XiaoMi-AI文件搜索系统
World File Search System更佳
BCM-VEMT：根据 MRI 对脑癌进行分类...
摘要：脑癌很可能是近年来导致死亡的最主要原因。正确诊断癌症类型使专家能够选择正确的治疗方法和决策，从而挽救患者的生命。具有图像处理功能的计算机辅助诊断系统能够正确分类肿瘤类型，其重要性不言而喻。本文提出了一种增强方法，该方法可以使用深度学习和机器学习算法集合对磁共振图像 (MRI) 中的脑肿瘤类型进行分类。名为 BCM-VEMT 的系统可以对四个不同的类别进行分类，包括三类脑癌（神经胶质瘤、脑膜瘤和垂体）和非癌性（即正常类型）。开发了一种卷积神经网络来从 MRI 图像中提取深度特征。然后将这些提取的深度特征输入到多类 ML 分类器中，以对这些癌症类型进行分类。最后，使用加权平均分类器集合通过组合每个 ML 分类器的结果来实现更好的性能。该系统的数据集共有四类 3787 张 MRI 图像。BCM-VEMT 的表现更佳，胶质瘤类准确率为 97.90%，脑膜瘤类准确率为 98.94%，正常类准确率为 98.00%，垂体类准确率为 98.92%，总体准确率为 98.42%。BCM-VEMT 在对脑癌类型进行分类方面具有重要意义。
动态布尔建模揭示了...的影响
抗生素耐药性 (AMR) 是一个全球性的健康问题。导致 AMR 的一个关键因素是细菌通过流出泵输出药物的能力，这种能力依赖于 ATP 依赖性表达和几种控制基因的相互作用。最近的研究表明，在克隆细菌群体中存在显著的细胞间 ATP 变异，但在理解流出泵时，内在的细胞间 ATP 异质性的贡献通常被忽视。在这里，我们考虑 ATP 变异如何影响控制两种细菌物种中流出泵基因表达的基因调控网络。我们开发并应用了一个通用的布尔建模框架，该框架旨在结合基因表达动态对可用细胞能量供应的依赖性。理论结果表明，能量可用性的差异会导致流出基因表达的下游异质性明显。具有更高能量可用性的细胞对压力源的反应更佳。此外，在没有压力的情况下，模型细菌会产生异质性流出泵基因表达脉冲，这有助于持续存在流出表达活性增加的细胞亚群，从而可能形成一个持续的内在抗性细菌池。因此，这种建模方法揭示了细胞对抗菌药物反应异质性的重要来源，并揭示了流出泵相关抗菌药物耐药性的潜在可靶向方面。
通过深度学习预测癫痫发作......
脑电图 (EEG) 是一种广泛使用的重要技术，可用于辅助诊断癫痫和研究人脑的电模式。由于 EEG 信号的非平稳性质，不同患者的不同记录会话中的癫痫发作模式会有所不同。在这项研究中，我们实施了一种新的深度学习长短期记忆 (LSTM) 模型来检测脑肿瘤和癫痫发作。该过程包括四个关键步骤：EEG 信号预处理、发作前特征提取、使用灰狼优化 (GWO) 进行超优化以及基于 LSTM 的分类。评估利用了来自 EEG 和 ABIDE fMRI 数据集的长期 EEG 记录。通过试验各种模块和记忆单元层，首先进行预分析以确定最佳 LSTM 网络架构。LSTM 模型利用了许多检索到的特征，包括在分类之前提取的 EEG 通道之间的时间和频域信息。实施方法的发现揭示了准确预测癫痫发作同时最大限度地减少误报的显著优势。所实施的 LSTM 方法实现了 99% 的准确率、98% 的精确度、99% 的召回率和 98% 的 f1 测量值，与基于跨子模式相关的主成分分析 (SUBXPCA) 和梯度提升决策树 (GBDT) 方法相比，效果更佳。
用于解决 MAXCUT 的随机神经形态电路
摘要 — 寻找图的最大割点 (MAXCUT) 是一个经典的优化问题，它推动了并行算法的开发。虽然 MAXCUT 的近似算法提供了有吸引力的理论保证并展示了令人信服的经验性能，但这种近似方法可能会将主要的计算成本转移到随机采样操作上。神经形态计算利用神经系统的组织原理来启发新的并行计算架构，提供了一种可能的解决方案。自然大脑的一个普遍特征是随机性：生物神经网络的各个元素都具有内在的随机性，这是实现其独特计算能力的资源。通过设计利用与自然大脑类似的随机性的电路和算法，我们假设微电子设备中的内在随机性可以转化为神经形态架构的宝贵组成部分，从而实现更高效的计算。在这里，我们展示了神经形态电路，它将一组随机设备的随机行为转化为有用的相关性，从而为 MAXCUT 提供随机解决方案。我们表明，与软件求解器相比，这些电路的性能更佳，并认为这种神经形态硬件实现提供了扩展优势的途径。这项工作展示了将神经形态原理与内在随机性相结合作为新计算架构的计算资源的实用性。
治疗朊病毒病的二价 siRNA
药物降低 PrP 表达对动物模型中的朊病毒病有效，目前正在进行临床测试。将 PrP 降低 50% 可延长感染朊病毒的小鼠的生存时间和健康寿命，但不能防止症状出现或阻止疾病进展。其他候选药物应寻求将 PrP 表达降低到更低的水平。二价 siRNA 是一种新型寡核苷酸药物模式，在临床前模型中具有良好的效力、耐用性和生物分布数据，这激励我们在这项技术中寻找治疗朊病毒病的新药物候选物。在这里，我们首先确定一种针对小鼠 PrP 基因的工具化合物，并确定降低 PrP 的二价 siRNA 在感染朊病毒的小鼠中的功效。然后，我们引入了含有人类 PrP 基因完整非编码序列的人源化转基因小鼠系作为识别人类序列靶向药物的工具。我们鉴定出一种针对人类 PrP 基因的高效 siRNA 序列，并确定一种包含延伸核酸和与 RNA 靶标不匹配的 3′ 反义尾的化学支架可产生更佳的效力。我们提名降低 PrP 的二价 siRNA 2439-s4 作为人类朊病毒病的新候选药物。
黑白棋AI策略分析
黑白棋是古老游戏黑白棋 1 的现代改编版。在人工智能领域，由于它被认为不适合神经网络，因此被认为是一款有趣的游戏。此前人们认为黑白棋是一款可以通过分析方法轻松破解的游戏。2002 年，范登赫里克（Van Den Herik）的一项颇具影响力的调查预测，黑白棋将在 2010 年被破解 [1]。虽然较小版本的棋盘已经被破解，但是经典的 8×8 棋盘还没有完美的解决方案。游戏是人工智能的一个领域，其中代理的任务是在指定的动态游戏环境中与人类或其他游戏对手对抗，从而获得最大的分数。与人类对手的游戏研究可分为两个不同的研究领域：研究人类的思维过程和推理，以及将这些过程转化为数字环境 [2]。由于黑白棋不适合用神经网络来玩，因此它是一个有趣的环境，可以用来利用和测试人工智能中更经典的游戏方法。在黑白棋中发现有效的游戏策略的进步可能会发现一种性能更佳的通用游戏方案。在本信中，我们将实施、测试和分析各种对抗性搜索方法以及 CNN [3、4、5、6]。本文的其余部分概述如下。第 2 节讨论了黑白棋棋盘游戏和其他准备工作。第 3 节和第 4 节讨论了许多不同的游戏策略。第 5 节讨论了算法的评估设置和产生的结果。第 6 节研究了本文未测试的其他算法。第 7 节对本文进行总结。
人工智能中的不确定性：评估外部深度神经网络
随着 AI 模型越来越多地部署在关键应用中，确保模型在暴露于分布不均 (OOD) 或扰动数据等异常情况时保持一致的性能非常重要。因此，本文研究了各种深度神经网络（包括 ResNet-50、VGG16、DenseNet121、AlexNet 和 GoogleNet）在处理此类数据时的不确定性。我们的方法包括三个实验。首先，我们使用预训练模型对通过 DALL-E 生成的 OOD 图像进行分类，以评估其性能。其次，我们使用概率平均从模型的预测中构建了一个集合，以达成共识，因为它比多数或多数投票更具优势。使用平均概率、方差和熵指标量化集合的不确定性。我们的结果表明，虽然 ResNet-50 是 OOD 图像最准确的单一模型，但该模型组合的表现更佳，可以正确分类所有图像。第三，我们通过向来自 DALL-E 或真实世界捕获的新认知图像添加扰动（过滤器、旋转等）来测试模型的稳健性。选择 ResNet-50 是因为它是性能最佳的模型。虽然它可以正确分类 5 张未受干扰的图像中的 4 张，但在扰动后它对所有图像都进行了错误分类，这表明存在很大的漏洞。这些错误分类对人类观察者来说很明显，凸显了 AI 模型的局限性。使用显着性图，我们确定了模型认为对其决策很重要的图像区域。
用于神经假体的有机电子器件 - 信息科学
用于神经假体的有机电子器件 MJI Airaghi Leccardi 和 D. Ghezzi 美敦力神经工程主席，神经假体中心和生物工程研究所，洛桑联邦理工学院工程学院，日内瓦 1202，瑞士。电子邮件：diego.ghezzi@epfl.ch 神经假体旨在通过利用植入式和可穿戴设备的技术进步来恢复受损或丧失的神经和心理功能。神经接口等植入式设备的性能依赖于生物和机器之间的协同作用。如果缺乏这种协同作用，可能会出现许多不良后果，如排斥、感染或故障。柔软度、电化学行为、生物相容性和生物降解性等材料特性都会影响神经接口的可靠性。在这篇综述中，我们描述了现代聚合物基底和有机电极，它们提供了这些特性的最佳组合。它们在融合不同特性方面的多功能性源于对其分子结构和混合的可控性。与无机材料相比，有机材料对软组织的机械顺应性更佳，而共轭聚合物在与电解液的界面处也具有有利的电化学传输机制，涉及离子和电子电导率。因此，全聚合物神经接口将具有多种优势，包括低成本制造、更高的生物相容性、重量轻、透明性以及与绿色电子产品的亲和性。本综述还重点介绍了支持基于有机材料开发安全电子接口的材料策略，这些策略对各种应用的神经假体都有益。
使用人工智能分析和教授医疗保健领域的沟通
沟通是有效医疗保健的核心组成部分，影响着许多患者和医生的结果，但分析和教学都很复杂且具有挑战性。基于人类的编码和审计系统耗时且成本高昂；因此，人们对将人工智能应用于这一主题非常感兴趣，通过使用监督和无监督学习算法的机器学习。在本文中，我们介绍了健康沟通、它对患者和健康专业人员结果的重要性，以及支持这一领域对严格经验数据的需求。然后，我们讨论了历史交互编码系统和在健康环境中应用人工智能 (AI) 自动化此类编码的最新发展。最后，我们讨论了人工智能编码的可靠性和有效性的现有证据、人工智能在沟通训练和审计中的应用，以及该领域的局限性和未来方向。总之，机器学习的最新进展使得准确的文本转录以及对韵律、停顿、能量、语调、情感和沟通风格的分析成为可能。研究已证实机器学习算法具有中等至良好的可靠性，可与人工编码相媲美（或更佳），并已确定沟通变量与患者满意度之间存在一些预期和意外的关联。最后，人们尝试将人工智能应用于沟通技巧培训，以提供审核和反馈，并通过使用虚拟形象。这看起来很有希望提供保密且易于访问的培训，但最好将其用作基于人类的培训的辅助手段。© 2020 由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
人工智能的进化：现实证明了炒作的合理性
然而，Google Brain 于 2017 年发表的论文“Attention is All You Need”提出了一种名为 Transformer 的新型神经网络架构，该架构改进了长短期记忆等循环神经网络架构。5 Transformer 架构采用允许并行处理的自注意力机制，从而实现更高效的数据存储和计算，并减少训练和微调基础模型的时间和成本。6 BofA Global Research 的观点是 3 全面：专家系统的回报 (1989)。专家系统将 if/then 规则应用于数据以产生新的见解，并由德州仪器等公司实施，通过使某些流程快 20 倍并通过减少成本超支和准备费用平均每年减少 200 万美元开支，从而提高了生产力和效率。美国运通将其信贷授权人的效率提高了 45-67%。 4 微调是指使用结构化数据训练预训练模型的过程，以生成相对于原始模型而言性能更佳的专用应用程序，用于特定任务。 5 Transformer 模型还改进了 AI 应用程序的功能，因为神经网络（本质上是基础模型的大脑）能够更好地将语言语境化。例如，“bank”可能表示金融机构或河边，但查看句子中单词前后的上下文以确定含义会很有帮助。Transformer 模型通过使用句子中的所有单词（而不仅仅是之前的单词）来查找上下文，从而确定“bank”的含义。换句话说，该模型双向查找上下文，这就是“BERT”中“B”的含义。BERT 代表 Transformer 的双向编码器表示，是一种神经网络架构。 6 您所需要的只是注意力 (2017)