XiaoMi-AI文件搜索系统
World File Search System提升机
gl-icnn：端到端解释的卷积...
摘要 - 基于卷积神经网络（CNN）的深度学习方法显示，基于成像数据，基于成像数据的痴呆症的早期和准确诊断的早期和准确诊断都很大。但是，这些方法尚未在临床实践中被广泛采用，这可能是由于深度学习模型的解释性有限。可解释的提升机（EBM）是玻璃框模型，但无法直接从输入成像数据中学习功能。在这项研究中，我们提出了一个可解释的新型模型，该模型结合了CNN和EBM，以诊断和预测AD。我们制定了一种创新的培训策略，该策略将CNN组件作为功能提取器和EBM组件作为输出块而交替训练CNN组件，以形成端到端模型。该模型将成像数据作为输入，并提供预测和可解释的特征重要性度量。我们验证了有关阿尔茨海默氏病神经影像学计划（ADNI）数据集的拟议模型，以及Health-Ri Parelsnoer神经疾病生成疾病生物库（PND）作为外部测试集。所提出的模型以AD和对照分类为0.956的面积为0.956，预测轻度认知障碍（MCI）在ADNI队列上进行AD的预测为0.694。所提出的模型是与其他最先进的黑盒模型相当的玻璃盒模型。我们的代码可在以下网址提供：https：//anonymon.4open.science/r/gl-icnn。索引术语 - Alzheimer氏病，MRI，深度学习，转换神经网络，可解释的提升机器，明显的人工智能
优化糖尿病诊断：使用 Hyperband 的 ADGB 可提高预测准确性
本研究引入了一种创新的机器学习框架，以提高糖尿病预测准确性和模型可解释性。该方法首先通过链式方程 (MICE) 进行多次插补，以解决缺失数据并确保完整的数据集以供分析。为了解决类别不平衡问题，采用了合成少数过采样技术 (SMOTE)。使用 Z 分数异常值检测来去除异常值，进一步提高模型的稳健性。结合灰狼优化器 (GWO) 和方差分析的混合特征选择方法混合 GWAN 优化了相关特征的选择，平衡了预测能力和模型简单性。该框架的核心是自适应增强梯度增强机 (ADGB)，这是一种融合了 AdaBoost 和梯度增强机 (GBM) 优势的集成学习模型。通过 Hyperband 算法进行超参数优化可以对模型进行微调，实现 97.84% 的高预测准确率。这种综合方法不仅提高了准确性，还提高了预测模型的精度、召回率和 F1 分数。通过整合这些先进技术，该框架在早期糖尿病诊断中展现出巨大潜力，强调了集成方法在医疗数据分析中的重要性以及开发可靠诊断工具的准确、可解释模型的必要性。关键词：灰狼优化器、梯度提升机、合成少数群体、公共健康 1. 介绍
Mk 45 舰炮系统
1 炮盾 • 铝制外壳，用于对炮部件进行防风雨、防弹和防生化防护。上部结构 [炮室] 在系统运行期间无人值守。• 支撑检修门、系统通风、液压集水箱和与防护罩一体的减压缓冲器。 2 枪尾 • 固定炮管内的子弹以便射击，连接电动撞针，并在射击时容纳爆炸压力。 3 炮口防护罩 • 提供动态外壳，覆盖和密封炮的仰角弧，并为炮管和弹壳弹出门安装防风雨端口。 4 炮尾机构 • 液压活塞驱动的连杆，用于在射击或哑火事件后升高和降低枪尾以及提取推进剂所需的部件。 5 炮管外壳 • 支撑炮管的炮尾端。• 安装后坐和反后坐缸以及阀控气体喷射系统以清除炮管中的残留气体。 6 支架 • 为上部火炮提供基座环和耳轴支撑。 • 安装传动系统和升降动力驱动器、上部蓄能器系统、滑动组件和防护罩。 • 为火炮的传动系统和升降功能提供轴。 7 支架 • 为传动系统轴承和齿轮环的固定组件提供安装在甲板上的平台。 8 支架 • 升至火炮升降轴，将垂直方向的弹药从上部提升机转移到火炮滑动装置的指向角，以方便后膛装填。 9 滑动装置 • 主要组件
UH-60V 医疗后送任务装备包 (MEP)
UH-60V 医疗后送任务设备包 (MEP) UH-60V 医疗后送飞机计划于 24 财年开始部署。计划是从 Corpus Christ 陆军仓库 (CCAD) 部署飞机，包括 B 套件在内的完整医疗后送配置均已部署。该计划取决于是否有足够数量的 MEP 组件（升降机、Talon 炮塔、IMMSS 病人处理系统）来支持在 CCAD 安装飞机生产线。UH-60V 医疗后送的 MEP 支持取决于目前在战场上的任务设备的回收和再利用。到目前为止，任务设备的回收是 HH-60M 部署和从 UH-60A/L 飞机剥离或引入的设备回收的结果；但是，回收的设备数量远远达不到 UH-60V 医疗后送 MEP 的总需求。作为流程概述，必须回收任务设备，然后将其纳入 OEM 或有机翻新/维修计划，这是一个耗时的过程。完成后，可使用的资产将返回 PD MEDEVAC，并最终作为完整的 UH-60V MEDEVAC MEP 套件提供给 CCAD。美国陆军 UH-60V MEDEVAC 部署计划的成功需要部队在识别和回收任务设备方面的协助、合作和支持。如果您是拥有未安装任务设备的部队（外部提升机、IMMSS 和 TALON 炮塔，无论状况如何），请尽快联系 PD MEDEVAC 以协调回收该设备以支持 UH-60V MEDEVAC 部署。PD MEDEVAC POC 是 Michael W. Brooks，256-975-8485，michael.w.brooks28.civ@army.mil。
电线绳hoists goup系列
italkrane是由Enzo Banfi和Giovanni Penati于1962年在米兰成立的，他们直到2015年才明智地担任公司董事总经理和董事长。公司的目的是起重和运输设备的DE标志，建筑和商业化。该公司的创始成员在多年来在该行业时代市场领导者的责任水平上已经获得了巨大的技术和商业经验。创始成员希望建立一家工厂，该工厂将能够彻底改变当前的桥梁起重机和电动提升机的生产技术，并使用新的和先进的技术制造Innova Tive，精心设计的机械和设备。一开始，仅通过咨询服务就可以建造机电零件的优先级，使客户本人可以建立支持我的TAL结构，从而可以制造现代有效的工厂。五年后，该公司将其办公室转移到米兰以外的一个地点，那里可以提供金属木工工作和完整的设备。Bussero（米兰以东15公里）的地点包括现代工厂和单独的办公室建造，从生态学的角度研究了最大的乐趣，并与周围的Habi Tat完全和谐相处。自1962年以来，Italkrane通过一组能够解决任何问题的技术人员和工程师团队在开发和建设Machi NES的每个阶段为客户提供支持。我们在半个多世纪的活动中获得的经验是可靠性和能力的保证。italkrane还提供生产起重机所需的所有组件，除了相对结构（可根据要求，可根据要求，用于建造结构的技术图）。
癌症住院患者抗肿瘤药物诱发严重不良事件的风险因素模型：基于全球触发指标的回顾性研究
本研究旨在应用机器学习方法评估与严重不良事件 (SAE) 相关的危险因素并预测使用抗肿瘤药物的癌症住院患者 SAE 的发生。回顾性审查了 2017 年 1 月 1 日至 12 月 31 日期间入院的 499 名确诊为癌症的患者的病历。首先，使用全局触发工具 (GTT) 主动监测抗肿瘤药物引起的药物不良事件 (ADE) 和 SAE，并将阳性触发因素的数量作为中间变量。随后，通过单变量分析和最小绝对收缩和选择算子 (LASSO) 分析选出具有统计学意义的危险因素。最后，以LASSO分析后的危险因素作为协变量，采用基于逻辑模型、极端梯度提升（XGBoost）、分类提升（CatBoost）、自适应提升（AdaBoost）、轻梯度提升机（LightGBM）、随机森林（RF）、梯度提升决策树（GBDT）、决策树（DT）和基于七种算法的集成模型的列线图建立预测模型，并使用ROC曲线下面积（AUROC）、PR曲线下面积（AUPR）等一系列指标评估模型性能。在我们的样本中共识别出94名SAE患者，SAE的危险因素包括诱发因素数量、住院时间、年龄、联合用药数、既往化疗中发生的ADE以及性别。在测试队列中，基于逻辑模型的列线图的AUROC为0.799，AUPR为0.527。在八种机器学习模型中，GBDT 的预测能力最好（AUROC = 0.832 和 AUPR = 0.557），优于列线图，因此被选为建立预测网页。本研究提供了一种准确预测癌症住院患者 SAE 发生率的新方法。
通过遥感技术增强风侵蚀风险评估
防止风暴和沙尘暴一直是干旱和半干旱地区的主要问题，因为它们对环境产生了负面影响。这项研究旨在进行遥控感和机器学习技术，以建模，监视和预测伊朗东北部风侵蚀的风险。通过对相关研究的检查进行了全面的综述，从而鉴定了八个与现场数据相关性最高的遥感指标。随后使用这些指标来模拟研究区域中风侵蚀的风险。采用了各种方法，包括随机森林（RF），支持向量机（SVM），梯度提升机（GBM）和广义线性模型（GLM）来执行建模过程。最终方法利用了模型的加权平均值，SDM统计软件包用于结合不同的方法，以减少对该区域的模拟和监测风侵蚀时的不确定性。建模结果表明，在2008年，RF模型执行了最佳（AUC = 0.92，TSS = 0.82和Kappa = 0.96），而在2023年，GBM模型显示出较高的性能（AUC = 0.95，TSS = 0.79，和Kappa = 0.95）。因此，出现了合奏模型的利用是一种有效的方法，可以减少建模过程中的不确定性。通过采用整体模型，获得的结果准确地描绘了研究区域东北地区的风侵蚀强度升高，到2023年。此外，考虑到气候场景和占据的土地利用变化，预计到2038年，研究区的中部和南部地区的风侵蚀强度将增加23％。考虑了合奏模型的可靠结果，该模型提供了降低的不确定性，可以实施有效的计划，最佳管理和适当的措施来减轻风侵蚀的进展。
Mk 45舰炮系统
1 炮盾 • 铝制外壳，用于对火炮部件进行防风雨、防弹和防生化防护。上部结构 [炮室] 在系统运行期间无人值守。 • 支撑检修门、系统通风、液压集管箱和与防护罩一体的减压缓冲器。 2 枪尾 • 固定炮管内的子弹以便射击，连接电动击针，并在射击时容纳爆炸压力。 3 炮口防护罩 • 提供动态外壳，覆盖和密封火炮的仰角弧，并为炮管和弹壳弹出门安装防风雨端口。 4 炮尾机构 • 液压活塞驱动的连杆，用于在射击或哑火事件后升高和降低枪尾和提取推进剂所需的部件。 5 炮管外壳 • 支撑炮管的后膛端。 • 安装后坐和反后坐缸，以及阀控气体喷射系统，以清除炮管中的残留气体。 6 炮架 • 为上部火炮提供底环和耳轴支撑。 • 安装传动机构和仰角动力驱动器、上部蓄能器系统、滑动组件和防护罩。• 为火炮的传动机构和仰角功能提供轴线。7 支架 • 为传动机构轴承和齿轮环的固定部件提供安装在甲板上的平台。8 托架 • 升至火炮仰角轴线，将垂直方向的弹药从上部提升机转移到火炮滑动装置的指向角，以便于后膛装填。9 滑动装置 • 火炮发射部件的主要组件，包括托架、枪尾盖和枪尾机构；火炮身管外壳；空壳提取器和托盘。• 安装火炮仰角轴线的耳轴；安装仰角齿轮扇形装置。
利用机器学习实现医疗设备的网络安全
摘要 - 本研究旨在通过识别漏洞和推荐有效策略来增强起搏器设备的网络安全框架。目标是查明网络安全弱点，利用机器学习预测安全漏洞，并根据分析趋势提出对策。文献综述强调了起搏器技术从基本的固定速率设备向具有无线功能的复杂系统的转变，这在改善患者护理的同时，也带来了重大的网络安全风险。这些风险包括未经授权的进入、数据泄露和危及生命的设备故障。本研究的方法采用定量研究方法，使用 WUSTL-EHMS-2020 数据集，其中包括网络流量特征、患者的生物特征和攻击标签。机器学习预测的分步方法包括数据收集、数据预处理、特征工程和使用支持向量机 (SVM) 和梯度提升机 (GBM) 进行模型训练。实施结果使用准确度、精确度、召回率和 F1 分数等评估指标来表明 GBM 模型优于 SVM 模型。 GBM 模型的准确率高达 95.1%，而 SVM 的准确率仅为 92.5%，精确率高达 99.6%，而 SVM 的准确率仅为 96.7%，召回率高达 94.9%，而 SVM 的召回率仅为 42.7%，F1 得分高达 76.3%，而 SVM 的 F1 得分仅为 59.0%，这使得 GBM 模型在预测网络安全威胁方面更为有效。这项研究的结论是，GBM 是一种有效的机器学习模型，可通过分析网络流量和生物特征数据模式来增强起搏器网络安全。未来改善起搏器网络安全的建议包括实施 GBM 模型进行威胁预测、与现有安全措施集成以及定期更新和再训练模型。
使用机器学习模型随机森林预测缺血性中风的大血管闭塞
摘要背景鉴于疾病的发病率和干预时间窗短，在院前及时识别大血管闭塞 (LVO) 极为重要。目前的评估策略仍然具有挑战性。本研究的目的是开发一个机器学习 (ML) 模型，使用院前可访问的数据来预测 LVO。方法纳入 2016 年 1 月至 2021 年 8 月期间在基于计算机的急性卒中患者在线数据库（用于卒中管理质量评估-II）数据集中接受 CT 或 MR 血管造影并在症状出现后 8 小时内接受再灌注治疗的连续急性缺血性卒中患者。我们开发了八个 ML 模型，将美国国立卫生研究院卒中量表 (NIHSS) 项目与人口统计学、病史和血管危险因素相结合，以识别 LVO 并验证其有效性。结果最终，15 365 名患者被纳入训练集，4 215 名患者被纳入测试集。在测试集上，随机森林 (RF)、梯度提升机和极端梯度提升的曲线下面积 (AUC) 为 0.831（95% CI 0.819 至 0.843），高于其他模型，其中 RF 的特异性最高（0.827）。此外，RF 的 AUC 高于其他量表，与 NIHSS 相比，模型的准确率提高了 6.4%。我们还发现识别 LVO 的前五项是 NIHSS 总分、凝视偏差、意识水平 (LOC)、LOC 命令和左腿运动。结论 我们提出的模型可以成为基于院前可获取医疗数据的预测 LVO 的有用筛查工具。试验注册号 NCT04487340。