XiaoMi-AI文件搜索系统
World File Search System数据融合
社论：人工智能与多模态医学成像数据融合改善心血管疾病护理
当今的数字健康旨在提高医疗服务效率以及个性化、及时的疾病护理。心血管疾病 (CVD) 是全球领先的死亡原因。在美国，三分之一的成年人患有某种形式的 CVD。预计到 2035 年，美国近一半的人口将患有至少一种 CVD，直接和间接总成本可能超过 1 万亿美元 (1-3)。医学成像数据涵盖多种主要以孤岛形式使用的模式。这些包括计算机断层扫描 (CT)、磁共振成像 (MRI)、CT 衍生的血流储备分数 (CT-FFR)、心脏 MRI、全心脏动态 3D 心脏 MRI 灌注、3D 心脏 MRI 晚期钆增强、心脏正电子发射断层扫描 (PET)、超声心动图和冠状动脉造影。然而，在混合配置中仅使用少数几种模式，例如正电子发射断层扫描与计算机断层扫描 (PET/CT)、单光子发射计算机断层扫描与 CT (SPECT/CT)、超声心动图和侵入性血管造影。整合这些不同的成像模式会给临床医生带来负担，因为它会增加复杂性、潜在的不准确性并增加医疗成本。本研究课题侧重于融合技术，该技术能够整合和建模这些多种模式，以提供互补信息，帮助改善心血管疾病护理。这些模式将利用机器学习 (ML) 和深度学习 (DL) 技术以及其他最先进的技术。以下是本研究课题的一些见解和发现：
智能医疗的人工智能和多模态数据融合：主题建模和文献计量学
摘要 人工智能 (AI) 的进步推动了广泛的研究，旨在为智能医疗开发多种多模态数据分析方法。基于定量方法的该领域文献大规模分析很少。本研究对 2002 年至 2022 年的 683 篇文章进行了文献计量和主题建模检查，重点关注研究主题和趋势、期刊、国家/地区、机构、作者和科学合作。结果表明，首先，文章数量从 2002 年的 1 篇增加到 2022 年的 220 篇，其中大多数发表在将医疗保健和医学研究与信息技术和人工智能联系起来的跨学科期刊上。其次，研究文章数量的显着增加可以归因于非英语国家/地区学者的贡献不断增加，以及美国和印度作者的显著贡献。第三，研究人员对各种研究问题表现出浓厚的兴趣，尤其是用于脑肿瘤分析的跨模态磁共振成像 (MRI)、通过多维数据分析进行癌症预测以及医疗保健中的人工智能辅助诊断和个性化，每个主题的研究兴趣都在显著增加。目前，一种新兴趋势是将生成对抗网络和对比学习应用于多模态医学图像融合和合成，并以数据为中心利用功能性 MRI 和脑电图的组合时空分辨率。这项研究有助于增强研究人员和从业者对基于多模态数据分析的人工智能智能医疗的当前焦点和未来发展轨迹的理解。
基于图的特征提取算法朝向脑部计算机界面的强大数据融合框架
摘要 - 目的：在大多数现有的大脑计算机界面（BCI）系统中，通常会忽略脑电图频谱动力学中隐藏的拓扑信息。此外，脑电图与其他信息性的大脑信号（例如功能性近红外光谱（FNIRS））的系统多模式融合尚未得到充分研究，以增强BCI系统的性能。在这项研究中，我们利用一系列基于图形的EEG特征来研究其在运动假想（MI）分类任务上的性能。方法：我们首先根据复杂的Morlet小波时间频率图提取用户多通道EEG信号的幅度和相位序列，然后将它们转换为无向图以提取EEG EEG拓扑特征。然后通过阈值方法选择基于图的特征，并与FNIRS信号的时间特征融合在一起，每个特征是由最小绝对收缩和选择算子（Lasso）算法选择的。然后，通过线性支持向量机（SVM）分类将融合功能分类为MI任务与基线。结果：与在频带过滤的时间eeg信号上构建的图相比，EEG信号的时频图提高了MI分类精度约5％。我们提出的基于图的方法还显示出与基于功率谱密度（PSD）的经典脑电图特征相当的性能，但是标准偏差较小，显示出在实用BCI系统中潜在使用的稳健性。关键字 - 大脑计算机界面（BCI），EEG-FNIRS数据融合，特征选择，图理论。我们的融合分析显示，与最高的FNIRS相对于单个模态效果相关时，与最高的FNIR相比，仅EEG的最高平均准确性仅为17％，而仅EEG的最高平均精度仅为最高的平均准确性，而最高的FNIRS的平均准确性仅为3％。显着性：我们的发现表明，通过使运动假想推理更加准确，更强大，利用混合BCI系统中基于图的特征的提议数据融合框架的潜在用途。
通用数据融合：实现具有成本效益的美国/俄罗斯/北约合作导弹防御
当各国具有共同的战略地缘政治和军事目标，但未就统一的军事指挥结构达成一致时，合作导弹防御可提高自主导弹防御系统组合的净效能。美国、俄罗斯和北约在这些情况下都有合作的良好记录。美国和俄罗斯在 20 世纪 40 年代通过二战中的租借法案分担了防御负担，最近在 20 世纪 90 年代的波斯尼亚也是如此。正如波斯尼亚稳定部队 (SFOR) 最高指挥官副手 Leontiy P. Shevtsov 上将 1997 年所说，“俄罗斯和北约开展的联合行动表明，我们可以通过军事合作共同努力实现和平目标。” 2 2002 年，随着北约/俄罗斯导弹防御研究和战区导弹防御演习的启动，这种合作扩展到导弹防御领域。3 在 2010 年 11 月于里斯本举行的北约峰会上，俄罗斯进一步批准其技术人员参与欧洲区域导弹防御系统的规划和开发。然而，总统德米特里·梅德韦杰夫警告说，导弹防御合作必须是“俄罗斯与北约之间的战略伙伴关系”。随着越来越多的国家开发和获得导弹防御系统，伙伴关系不仅有利于
利用深度学习实现成人和儿童脑肿瘤的多模态数据融合
摘要 深度学习在成像和基因组学中的引入显著推动了生物医学数据的分析。对于癌症等复杂疾病，不同的数据模式可能揭示不同的疾病特征，而将成像与基因组数据相结合，有可能比单独使用这些数据源时揭示更多信息。在这里，我们提出了一个深度学习框架，通过将组织病理学图像与基因表达谱相结合，可以预测脑肿瘤的预后。使用两个独立的队列（783 个成人脑肿瘤和 305 个儿童脑肿瘤），开发的多模态数据模型与单一数据模型相比获得了更好的预测结果，同时也识别出了更相关的生物学途径。重要的是，当在第三个独立的脑肿瘤数据集上测试我们的成人模型时，我们表明我们的多模态框架能够泛化并在来自不同队列的新数据上表现更好。此外，利用迁移学习的概念，我们展示了如何使用针对儿童胶质瘤进行预训练的多模态模型来预测两种更罕见（样本较少）的儿童脑肿瘤（即室管膜瘤和髓母细胞瘤）的预后。总而言之，我们的研究表明，可以成功实施和定制多模态数据融合方法，以模拟成人和儿童脑肿瘤的临床结果。
基于自适应学习的基于人类与肉手对抗游戏的多模式数据融合框架
在人类和机器人之间玩游戏已成为广泛的人类与机器人对抗（HRC）应用程序。尽管提出了许多方法来通过组合不同的信息来提高跟踪准确性，但仍需要解决机器人智能程度的问题以及运动捕获系统的抗干扰能力。在本文中，我们提出了基于自适应的增强学习（RL）多模式数据融合（ADARL-MDF）框架，教机器人手与人类一起玩摇滚纸 - 剪裁（RPS）游戏。它包括一种自适应学习机制，以更新整体分类器，一个RL模型，为机器人提供智力智慧，以及一个多模式数据融合结构，为干扰提供了阻力。相应的实验证明了ADARL-MDF模型的上述功能。比较精度和计算时间通过结合K-Nearest邻居（K-NN）和深卷积神经网络（DCNN）来表明集合模型的高性能。此外，基于深度视觉的K-NN分类器获得100％的识别精度，因此可以将预测的手势视为实际值。演示说明了HRC应用的实际可能性。该模型所涉及的理论提供了发展HRC智能的可能性。©2023作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
J-B HI特刊“多模式医学数据驱动的生物医学和健康信息学：挑战和解决方案”
随着医疗技术的持续发展，医疗数据介绍了多模式，高纬度和大规模的特征。多模式数据融合已成为生物医学研究领域的热点和尖端的方向，并且是改善疾病诊断和个性化治疗效果的关键。此外，随着大数据和人工智能（AI）技术的发展，生物信息学方法正在不断创新，为生物医学研究提供了强大的工具，并为多模式医学数据融合提供了强有力的支持。因此，多模式医学数据融合分析和生物信息学计算是当前生物医学研究的革命趋势。但是，在生物医学信息学快速发展的领域中，对各种医学数据源的整合和分析带来了前所未有的机会以及主要挑战。例如，数据处理和分析的复杂性，数据融合过程中的安全性和隐私保护，算法的复杂性以及模型的解释性。本期特刊将着重于多模式医学数据融合分析和生物信息学计算的最新进展，旨在讨论该领域的核心挑战和创新解决方案，并为研究人员，学者，从业人员，从业人员，科学家和相关领域的研究人员提供新的科学研究观点。感兴趣的主题包括但不限于以下内容：
轨迹融合算法评估 - Digital WPI
雷达是现代情报、监视和侦察的基石。虽然雷达可以确定空间区域内目标的位置，但存在着限制单个雷达精度的基本不确定性。用于减少这些不确定性的一种方法称为数据融合，涉及同时处理来自多个雷达的测量值。在现场使用数据融合的主要挑战之一是难以将对应于同一目标的单个检测实时关联到轨迹中。存在不同的数据融合算法来减少计算时间，但代价是较低的轨迹精度。MQP 的目标是在几种情况下量化不同数据融合算法的这些权衡。在 MQP 的这个 1/3 单元扩展中，将检查构建并用于生成模拟雷达数据的雷达模拟器。其中包括对理解雷达所需的背景信息的回顾以及对雷达、雷达探测和雷达跟踪基础知识的介绍。接下来是对雷达模拟器的完整解释和分析，然后是一些总结性评论。