XiaoMi-AI文件搜索系统
World File Search System能应
使用pycerr和癌症基因组云的医学图像分析的人工智能应用程序
医学物理部，纪念斯隆·凯特林癌症中心，纽约，美国摘要这项工作介绍了用于进行人工智能的用户友好，基于云的软件框架（AI）分析医学图像。该框架允许用户通过自定义软件和硬件依赖性来部署基于AI的工作流程。我们的软件框架的组件包括用于放射学研究的Python本地计算环境（Pycerr）用于放射图像处理的平台，用于访问硬件资源和用户管理公用事业的癌症基因组学云（CGC），用于从数据存储库中访问图像，并从数据存储库中访问图像，并安装AI模型及其依赖模型及其依赖。GNU-GPL版权Pycerr从基于MATLAB的CERR移植到Python，使研究人员能够从H IGH维度的多模式数据集组织，访问和转换元数据，以在放射治疗和医学图像分析中构建与云兼容的工作流程，以构建云兼容工作流程。pycerr提供了可扩展的数据结构，可容纳常用的医学成像文件格式的元数据和观众，以允许多模式可视化。提供了分析模块，以促进与云兼容AI的工作流程，用于图像分割，放射素学，DCE MRI分析，放射疗法剂量 - 剂量 - 基于基于剂量的直方图以及正常的组织并发症和肿瘤控制模型用于放射治疗。提供了图像处理实用程序，以帮助训练和推断基于卷积神经网络的模型，以进行图像分割，注册和转换。可以使用CGC提供的API访问部署的AI模型，从而使其在各种编程语言中使用。该框架允许对成像数据进行往返分析，使用户能够将AI模型应用于CGC上的图像，并在其本地机器上检索和查看结果，而无需本地安装专用软件或GPU硬件。总而言之，提出的框架有助于端到端放射图像分析和可重复的研究，包括从源头提取数据，从AI模型中训练或推断出数据，用于数据管理的公用事业，可视化以及简化对图像元数据的访问。
Helios太阳能应用程序 - Selby
分歧陈述：Helios太阳能申请 - Selby我正在写信，是为了正式表达我对Selby拟议太阳能农场的Helios申请的反对。我认识到可再生能源在解决气候变化方面的重要性，但该提案引起了重大关注，超过其所谓的利益。使用BMV（最好和最通用的）农业土地：拟议的地点被归类为BMV土地，它代表了对可持续农业生产至关重要的高质量的多功能农田。将这片土地转换为太阳能农场将不可逆转地降低其粮食生产的潜力，考虑到当前的粮食安全问题，这越来越重要。政府的规划指南强调了保护BMV土地免受非农业用途的影响，并且该应用程序与该原则发生了冲突。太阳能农场在该地区的累积影响：塞尔比及其周边地区已经在现有和拟议的太阳能农场承受着巨大压力。这些发展的累积视觉和环境影响不能低估。农村景观的工业化风险会改变该地区的特征，从而减少其美学和娱乐价值。途径和娱乐访问权利：拟议的发展风险阻碍或负面影响既定权利，这对于公众进入乡村而言是不可或缺的。该地区的人行道和bridleways提供了宝贵的娱乐机会，并支持当地居民的身心健康。这些途径的任何阻塞或退化都会破坏其目的，并破坏步行者，骑自行车者和骑手对该地区的享受。靠近住房：拟议的地点位于居民区附近，引起了人们对当地社区影响的担忧。居民可能会面临诸如施工和操作过程中噪声和光污染的问题，以及太阳能电池板的长期视觉入侵。这种接近性也可能对住在附近的人们负面影响财产价值和生活质量。对电池存储和火灾风险的担忧：在拟议的太阳能农场中包含电池存储系统带来了重大的安全性和环境风险。锂离子电池容易产生热失控，导致火灾难以扑灭，可能会释放有毒化学物质。发生火灾时，标准的消防方法可能会用电池化学品和消防材料中的危险物质污染土壤和当地水源。该申请没有充分解决如何管理此类事件的情况，而不会对生态环境和周围农业用地造成长期损害。这是一个严重的遗漏，对该网站的安全性和紧急服务的准备来处理此类事件，引发了严重的疑问。风险危险提供防风雨：拟议地点周围的高树木是重要的防风爆，保护土地免受强风造成的土壤侵蚀。该应用程序未能充分解决如何保留或减轻这些自然风质的完整性。作为开发项目的一部分去除或破坏这些树木将增加土地对侵蚀的脆弱性，尤其是在裸露的农业土地上。土壤侵蚀不仅降低了土地生育能力，而且还会导致可能损害当地水道和生态系统的径流。环境和生态问题：大型太阳能农场可能会破坏当地的生态系统，包括野生动植物的栖息地损失。对土壤质量和排水系统对BMV土地的长期影响也是该应用程序中未充分解决的问题。可再生能源开发的替代方法：对于太阳能开发项目（例如棕地遗址或屋顶）的影响力较小，这些替代方案不需要牺牲有价值的农业土地或侵占居民区。优先考虑这些选择将平衡可再生能源目标，并需要维护我们的自然，农业和社区资源。总而言之，尽管我支持过渡到可再生能源的过渡，但我坚信，塞尔比的太阳能农场的Helios申请并不适当使用该网站。这将对当地环境，农业，公共通道和住宅社区造成不成比例的伤害，同时通过其电池存储系统引入了重大安全风险，并通过失去关键防风爆炸而增加了土壤侵蚀的风险。我敦促计划委员会拒绝此申请，而是考虑更合适的可再生能源开发替代方案。
神经教育中的人工智能：符合神经科学原理的人工智能应用系统评价，用于优化学习策略
MA 3. 芝加哥德保尔大学计算机科学系硕士生 *通讯作者：shasan1@student.fitchburgstate.edu 摘要 本研究考察了人工智能 (AI) 与神经科学原理在教育中的融合，重点关注机遇、挑战和对提高学习成果的影响。神经教育将神经可塑性、认知负荷理论和记忆形成等神经科学原理与 AI 工具相结合，以实现个性化、参与和认知优化。按照 PRISMA 指南，对 518 项研究进行了系统回顾，范围缩小到过去十年发表的 35 篇同行评审论文。这些论文分析了 AI 在神经教育中的应用，包括自适应平台、神经反馈工具和道德考虑。发现自适应学习系统、神经反馈界面和游戏化环境等 AI 工具可以增强基于大脑的学习策略。VR 和 AR 等未来技术显示出沉浸式学习的巨大潜力。关键挑战包括高成本、数据隐私问题和算法偏差。跨学科合作和经济实惠、可扩展的解决方案对于解决道德和技术障碍至关重要，从而实现人工智能在神经教育中的公平和变革性应用。
出版详情：Liu, T., Tsang, W., Huang, F., Lau, OY, Chen, Y., Sheng, J., Guo, Y., Akinwunmi, B., Zhang, C. JP., & Ming, W.-K. (2021). 中国 SARS-CoV-2 大流行期间患者对人工智能应用与临床医生在疾病诊断中的偏好：离散选择实验。《医学互联网研究杂志》，23(2)，文章 e22841。https://doi.org/10.2196/22841
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI
出版详情：Shen, J., Chen, J., Zheng, Z., Zheng, J., Liu, Z., Song, J., Wong, SY, Wang, X., Huang, M., Fang, P.-H., Jiang, B., Tsang, W., He, Z., Liu, T., Akinwunmi, B., Wang, CC, Zhang, CJP, Huang, J., & Ming, W.-K. (2020)。一种用于诊断妊娠期糖尿病的创新型人工智能应用程序 (GDM-AI)：开发研究。医学互联网研究杂志，22(9)，文章 e21573。https://doi.org/10.2196/21573
1 暨南大学医学院公共卫生与预防医学系，广州，中国 2 中山大学肿瘤防治中心，广州，中国 3 暨南大学信息科学与技术学院，广州，中国 4 暨南大学国际学院，广州，中国 5 中山大学国际关系学院，广州，中国 6 暨南大学新闻与传播学院，广州，中国 7 格罗宁根大学经济与商学院，格罗宁根，荷兰 8 布莱根妇女医院妇产科，波士顿，美国 9 哈佛大学医学院麻省总医院基因组医学中心，波士顿，美国 10 香港中文大学妇产科，香港，香港 11 香港大学公共卫生学院，香港，香港 12 香港中文大学流行病学与公共卫生系环境与健康多学科合作研究中心英国伦敦帝国理工学院圣玛丽校区公共卫生学院生物统计学专业 * 这些作者的贡献相同
瑞士Finma在人工智能应用中就治理和风险管理提供指南
2024年12月18日，美国证券交易委员会（美国SEC）批准了上市公司会计监督委员会（PCAOB）的2025年预算，总计3.997亿美元，以及相应的年度会计支持费。会计支持费总计3.749亿美元，将在上市公司发行人（3.461亿美元）和注册的经纪交易者（2880万美元）中分发。PCAOB是由2002年美国Sarbanes-Oxley法案建立的，目的是通过监督对上市公司和经纪交易商的审计来增强对财务报告的信任。其职责包括设置审计摊位，进行检查以及调查和纪律审计师。美国SEC对PCAOB进行监督，每年批准其预算，以确保其活动与投资者保护和公共利益目标保持一致。
人工智能应用和创新
IFIP 是一个非盈利组织，几乎完全由 2500 名志愿者运营。它通过许多技术委员会和工作组运作，组织活动和出版物。IFIP 的活动范围从大型国际公开会议到工作会议和地方研讨会。旗舰活动是 IFIP 世界计算机大会，受邀和投稿论文都会在大会上发表。投稿论文经过严格审查，拒绝率很高。与大会一样，公开会议对所有人开放，可以邀请或提交论文。同样，提交的论文经过严格审查。工作会议的结构不同。它们通常由一个工作组管理，出席人数通常较少，有时仅受邀者参加。其目的是营造有利于创新和发展的氛围。评审也很严格，论文要经过广泛的小组讨论。IFIP 活动的出版物各不相同。在 IFIP 世界计算机大会和公开会议上发表的论文作为会议论文集出版，而工作会议的结果通常作为精选和编辑论文的集合出版。IFIP 区分三种类型的机构会员资格：国家代表会员、一般会员和准会员。可以申请成为会员的组织类型多种多样，包括个人计算机科学家/ICT 专业人士的国家或国际协会、此类协会或联合会、政府机构/政府相关组织、国家或国际研究机构或财团、大学、科学院、公司、国家或国际协会或公司联合会。
Riemer Slart、Michelle Williams、Luis Eduardo Juarez-Orozco、Christoph Rischpler、Marc Dweck 等人。EACVI 和 EANM 关于使用 SPECT/CT、PET/CT 和心脏 CT 进行多模态心血管成像的人工智能应用的立场文件。《欧洲核医学与分子成像杂志》，2021 年，48 (5)，第 1399-1413 页。10.1007/s00259-021-05341-z。hal- 03666321
摘要 在日常临床实践中，临床医生整合可用数据以确定患者疾病或临床结果的诊断和预后概率。对于疑似或已知心血管疾病的患者，通常会执行几种解剖和功能成像技术来协助这项工作，包括冠状动脉计算机断层扫描血管造影 (CCTA) 和核心脏病学成像。正电子发射断层扫描 (PET)、单光子发射计算机断层扫描 (SPECT) 和 CT 硬件和软件的不断改进已导致诊断性能的提高以及这些成像技术在日常临床实践中的广泛应用。然而，人类解释、量化和整合这些数据集的能力是有限的。新标记的识别和机器学习 (ML) 算法的应用，
Lukas Fischer、Lisa Ehrlinger、Verena Geist、Rudolf Ramler、Florian Sobieczky 等人。将人工智能应用于实践：关键挑战和经验教训。第四届机器学习和知识提取国际跨领域会议 (CD-MAKE)，2020 年 8 月，爱尔兰都柏林。第 451-471 页，�10.1007/978-3-030-57321-8_25�。�hal-03414730�
缺乏置信度度量：最先进的深度学习方法的另一个特点是缺乏置信度度量。与基于贝叶斯的机器学习方法相比，大多数深度学习模型不提供模型不确定性的合理置信度度量。例如，在分类模型中，顶层（主要是 softmax 输出）中获得的概率向量通常被解释为模型置信度，参见 [26] 或 [35]。然而，像 softmax 这样的函数可能会导致对远离训练数据的点进行不合理的高置信度外推，从而提供一种虚假的安全感 [39]。因此，尝试将贝叶斯方法也引入 DNN 模型似乎是很自然的。由此产生的不确定性度量（或同义的置信度度量）依赖于给定数据权重的后验分布的近似值。作为此背景下的一种有前途的方法，变分技术（例如基于 Monte Carlo dropout [27]）允许将这些贝叶斯概念转化为计算上可处理的算法。变分方法依赖于 Kullback-Leibler 散度来测量分布之间的差异。因此，所得的近似分布集中在单一模式周围，低估了该模式之外的不确定性。因此，对于给定实例的结果置信度度量仍然不令人满意，并且可能仍然存在误解高置信度的区域。