XiaoMi-AI文件搜索系统
World File Search System数量化
超越体素预测的不确定性：识别值得信赖的脑损伤
摘要。深度神经网络已成为自动分割 3D 医学图像的黄金标准方法。然而，由于缺乏对提供的结果进行可理解的不确定性评估，临床医生仍然无法完全接受它们。大多数量化不确定性的方法，例如流行的蒙特卡罗 dropout，都限制了体素级预测的某种不确定性。除了与真正的医学不确定性没有明确的联系外，这在临床上也不令人满意，因为大多数感兴趣的对象（例如脑病变）都是由体素组组成的，而体素组的整体相关性可能不会简单地归结为它们各自不确定性的总和或平均值。在这项工作中，我们建议使用创新的图形神经网络方法超越体素评估，该方法由蒙特卡罗 dropout 模型的输出训练而成。该网络允许融合三个体素不确定性估计量：熵、方差和模型置信度；并且可以应用于任何病变，无论其形状或大小如何。我们证明了我们的方法在多发性硬化症病变分割任务中的不确定性估计的优越性。
人类寿命的大脑图表
在过去的几十年中，神经影像学已成为人脑基础研究和临床研究中无处不在的工具。然而，目前还没有参考标准来量化神经影像学指标随时间推移的个体差异，这与身高和体重等人体测量特征的生长图表不同 1 。在这里，我们整合了一个交互式开放资源，以对来自任何当前或未来 MRI 数据样本的大脑形态进行基准测试（http://www.brainchart.io/）。为了以现有的最大、最具包容性的数据集为基础制定这些参考图表，同时承认由于已知的 MRI 研究相对于全球人口多样性的偏见而导致的局限性，我们汇总了 100 多项原始研究中的 101,457 名人类参与者的 123,984 次 MRI 扫描，这些参与者的年龄在受孕后 115 天至 100 岁之间。MRI 指标通过百分位数分数量化，相对于生命周期内大脑结构变化的非线性轨迹 2 和变化率。脑图确定了以前未报告的神经发育里程碑 3 ，表明个体在纵向评估中具有高度稳定性，并证明了对原始研究之间的技术和方法差异的稳健性。与无百分位数的 MRI 表型相比，百分位数分数显示出更高的遗传性，并提供了非典型大脑结构的标准化测量，揭示了神经和精神疾病中神经解剖学变异的模式。总之，脑图是朝着稳健量化个体差异迈出的重要一步，以多种常用神经影像学表型中的规范轨迹为基准。
使用人工智能进行“Aimyon”分析
近年来，流媒体的兴起极大地改变了我们听音乐的方式。在智能手机带来的各种生活方式的改变中，音乐是发生巨大变化的消费者行为之一。人工智能根据用户的喜好自动生成推荐歌曲，并每日更换。流媒体服务的使用极大地改变了音乐消费方式，从选择喜欢的艺术家、歌曲和专辑的方式转变为以播放列表为中心的方式。要想通过流媒体创造热门歌曲，利用播放列表非常重要。而要被列入播放列表，歌曲需要是可以作为背景音乐反复收听的。为了增加各种播放列表中歌曲的播放次数，比起金属等声音激烈的歌曲，那些能让听众仔细聆听歌词的歌曲更合适。在流媒体排行榜上，播放次数才是指标，而不是销量或出席人数，热门歌曲只是一首好听到让人想一遍又一遍听的歌曲。唱片公司、艺人、经纪公司、大众媒体的力量减弱，歌词和音乐变得更为重要。这与CD单曲排名有很大区别。 Aimyon 被列入各公司的官方播放列表，例如“Top 50”和“Next Break”，这使她在流媒体中广受欢迎。 Aimyon 受欢迎的主要原因是她的歌词很棒。她的人气不仅源于她的歌词，而且加上流媒体这种偏爱让人想反复听的歌曲的媒介的协同效应，让她出道以来人气迅速飙升。本研究重点关注 Aimyon 的歌词，并考虑使用文本挖掘来量化歌词的数据。分析爱慕的歌词发现，“你”、“我”、“你们”、“我们两个”等词语在她的所有歌曲中都使用频繁，因为它们反映了她的艺术风格。