XiaoMi-AI文件搜索系统
World File Search System比较
COVID-19 的放射学发现：人工智能与放射科医生的比较
背景：随着 COVID-19 负担的加重，快速可靠的筛查方法势在必行。胸部 X 光片在快速分诊患者方面起着关键作用。不幸的是，在资源匮乏的环境中，训练有素的放射科医生很少。目的：本研究评估并比较人工智能 (AI) 系统与放射科医生在检测 COVID-19 胸部 X 光片发现方面的表现。受试者和方法：测试集包括三个月内 457 张疑似 COVID-19 肺炎患者的 CXR 图像。一位拥有 13 年以上经验的放射科医生和人工智能系统 (NeuraCovid，一款与人工智能模型 COVID-NET 配对的 Web 应用程序) 对 X 光片进行了评估。通过计算灵敏度、特异性和生成受试者工作特征曲线来比较人工智能系统和放射科医生的表现。RT-PCR 测试结果被用作金标准。结果：放射科医生的灵敏度和特异性分别为 44.1% 和 92.5%，而 AI 的灵敏度和特异性分别为 41.6% 和 60%。AI 系统将 CXR 图像正确分类为 COVID-19 肺炎的曲线下面积为 0.48，放射科医生为 0.68。放射科医生的预测优于 AI，P 值为 0.005。结论：放射科医生检测 COVID-19 肺部病变的特异性和灵敏度优于 AI 系统。
Decawave DW1000 与 DW3000 在低功率双边测距应用中的性能比较
摘要 — 室内定位和情境感知正成为各种应用的两项关键技术。最近，通过采用超宽带 (UWB) 技术，人们已经实现了厘米级精度和低功耗的实时定位系统。自 2015 年以来，Decawave 已生产出商用 UWB 集成电路，利用飞行时间测量技术来估计两个代理之间的距离。这项工作介绍了两台 Decawave 收发器（DW1000 和 2020 年发布的新款 DW3000）之间的性能研究。测试空间包括视距内区域和由 UWB 无线电信号反射到各种障碍物而引起的各种非视距条件。最后，我们分析了不同配置下的功耗，并对两台设备进行了比较。结果表明，两者在 1 米以上的测量范围内具有相似的精度，而考虑到较短的距离，DW3000 的平均性能要好 33.2%。此外，新收发器在实时测量过程中的功耗降低了近 50%，平均值达到 55 mW。索引术语 — 超宽带技术、超宽带通信、物联网、室内定位、功耗
对二倍体和四倍体菊花中的细胞器基因组的比较分析及其亲戚
菊花含量，东亚本地的一种物种众所周知，是耕种的菊花的祖细胞之一，该物种以其观念和药用价值而生长。先前关于菊花的基因组研究在分析该植物谱系时，很大程度上忽略了质体基因组（质体）和线粒体基因组（有丝分裂基因组）的动力学。在这项研究中，我们测序并组装了二倍体和四倍体C的质体和有丝分裂组。芳香。我们使用了来自27种具有质体和有丝分裂组完整序列的数据，以探索细胞器基因组之间序列演化的差异。二倍体和四倍体C中的细胞器基因组的大小和结构通常相似，但四倍体C. indimum和C. indimum var。芳香族在有丝分裂组中包含独特的序列，这些序列还包含先前未描述的开放式阅读框（ORF）。跨菊花有丝分裂组的结构变化很大，但是从质体转移到有丝分裂基因组的序列得到了保存。最后，有丝分裂基因组和质子基因树之间观察到的差异可能是这两个基因组中基因之间序列演化速率差异的结果。总共提出的发现大大扩展了研究菊花细胞器基因组进化的资源，并可能在将来可以应用于保护，育种和基因库。
移动元素和植物基因组进化，比较分析和计算工具，卷II
真核生物的基因组主要由散布的重复序列的各种家族组成，包括逆转录座子和可转移和内源性病毒元素。普遍的观点是，基因组重复体的多样家庭应被视为寄生虫或“垃圾DNA”（Bourque等，2018）。但是，可以遵循族谱树，或这些元素进化发展和分布的途径，因此，我们的理解应得到完全修订。重复元素在系统生物学和医学意义上扮演着角色，远远超出了“垃圾DNA”和病毒化石（Wells and Feschotte，2020年）。最近的研究越来越多地表明，基因组的基本成分，即使不是我们基因组的最基本成分，它具有病毒源，并且作为移动遗传介体的病毒在遗传进化中始终起着至关重要的作用（Cosby等，2019）。基因组的演变与克服和固定综合事件有关。随着每个重要的进化步骤，基因组中的移动遗传因素数量急剧增加。自从生活开始以来，就没有一个生物体没有所有这些不同的移动元素。在基因组的形成中，我们可以追踪涉及无数不同外观的移动元素的许多过程。基因组不是无数意外突变及其选择的最终产物，而是一种原始外部病毒感染的生活沉积物，这种矿床经常被回收，并且像编年史一样，重新解释（Vassilieff等，2023年）。为了完全发展，移动元素必须与他们的宿主基因组建立共同的关系（Gebrie，2023）。移动元件和宿主基因组的进化系统发育树显示强相关性（Kalendar等，2004； Kalendar等，2008； Moisy等，2014； Kalendar等，2020）。内源性逆转录病毒，也属于逆转录病毒，是单链
组织学在抗氧化剂中的比较潜力预防阿霉素诱导大鼠雄性不育症的毒性
摘要目的：这项研究旨在比较各种抗氧化剂在防止阿霉素诱导的睾丸毒性和随后在大鼠中的男性不育症的组织学影响。研究设计：横断面研究。研究的地点和持续时间：这项研究是在2023年5月至2024年4月在巴基斯坦白沙瓦白沙瓦医学院的动物室和组织病理学实验室进行的。方法：研究中包括120只雄性大鼠。将大鼠分为六组：对照组，仅阿霉素组和四个接受阿霉素的治疗组以及不同的抗氧化剂。施用的抗氧化剂是维生素C，维生素E，辅酶Q10和硒。组织学分析，以评估抗氧化剂的损伤和保护作用的程度。结果：仅阿霉素组显示出具有统计学意义的组织学损害，包括精子发生和生精小管的变性的明显减少。抗氧化剂治疗的组表现出显着的保护作用，硒组表现出最高的保护水平，非常类似于对照组，其次是维生素E和辅酶Q10，这也提供了睾丸结构的实质性保存。结论：该研究得出的结论是，抗氧化剂，尤其是硒，维生素E和辅酶Q10，为大鼠抗霉素诱导的睾丸毒性提供了重大保护。这些发现表明可能使用这些抗氧化剂来缓解与阿霉素治疗相关的雄性不育症。
不同类型小麦粒形特征比较
本研究旨在对比研究不同用途鞋面革的粒面特性。因此，三家不同的鞋业公司提供了六种不同类型的鞋面革（裂纹革、仿古革、漆皮、纳帕革、磨砂革、印花革）。对厚度相似的皮革进行拉伸强度和断裂伸长率（TS EN ISO 3376）、单边和双边撕裂强度（TS EN ISO 3377-1、TS EN ISO 3377-2）、抗裂和抗破裂性（TS 4137 EN ISO 3378、TS EN ISO 3379）、抗屈挠性（TS EN ISO 5402-1）以及干湿摩擦牢度试验（TS EN ISO 11640）。研究结果提供了有关不同鞋面革类型的物理强度和产品性能的信息。对数据进行了比较评估，并评估了鞋面革类型对质量和性能的影响。
引用本文：Gerbrich Ferdinands (2021) 人工智能辅助系统评价：选择研究比较小样本量的贝叶斯与频率 SEM，多元行为研究，56:1，153-154，DOI：10.1080/00273171.2020.1853501
Smid 等人（2020 年）进行了一项系统评价，以表征贝叶斯和频率估计在小样本量 SEM 中的表现。在手动筛选 5050 项研究后，仅选定 27 项来回答他们的研究问题。进行系统评价需要付出巨大的筛选努力。这种筛选工作使证据综合成为一项极具挑战性的任务。开源 AI 辅助筛选工具可以潜在地减少工作量：系统评价的主动学习（ASReview；van de Schoot 等人，2020 年）。在 ASReview 中，研究人员与主动学习模型交互筛选摘要。根据研究人员的决策（相关与不相关），该模型会迭代更新其对剩余摘要的相关性预测。通过优先考虑最有可能相关的文章（即基于确定性的主动学习），ASReview 最大限度地减少了研究人员需要筛选的文章数量，同时仍能识别出大多数相关文章。手动筛选和自动优先排序出版物的过程会产生一组相关出版物。作为一个例子，ASReview 被应用于 Smid 等人（2020 年）确定的 5050 篇研究的全部集合。理想的表现被定义为最大限度地识别 Smid 等人最初确定的 27 篇相关文章，同时最大限度地减少研究人员需要筛选的文章数量。相关性预测由主动学习模型进行，该模型使用朴素贝叶斯或逻辑回归作为分类器。对于第一个预测，ASReview 需要一些示例文章。对每个分类器应用了 27 次 ASReview，使用每篇相关文章作为示例文章一次，并与一篇随机的不相关文章配对。如图 1 所示，贝叶斯和逻辑回归模型都发现超过 80%
引用了原始发表的论文（记录的版本）：Hosseini，S.，Mallipeddi，D.，Holmberg，J。等（2022）。加工性能的比较
抵抗[5]。尽管过程优化了重大的优化工作，但由PBF-LB和PBF-EB生产的316升零件仍然无法满足最佳功能性能所需的表面质量要求。据报道，由PBF-LB和PBF-EB产生的316L部分的典型表面粗糙度（RA）值分别为〜10 µm [9]和〜30 µM [10]。在PBF-LB和PBF-EB之间获得的表面粗糙度的巨大差异是无关的。在比较PBF-LB和PBF-EB时，已经报道了TI6AL4V的可比较表面粗糙度值。对于PBF-LB标本，在构建方向上测量了〜8 µm的RA，而对于PBF-EB，观察到RA为〜23 µm [11]。无论相关的AM过程如何，印刷的部分通常都需要后处理才能实现所需的表面
浏览贴片：具有全球和局部特征比较的异常定位
异常定位，目的是将图像中的异常区域分割出来，这是由于种类繁多的异常类型而具有挑战性的。现有方法通常是通过将整个图像作为整体而却很少付出的努力来学习局部分布来训练深层模型，这对于这项Pixel Prescerise任务至关重要。在这项工作中，我们提出了一种基于补丁的方法，可以适当考虑全球和本地信息。更具体地说，我们采用本地网络和全球网络分别从任何单个贴片及其周围来提取特征。全球网络经过训练，其目的是模仿本地功能，以便我们可以从上下文中轻松检测其功能不匹配时。我们进一步引入了不一致的异常检测（IAD）头和一个失真异常检测（DAD）头，以足够的时间发现全球和局部特征之间的差异。源自多头设计的评分函数有助于高精度异常定位。在几个现实世界数据集上进行了广泛的实验表明，我们的方法优于最大的竞争对手，而竞争对手的差距足够大。
