XiaoMi-AI文件搜索系统
World File Search System效用
评估基因组效用的一般方法
检测名称 实验室 无丙种球蛋白血症小组 ARUP 实验室 阿什肯纳兹犹太人疾病小组 ARUP 实验室 线粒体疾病小组 ARUP 实验室 肌萎缩侧索硬化症小组 ARUP 实验室 主动脉病小组 ARUP 实验室 自闭症小组 ARUP 实验室 Brugada 综合征小组 ARUP 实验室 血管畸形综合征 ARUP 实验室 视网膜色素变性 / Leber 先天性黑蒙小组 ARUP 实验室 心肌病和心律失常小组 ARUP 实验室 周期性发热综合征小组 ARUP 实验室 心律失常测序小组 EGL Genetics 心律失常缺失 / 重复小组 EGL Genetics 自闭症谱系障碍 EGL Genetics 心肌病小组 EGL Genetics 纤毛病小组 EGL Genetics 先天性糖基化障碍 EGL Genetics ACOG/ACMG 携带者筛查靶向突变小组 EGL Genetics 癫痫 EGL Genetics 眼部疾病 EGL Genetics 神经肌肉疾病 EGL Genetics 努南综合征及相关疾病 EGL Genetics 身材矮小小组 EGL Genetics 心脏骤停小组 EGL Genetics
人工智能公平性与效用的联合优化
如今，人工智能越来越多地被用于许多高风险决策应用中，其中公平性是一个重要问题。目前，已经有许多人工智能存在偏见并做出可疑和不公平决策的例子。人工智能研究界提出了许多方法来衡量和减轻不必要的偏见，但其中很少有方法涉及人类决策者的意见。我们认为，由于不同的公平标准有时无法同时满足，并且实现公平通常需要牺牲模型准确性等其他目标，因此，关键是要了解并遵守人类决策者关于如何在这些目标之间进行权衡的偏好。在本文中，我们提出了一个框架和一些示例方法来引出这些偏好并根据这些偏好优化人工智能模型。
利物浦不良药物反应的效用...
1 Jane代表（UFRJ）的联邦宇宙，农业教师。 Janeiro（RJ），巴西。 电子邮件：咀嚼。 orcidence ID：https：//orcid.org/0000-0002-0101-790x 2 Cross Ocean Fund（Poioruz），国立救世主服务（ESSP）。 Janeiro（RJ），巴西。 电子邮件：priftility.thaisb@gmail.com。 orcidence ID：https：//orcid.org/0000-0001-5086-5676 Janeiro（RJ），巴西。 电子邮件：土地。 Boxing.com。 orcidence ID：孔： 画家，英国。 电子邮件：collin.thorbinson@mft.nhs.uk; c.bains1@nhs.net;路易丝。 bracket@alderhey.nhs.uk; Mathew.nhs.uk; barry.pizer@alderhey.nhs.uk。 orcidence ID： Orcidence ID： Orcidence ID： Orcidence ID： Orcidence ID： UFRJ，药房教师。 Janeiro（RJ），巴西。 CEP 21941-9 电子邮件：e-lim@gmail.com1 Jane代表（UFRJ）的联邦宇宙，农业教师。Janeiro（RJ），巴西。电子邮件：咀嚼。orcidence ID：https：//orcid.org/0000-0002-0101-790x 2 Cross Ocean Fund（Poioruz），国立救世主服务（ESSP）。Janeiro（RJ），巴西。电子邮件：priftility.thaisb@gmail.com。 orcidence ID：https：//orcid.org/0000-0001-5086-5676 Janeiro（RJ），巴西。 电子邮件：土地。 Boxing.com。 orcidence ID：孔： 画家，英国。 电子邮件：collin.thorbinson@mft.nhs.uk; c.bains1@nhs.net;路易丝。 bracket@alderhey.nhs.uk; Mathew.nhs.uk; barry.pizer@alderhey.nhs.uk。 orcidence ID： Orcidence ID： Orcidence ID： Orcidence ID： Orcidence ID： UFRJ，药房教师。 Janeiro（RJ），巴西。 CEP 21941-9 电子邮件：e-lim@gmail.com电子邮件：priftility.thaisb@gmail.com。orcidence ID：https：//orcid.org/0000-0001-5086-5676Janeiro（RJ），巴西。电子邮件：土地。 Boxing.com。orcidence ID：孔：画家，英国。电子邮件：collin.thorbinson@mft.nhs.uk; c.bains1@nhs.net;路易丝。bracket@alderhey.nhs.uk; Mathew.nhs.uk; barry.pizer@alderhey.nhs.uk。orcidence ID： Orcidence ID： Orcidence ID： Orcidence ID： Orcidence ID：UFRJ，药房教师。Janeiro（RJ），巴西。CEP 21941-9 电子邮件：e-lim@gmail.comCEP 21941-9电子邮件：e-lim@gmail.com电子邮件：e-lim@gmail.com
量化低分辨率脑成像的效用
由于低领域的MRI技术已被传播到临床环境中，因此重要的是要评估正确诊断和治疗给定疾病所需的图像质量。在对正在进行的随机临床试验的事后分析中，我们评估了降低质量和深度学习增强图像的诊断效用，用于脑积水治疗计划。图像因分辨率，噪声和大脑和CSF之间的对比而降低，并使用深度学习算法增强。将降解和增强的图像均呈现给三个经验丰富的儿科神经外科医生，习惯于在LMIC中工作，以评估脑积水治疗计划中的临床实用性。结果表明，大脑和CSF之间的图像分辨率和对比度与噪声比率预测了有用的脑积水治疗计划的可能性。对于具有128x128分辨率的图像，对比度为2.5的比率具有很高的有用可能性（91％，95％CI 73％至96％； P = 2E-16）。深度学习增强了128x128的图像，其对比度非常低（1.5）和有用的概率较低（23％，95％，95％CI 14％至36％； P = 2E-16）增加了有用的明显可能性的可能性，但会带来明显的有用的可能性，但带来了误导性的误解=误导的误解=误导=误导的误解（cn）的实质性风险（cn）的误解（cn）的误解（cn）的实质性=（cn）的误解（cn）的误解=误导（cn）的误解（cn）的误解（cn）=误导后的误解（cn）。 21％，95％CI 3％至32％；较低的质量图像通常被认为是临床医生可以接受的，这对于计划脑积水治疗可能很有用。使用低质量图像的深度学习增强时，我们发现了误导结构错误的重大风险。这些发现提倡新标准，以评估可接受的图像质量以供临床使用。
果蝇的效用作为真菌感染模型
机会性真菌感染的全球影响很长一段时间（1）。然而，随着慢性和免疫抑制健康状况的增加，包括艾滋病毒/艾滋病，癌症，囊性纤维化和糖尿病，抗菌治疗和侵入性程序，使个人容易受到机会性感染的影响，这些感染的影响变得更加明显（1，2）。真菌通过直接感染宿主或通过其继发代谢产物，霉菌毒素，可能污染环境，食品和空气的颜料引起疾病（3）。这种疾病负担从超级到侵入性真菌感染范围，估计每年为100亿患者，每年死亡> 150万人死亡（2，4）。这些感染是由长期识别的病原体（如曲霉和白色念珠菌）（5-7）引起的，如Eumyycetoma（8、9）等被忽视的热带疾病以及新出现的病原体，例如念珠菌（10，11）。随着晚期分子和细胞生物学技术的发展，正在更详细地研究真菌致病性和毒力因子（12-14）。然而，随着新颖有效的抗真菌疗法的发展仍然不足，真菌威胁继续增长（15、16）。在2022年，世卫组织发布了WHO
人工智能公平性与效用的联合优化
如今，人工智能越来越多地被用于许多高风险决策应用中，其中公平性是一个重要问题。目前，已经有许多人工智能存在偏见并做出可疑和不公平决策的例子。人工智能研究界提出了许多方法来衡量和减轻不必要的偏见，但其中很少有方法涉及人类决策者的意见。我们认为，由于不同的公平标准有时无法同时满足，并且实现公平通常需要牺牲模型准确性等其他目标，因此，关键是要了解并遵守人类决策者关于如何在这些目标之间进行权衡的偏好。在本文中，我们提出了一个框架和一些示例方法来引出这些偏好并根据这些偏好优化人工智能模型。
评估低分辨率大脑成像的效用
由于低领域的MRI技术已被传播到世界各地的临床环境中，因此评估正确诊断和治疗给定疾病并评估机器学习算法的作用所需的图像质量，例如深度学习，在增强较低质量图像的增强中。在对正在进行的随机临床试验的事后分析中，我们评估了降低质量和深度学习增强图像的诊断效用，用于脑积水治疗计划。ct的感染后婴儿脑积水的图像因大脑和CSF之间的空间分辨率，噪声和对比度而降解，并使用深度学习算法增强了。将降解和增强的图像均呈现给三个经验丰富的儿科神经外科医生，这些神经外科医生习惯于在低至中收入国家（LMIC）工作，以评估用于脑力头脑的治疗计划中的临床实用性。此外，为了评估评估者的深度学习增强常规造成的重建误差是否可以接受。结果表明，大脑和CSF之间的图像分辨率和对比度与噪声比率预测图像的可能性被认为是对脑积水治疗计划有用的可能性。深度学习增强大大提高了对比度与噪声比率，从而提高了图像有用的明显可能性；但是，深度学习增强引入了结构性错误，从而造成了误导临床解释的重大风险。这些发现提倡新标准，以评估可接受的图像质量以供临床使用。我们发现，质量低于通常可以接受的图像对于脑积水治疗计划可能是有用的。此外，低质量的图像可能比通过深度学习增强的图像更可取，因为它们没有引入误导信息的风险，而这些信息可能会误导治疗决策。
关于人机协作中预测集的效用
对人机团队的研究通常为专家提供单一标签，这忽略了模型推荐中的不确定性。共形预测 (CP) 是一个成熟的研究方向，专注于构建一个理论上有依据的、经过校准的预测集，该预测集可能包含多个标签。我们探索此类预测集如何影响人机团队中的专家决策。我们对人类受试者的评估发现，集值预测对专家有积极影响。然而，我们注意到 CP 提供的预测集可能非常大，这导致 AI 助手无用。为了缓解这种情况，我们引入了 D-CP，一种对某些示例执行 CP 并听从专家的方法。我们证明 D-CP 可以减少非延迟示例的预测集大小。我们展示了 D-CP 在定量和人类受试者实验 (n=120) 中的表现。我们的结果表明，CP 预测集比单独显示 top-1 预测更能提高人类-AI 团队的表现，并且专家发现 D-CP 预测集比 CP 预测集更有用。