XiaoMi-AI文件搜索系统
World File Search System特征曲线
PD-1/PD-L1在癌症免疫疗法中的泛素化/去泛素化修饰的新兴作用
背景：糖尿病肾脏疾病（DKD）已成为慢性肾脏疾病的主要原因。但是，DKD的早期诊断很具有挑战性。三甲胺氧化物（TMAO）是一种肠道微生物代谢产物，可能与糖尿病并发症有关。这项研究的目的是研究TMAO和DKD之间的相关性。方法：进行了横断面研究。本研究总共招募了108名T2DM患者和33名健康受试者。进行了多个逻辑回归分析和接收器操作特征曲线（AUROC）下的区域，以评估血清TMAO和DKD之间的相关性。结果：DKD患者的血清TMAO水平明显高于健康对照组，而NDKD（没有合并DKD的T2DM）组（P <0.05）。TMAO水平与EGFR负相关，并与尿素氮，ACR和DKD呈正相关（P <0.05）。逻辑回归分析表明，血清TMAO是DKD患者的独立风险因素之一（P <0.05）。在诊断模型中，DKD诊断的TMAO的AUROC为0.691。结论：血清TMAO水平升高与T2DM患者的DKD风险呈正相关，这可能是DKD的潜在生物标志物。
使用静息态功能磁共振成像延迟数据对儿童癫痫的机器学习分类器进行比较
摘要。癫痫是最常见的儿科慢性神经系统疾病，每 150 名 10 岁以下儿童中就有 1 名患有癫痫；癫痫发作控制不佳会不可逆转地破坏正常的大脑发育。本研究比较了使用静息态功能性磁共振成像 (rfMRI) 延迟数据训练的不同机器学习算法检测癫痫的能力。对 63 名癫痫患者和 259 名健康对照者进行了术前 rfMRI 和解剖 MRI 扫描。分析了癫痫和健康对照队列的延迟 z 分数的正态分布，以确定 36 个种子区域的重叠情况。在这些种子区域中，研究队列之间的重叠范围为 0.44-0.58。使用主成分分析从延迟 z 分数图中提取机器学习特征。使用这些特征训练了极端梯度提升 (XGBoost)、支持向量机 (SVM) 和随机森林算法。受试者工作特征曲线下面积 (AUC)、准确度、灵敏度、特异性和 F1 分数
机器学习分析的因素有助于糖尿病发育
摘要：糖尿病是一种慢性病，会影响人体处理血糖的方式。早期诊断和糖尿病的治疗对于预防这些并发症至关重要。机器学习（ML）技术提供了一种有效的手段，可以通过识别关键风险因素和开发预测模型来准确诊断糖尿病。在这项研究中，我们评估了四个糖尿病预测数据集上11毫升算法的性能，考虑到前2个，前3个属性和所有属性。通过k折的交叉验证，我们确保可靠且可推广的结果。我们使用一组标准评估指标，例如准确性，精度，召回，F1得分和接收器操作特征曲线（ROC_ AUC）。我们的分析旨在确定最佳功能数量，并评估性能如何随着功能增加而变化。值得注意的是，一些ML分类器仅使用前2或3个功能实现令人满意的分类和预测能力。此外，跨算法的不同数据集性能强调了评估多个模型以识别最合适的模型的必要性。这些发现可以创建可靠的模型，从而通过利用有效的算法和相关特征来增强患者的结果。
开发一种基于人工智能的方法，用于诊断从犬胸部X光片
开发并测试了一种基于人工智能（AI）的算法，以对犬胸部X光片的不同级别二尖瓣疾病（MMVD）的不同阶段进行分类。从两个不同机构的医疗数据库中选择了X光片，考虑到6岁以上的狗经历了胸部X射线和超声心动图检查。只有X光片清楚地显示出心脏轮廓。卷积神经网络（CNN）均在左右侧面和/或腹侧或腹侧或室内视图上训练。根据美国兽医内科学院（ACVIM）指南将每只狗分类为B1阶段，B2或C +D。RESNET18CNN用作分类网络，并使用混淆矩阵，接收器操作特征曲线以及T-SNE和UMAP预测评估结果。曲线下的面积（AUC）在确定阶段B1，B2和C + D的AUC的MMVD阶段时表现出良好的心脏CNN性能。该算法在预测MMVD阶段的高精度表明，它可以作为解释犬胸部X光片的有用支持工具。
血清三甲胺氧化胺水平升高，作为糖尿病肾脏疾病的潜在生物标志物
背景：糖尿病肾脏疾病（DKD）已成为慢性肾脏疾病的主要原因。但是，DKD的早期诊断很具有挑战性。三甲胺氧化物（TMAO）是一种肠道微生物代谢产物，可能与糖尿病并发症有关。这项研究的目的是研究TMAO和DKD之间的相关性。方法：进行了横断面研究。本研究总共招募了108名T2DM患者和33名健康受试者。进行了多个逻辑回归分析和接收器操作特征曲线（AUROC）下的区域，以评估血清TMAO和DKD之间的相关性。结果：DKD患者的血清TMAO水平明显高于健康对照组，而NDKD（没有合并DKD的T2DM）组（P <0.05）。TMAO水平与EGFR负相关，并与尿素氮，ACR和DKD呈正相关（P <0.05）。逻辑回归分析表明，血清TMAO是DKD患者的独立风险因素之一（P <0.05）。在诊断模型中，DKD诊断的TMAO的AUROC为0.691。结论：血清TMAO水平升高与T2DM患者的DKD风险呈正相关，这可能是DKD的潜在生物标志物。
指南 DKD-R 5-6 温度计特性的测定
本指南的目的是定义近似工业温度计特性曲线的通用有效程序，以便为监控测试设备创建统一的公司间基础。本指南的用户 - 校准实验室以及温度计用户 - 还应获得有关如何处理近似方程以及如何进行实际近似的说明。本指南原则上适用于所有温度计。然而，它是专门针对铂电阻温度计（特别是 Pt-100）、热电偶和热敏电阻的要求而定制的。由于根据传感器类型和温度范围的不同，它们具有非常不同的测量不确定度，因此本指南也针对不同的测量不确定度要求而设计。对于某些温度计类型（例如带电子显示的温度计或液体玻璃温度计）在确定特性曲线时存在基本问题。本政策不适用于此。本指南的目的不是开发新的或更好的近似方法或特征曲线类型或被规定为当前的常用。相反，应该针对给定的边界条件（例如温度范围和所需的测量不确定度）提出最佳特性曲线类型，这些是目前最先进的技术。这些建议还与现有软件和测量设备兼容，可以轻松输入或。可能还有其他类型的特性曲线也比此处描述的特性曲线更好甚至更适合。在低分布或处理不良的情况下，只有在合理的情况下才应使用特性曲线的其他数学描述。
量子支持向量机，用于B Meson衰变中的连续抑制
抽象量子计算机有可能加快某些计算任务。在机器学习领域中，这种可能性的可能性是使用量子技术，而量子技术可能无法经典模拟，但可以在某些任务中提供出色的性能。机器学习算法在粒子物理学中无处不在，并且随着量子机学习技术的进步，这些量子技术可能会采用类似的采用。在这项工作中，实现了量子支持向量机（QSVM）进行信号背景分类。我们研究了不同量子编码电路的效果，该过程将经典数据转换为量子状态，对最终分类态度。我们显示了一种编码方法，该方法在接收器操作特征曲线（AUC）下达到了使用量子电路模拟确定的0.848的平均面积。对于同一数据集，使用径向基础函数（RBF）内核的经典支持向量机（SVM）的AUC为0.793。使用数据集的简化版本，我们在IBM量子IBMQ_CASABLANCA设备上运行了算法，平均AUC为0.703。随着量子计算机的错误率和可用性的进一步提高，它们可以在高能量物理学中形成一种新的数据分析方法。
根据CMOS技术的垂直P – N结光二极管的光学性能的文章仿真研究
摘要：CMOS光二极管已在微系统应用中广泛报道。本文使用COMSOL多物理学对P – N结光电二极管的设计和数值模拟，用于三种CMOS技术（0.18 µm，0.35 µm，0.35 µm和0.7 µm）和三个不同的P – N交界结构：N+/P-Substrate，P-Substrate，P+/N-N-Well/n-Well/n-Well/well/p-Subsulate。对于这些模拟，根据不同的技术设定了深度连接和掺杂剂浓度。然后，每个phodiode均在分光光度法上进行了分光光度法的特征，响应性和量子效率。获得的数值结果表明，当需要可见的光谱范围时，0.18和0.35 µM CMOS技术是具有效率最高峰的最高峰的技术，与0.7 µM技术相比。此外，比较了三个最常见的P – N垂直连接光电二极管结构。N+/p-Substrate Juints Photodiode似乎是可见范围内具有最高量子效率的一种，与文献一致。可以得出结论，光电二极管的特征曲线和暗电流值与文献中的报告一致。因此，这种数值方法允许预测光电二极管的性能，帮助在其微加工之前为每个必需的应用程序选择最佳的结构设计。
COVID-19 诊断人工智能系统的开发与评估
根据胸部 CT 及早发现 COVID-19 将有助于及时治疗患者并控制疾病的传播。然而，随着 COVID-19 在许多国家迅速蔓延，可疑患者的 CT 数量增长速度远远超过人类专家的可用速度。在此，我们提出了一种人工智能 (AI) 系统，用于快速诊断 COVID-19，其准确度可与经验丰富的放射科医生相媲美。通过从中国武汉的三家医院收集 496 名确诊 COVID-19 患者和 260 名阴性病例的 970 个 CT 数量，以及从两个公开可用的胸部 CT 数据集中收集 1,125 个阴性病例，构建了一个大型数据集。我们的诊断系统基于深度卷积神经网络，仅使用 312 个病例进行训练，在 1,255 个病例的独立外部验证数据集上能够达到 94.98% 的准确率、97.91% 的受试者工作特征曲线下面积 (AUC)、94.06% 的灵敏度和 95.47% 的特异性。在一项涉及五名放射科医生的读者研究中，只有一名放射科医生的准确率略高于人工智能系统。人工智能系统比放射科医生快两个数量级，代码可在 https://github.com/ChenWWWeixiang/diagnosis_covid 19 获得。
成年人诊断偏头痛（有或没有光环）的人工智能：系统评价
使用机器学习（ML）或深度学习（DL）的数据驱动方法正在医疗领域进行测试，以避免归因于人为因素的偏见。人工智能（AI）模型加速了来自多个来源和感兴趣领域的相关医疗数据的识别和解释15。ml方法分析了大量的“训练”案例，以对测试用例的给定输入产生正确的输出。根据他们打算解决的任务类型，基本的ML算法大致分为两类：受监督和无监督。“监督”算法从预先标记的数据集中学习，以对特定结果进行分类（例如，在当前研究的背景下存在或不存在偏头痛）。较新的“无监督”的AI系统（例如DL分析）未标记的数据发现了先前未认可的模式中的复杂共同关系（例如，将主成分分析用于特征选择）。监督模型可能会达到高精度，因为用于培训的数据已经被标记。可以使用不同的结果度量，例如准确性，接收器操作特征曲线（AUC），召回（灵敏度），精度（正面预测值）和校准（拟合的好处）等不同结果度量进行评估。虽然准确性和AUC是最常报告的性能指标，但如果孤立地考虑它们，它们可能并不总是反映模型16的真实性能。