XiaoMi-AI文件搜索系统
World File Search System智能算法
Avey：一种用于自我诊断的精确人工智能算法
目标 介绍我们基于人工智能的症状检查器，严格测量其准确性，并将其与现有的流行症状检查器和经验丰富的初级保健医生进行比较。 设计案例研究。 设置 400 个黄金标准初级保健案例。 干预/比较器我们使用了 7 个标准准确性指标来评估 6 个症状检查器的性能。为此，我们开发并同行评审了 400 个案例，每个案例都得到了 7 名独立且经验丰富的全科医生中至少 5 名的认可。据我们所知，这产生了迄今为止该领域最大的基准案例套件。 为了建立参考框架并相应地解释症状检查器的结果，我们进一步将表现最佳的症状检查器与 3 名平均经验为 16.6 年的初级保健医生直接进行比较。主要结果测量我们从 7 个标准角度彻底研究了症状检查者和医生的诊断准确率，包括：(a) 𝑀 1、𝑀 3 和 𝑀 5 分别作为症状检查者或医生在前 3 种疾病中或前 5 种鉴别诊断疾病中返回小插图主要诊断的能力的测量指标；(b) 召回率作为症状检查者或医生鉴别诊断中返回的相关疾病百分比的测量指标；(c) 精确度作为症状检查者或医生鉴别诊断中相关疾病百分比的测量指标；(d) F1 测量作为召回率和精确度之间的权衡测量指标；(e) 归一化折现累积增益或 NDCG 作为症状检查者或医生鉴别诊断排名质量的测量指标诊断。结果 我们的基于 AI 的症状检查器 Avey 的表现明显优于 5 种流行的症状检查器，即 Ada、WebMD、K Health、Buoy 和 Babylon，使用 𝑀 1 时平均高出 24.5%、175.5%、142.8%、159.6%、2968.1%；使用 𝑀 3 时平均高出 22.4%、114.5%、123.8%、118.2%、3392%；使用 𝑀 5 时平均高出 18.1%、79.2%、116.8%、125%、3114.2%；使用召回率时平均高出 25.2%、65.6%、109.4%、154%、3545%；使用 F1 测量时分别为 8.7%、88.9%、66.4%、88.9%、2084%；使用 NDCG 时分别为 21.2%、93.4%、113.3%、136.4%、3091.6%。在精度方面，Ada 平均比 Avey 高出 0.9%，而 Avey 分别比 WebMD、K Health、Buoy 和 Babylon 高出 103.2%、40.9%、49.6% 和 1148.5%。与症状检查员相反，医生在使用精确度和 F1 测量时比 Avey 平均高出 37.1% 和 1.2%，而 Avey 在使用 𝑀 1、𝑀 3、𝑀 5、召回率和 NDCG 时分别比他们平均高出 10.2%、20.4%、23.4%、56.4% 和 25.1%。为了提高我们研究的可重复性并支持未来的相关研究，我们公开并免费提供了所有黄金标准小插图。此外，我们在网上发布了症状检查员和医生的所有结果（即 45 组
人类是否更喜欢去偏见的人工智能算法？职业推荐案例研究
目前，人们对公平人工智能 (AI) 和机器学习 (ML) 研究的兴趣激增，该研究旨在减轻 AI 算法中的歧视性偏见，例如性别、年龄和种族。虽然该领域的大多数研究都集中在开发公平的 AI 算法上，但在本文中，我们研究了人类-公平-AI 交互时出现的挑战。我们的结果表明，由于人类偏好和公平性之间存在明显的冲突，公平的 AI 算法本身可能不足以在现实世界中实现其预期的结果。以大学专业推荐为例，我们通过采用性别去偏见机器学习技术构建了一个公平的 AI 推荐器。我们的离线评估表明，去偏见的推荐器可以做出更公平、更准确的大学专业推荐。然而，一项针对 200 多名大学生的在线用户研究表明，参与者平均更喜欢原始的偏见系统，而不是去偏见系统。具体而言，我们发现与大学专业相关的感知性别差异是接受建议的决定性因素。换句话说，我们的结果表明，如果不解决人类的性别偏见，我们就无法完全解决人工智能建议中的性别偏见问题。他们还强调了迫切需要将公平人工智能研究的当前范围从狭隘地关注去偏见人工智能算法扩展到包括新的说服和偏见解释技术，以实现预期的社会影响。
人工智能智能算法能够自动表征所应用频率的正负介电泳范围
摘要：本研究描述了一种现象学方法，用于自动确定正负介电泳 (DEP) 的频率范围——一种可用于大规模并行微纳米组装的电动力。实验装置由带有金微电极阵列的微加工芯片组成，该芯片连接到一个函数发生器，该函数发生器能够数字控制 1 V（峰峰值）的交流信号和 10 kHz 至 1 MHz 范围内的各种频率。乳胶微珠（直径 3 µ m）的悬浮液在 DEP 力的影响下被吸引或排斥在微电极上，这是施加频率的函数。珠子运动的视频通过连接到显微镜的数码相机捕捉。OpenCV 软件包用于对图像进行数字分析并识别珠子。通过人工智能 (AI) 算法比较已识别珠子的连续帧位置，该算法确定微珠的云行为，并通过算法确定珠子是否受到电极的吸引或排斥。根据确定的珠子行为，算法将增加或减少应用的频率并执行由计算机控制的函数发生器的数字命令。因此，研究平台的运行完全自动化。AI 引导平台已确定正 DEP (pDEP) 在 500 kHz 频率以下活跃，负 DEP (nDEP) 在 1 MHz 频率以上有证据，交叉频率在 500 kHz 和 1 MHz 之间。这些结果与之前发表的通过实验确定的乳胶微珠的频率相关 DEP 行为一致。本研究描述的由实时 AI 引导反馈回路辅助的现象学方法将有助于主动操纵系统以实现期望的现象学结果，例如在电极处收集粒子，即使由于相互作用力的复杂性和多样性，无法进行基于模型的预测。
自动化人工智能算法的独立外部验证
通讯作者：Christoph Lee，医学博士，理学硕士，825 Eastlake Avenue East，G2-600，西雅图，华盛顿州 98109，电话：206-606-6783；stophlee@uw.edu，@christophleemd。#AWA 和 MLM 作为共同第一作者对这项工作做出了同等贡献。ICMJE 声明：对工作的构思或设计做出重大贡献：所有作者。工作数据的获取、分析或解释：所有作者。手稿起草：CIL，AWA。对手稿进行批判性修改以获取重要的知识内容：所有作者。领导角色：所有作者报告均受雇于非营利机构。Lee 博士是华盛顿大学西北筛查和癌症结果研究企业主任和 JACR 副主编。Houssami 博士是悉尼大学乳腺癌预防 NBCF 主席和 The Breast 的联合编辑。 Elmore 博士是加州大学洛杉矶分校国家临床学者项目主任，也是 Up-To-Date 杂志《成人初级保健》的主编。Buist 博士是 Kaiser Permanente 华盛顿健康研究所的研究和战略伙伴关系主任。Hofvind 博士是挪威癌症登记处乳腺癌筛查部门的负责人。
一种用于受损文物修复的组合人工智能算法
经过众多研究者的研究，人工智能可以很好地模仿人类的语言和视觉表达，并在声音和图片中模仿人类的风格。这种能力虽然依赖于学习数据，但人工智能比人类更客观，更基于数字数据。我们将其应用于过去通过人工智能神经网络制作的文化资产的修复，并将通用 CNN 稍微不同地应用于修复目的。文化财产包含从它们被创造的时代开始的各种背景，因此修复存在许多复杂性和困难。如果简单地将其视为噪音并恢复，结果取决于学习的数据。为了解决这个问题，将 CNN 分为完整和详细，并一起学习关联，并通过基于该神经网络的生成竞争网络 (GAN) 修复受损部分。我们训练了一个神经网络，该神经网络提取韩国“宝塔”（主要在佛教的影响下制作）的视觉特征，并进行了一项基于训练后的神经网络修复受损部分的研究。通过基于CNN的神经网络提取塔的特征，并基于提取的特征通过生成对抗网络（GAN）修复受损部分。我们认为我们的研究将来会积极用于文化遗产的修复以及考古记录的修复 关键词
文章 在不同建筑类型中使用人工智能算法实现智能建筑的节能
摘要：建筑物的供暖和制冷系统占总能耗的重要组成部分。欧盟的指令和承诺激励建筑业主和能源和建筑行业的相关利益相关者通过最大限度地利用可再生能源、信息和通信技术和自动化系统，实现净零能耗建筑。然而，建筑物翻新、就地使用可再生能源生产以及在中小型建筑中安装昂贵的信息和通信技术基础设施和自动化系统的高投资成本是欧盟建筑指令在中小型建筑中广泛采用的主要障碍。另一方面，在不同建筑物之间共享计算和数据存储资源的概念可以成为实现智能建筑和智能城市的替代方法，其中主要控制权位于服务器上。与其他专注于在建筑物或具有本地处理资源和数据存储的独立建筑物中实施 AI 技术的研究不同，本研究使用企业服务器来控制三种建筑类型的供暖系统，并研究在统一的节能平台中控制现有建筑的潜在好处。本研究的主要发现是，尽管 COVID-19 措施要求建筑物频繁通风，即使在使用旧式供暖系统的情况下，纳入所提系统的 AI 算法仍实现了约 20-40% 的显著节能，无论建筑类型、建筑功能和供暖系统类型如何。
视觉诱发电位中的人工智能算法-...
脑机接口 (BCI) 是一种使用脑电图 (EEG) 信号控制外部设备（例如功能性电刺激 (FES)）的技术。基于 P300 和稳态视觉诱发电位 (SSVEP) 的视觉 BCI 范例已显示出巨大的临床用途潜力。已经发表了许多关于基于 P300 和 SSVEP 的非侵入式 BCI 的研究，但其中许多研究存在两个缺点：(1) 它们不适用于运动康复应用，(2) 它们没有详细报告用于分类的人工智能 (AI) 方法或其性能指标。为了弥补这一差距，本文采用 PRISMA（系统评价和荟萃分析的首选报告项目）方法来准备系统文献综述 (SLR)。重复或与运动康复应用无关的 10 年以上的论文被排除在外。在所有研究中，51.02% 涉及分类算法的理论分析。在剩余的研究中，28.48% 用于拼写，12.73% 用于各种应用（轮椅或家用电器的控制），只有 7.77% 专注于运动康复。在应用纳入和排除标准并进行质量筛选后，共选出 34 篇文章。其中，26.47% 使用 P300，55.8% 使用 SSVEP 信号。建立了五个应用类别：康复系统（17.64%）、虚拟现实环境（23.52%）、FES（17.64%）、矫形器（29.41%）和假肢（11.76%）。在所有作品中，只有四篇对患者进行了测试。报告的用于分类的机器学习 (ML) 算法中，最常用的是线性判别分析 (LDA) (48.64%) 和支持向量机 (16.21%)，而只有一项研究使用了深度学习算法：卷积神经网络 (CNN)。报告的准确率范围为 38.02% 至 100%，信息传输速率范围为每分钟 1.55 至 49.25 比特。虽然 LDA 仍然是最常用的 AI 算法，但 CNN 已显示出令人鼓舞的结果，但由于其技术实施要求高，许多研究人员
研究文章蠕变参数反演和基于GP-DE智能算法的隧道的长期稳定性分析
针对吉林省Banshi隧道的蠕变问题，通过蠕变测试分析了岩石法律，并建立了描述隧道蠕变特征的CVSIC模型。考虑到高斯过程的优势和不同的进化算法，要准确地获得蠕变参数，并提出了一种高斯过程 - 过程差的进化智能反转方法。根据现场监视数据，隧道的蠕变参数被准确倒置。在此基础上，进行了隧道的稳定性分析和选择合理的施工计划。te研究结果表明，为了确保隧道的稳定性，应采用初始衬里 +管道 +高级灌浆锚杆的施工方案。te研究结果具有指导性的有效性，可用于对隧道的长期稳定性评估。
人工智能算法的范围审查......
摘要 目的 基于人工智能 (AI) 的临床决策支持系统 (CDSS) 已被开发用于解决医疗问题和加强医疗保健管理。我们旨在回顾文献以确定 AI 算法在内科专科 CDSS 中的趋势和应用。方法 在 PubMed、IEEE Xplore 和 Scopus 中进行了范围界定审查，以确定使用深度学习、机器学习和模式识别的 AI 算法的 CDSS 相关文章。本综述综合了 CDSS 的主要目的、AI 算法的类型和算法的整体准确性。我们搜索了 2009 年至 2019 年期间以英文发表的原始研究。结果 鉴于符合纳入标准的文章数量，本综述分析并展示了 3,467 篇文章中的 218 篇的结果。这 218 篇文章与基于人工智能的内科专科 CDSS 相关：神经重症监护（n = 89）、心血管疾病（n = 79）和肿瘤内科（n = 50）。我们发现 CDSS 的主要目的是预测（48.4%）和诊断（47.1%）。最常见的五种算法包括：支持向量机（20.9%）、神经网络（14.6%）、随机森林（10.5%）、深度学习（9.2%）和决策树（8.8%）。算法的准确率范围在神经重症监护中为 61.8% 到 100%，在心血管疾病中为 61.6% 到 100%，在肿瘤内科中为 54% 到 100%。其中只有 20.1% 的算法具有人工智能的可解释性，即提供人类可以理解的解决方案的结果。结论 更多的人工智能算法应用于 CDSS，对改善临床实践具有重要意义。监督学习仍占内科 AI 应用的大多数。本研究确定了四个潜在差距：对 AI 可解释性的需求、CDSS 的普及性不足、CDSS 的目标用户范围狭窄以及医疗报告标准对 AI 的需求。
简短报告使用人工智能算法实现医疗相关感染的自动化监测
医院相关感染 (HAI) 是医院中最常见的不良事件之一。我们在一项队列研究中使用人工智能 (AI) 算法进行感染监测。该模型正确检测出 73 名 HAI 患者中的 67 名。最终模型使用多层感知器神经网络，实现了 90.27% 的受试者工作曲线下面积 (AUROC)；特异性为 78.86%；灵敏度为 88.57%。呼吸道感染的效果最好 (AUROC 93.47%)。AI 算法可以识别大多数 HAI。AI 是一种可行的 HAI 监测方法，具有节省时间、促进准确的全院监测和提高感染预防绩效的潜力。ª 2021 作者。由 Elsevier Ltd 代表医疗感染协会出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。