创新政策的战略重点，从而能够更有效地适应技术和其他具有系统重要性的未来变化。科技创新预测是一个系统的过程，旨在展望未来，战略性地制定科技创新政策决策，并利用当前的政策行动来实现理想的未来。