XiaoMi-AI文件搜索系统
World File Search System诊断模型
在线锂离子电池智能感知热量...
- 将锂离子电池配备合理的热故障诊断可以避免热失控，并确保电池安全可靠。这项研究构建了一个锂电池热故障诊断模型，该模型基于参数和结构的电池数据集优化了原始掩模区域的Con Volutional Volutional Network。模型处理电池表面的热图像，确定有问题的电池并找到有问题的区域。骨干网络用于处理电池热IM年龄并提取功能信息。通过RPN网络，对热功能进行了分类和回归，并使用蒙版分支最终确定电池故障的位置。此外，我们还基于电池数据集优化了基于掩码区域的卷积神经网络，这既是参数和结构。在大多数情况下，改进的LBIP-V2的性能优于LBIP-V1。我们测试了单细胞电池数据集，13S电池组数据集和扁平的1P3电池组数据集上LBIP的性能。结果表明，LBIP的识别精度超过95％。同时，我们在0 - 15分钟内模拟了13S电池组的故障，并测试了LBIP在实时电池故障诊断中的有效性。结果表明，LBIP可以有效响应在线故障，置信度超过98％。
多视图卷积神经网络方法结合了诊断自闭症谱系障碍的注意机制
自闭症谱系障碍（ASD）是一种神经发育疾病，其当前精神诊断过程是主观的，并且基于行为。相比之下，功能磁共振成像（fMRI）可以客观地测量脑活动，对于识别脑部疾病很有用。但是，迄今为止采用的ASD诊断模型尚未达到令人满意的准确性水平。这项研究提出了使用MAACNN的使用，MAACNN是一种与注意力机构识别多规模fMRI中识别ASD的识别Mecha-Nisisms相结合的多视图卷积神经网络（CNN）的方法。所提出的算法有效地结合了无监督和监督的学习。在初始阶段，我们采用了堆叠的denoising自动编码器，这是一种无监督的学习方法，用于特征提取方法，该方法提供了不同的节点以适应多尺度数据。在随后的阶段，我们通过采用多视图CNN进行分类并获得最终结果来进行监督学习。最后，使用注意融合机制可以实现多尺度数据融合。遵守数据集用于评估我们提出的模型。实验结果表明，MAACNN的准确性为75.12％，AUC在Abide-I方面取得了出色的性能，而Abide-I的准确性为72.88％，在Abide-II上可以实现0.76 AUC。所提出的方法与ASD的临床诊断显着结合。
肾脏病理学中的人工智能
肾活检病理是诊断大多数肾脏疾病的重要金标准。随着肾脏疾病发病率的上升，肾脏病理学家的缺乏和分布不平衡，迫切需要一种新的肾脏病理诊断模型。人工智能 (AI) 的进步以及病理切片诊断的日益数字化，是满足对肾脏病理更准确检测、分类和预测结果需求的有希望的方法。AI 为包括肾脏病理学在内的各种临床应用做出了重大贡献。深度学习是 AI 的一个子领域，它具有高度灵活性并支持自动特征提取，越来越多地应用于病理学的多个领域。在这篇叙述性综述中，我们首先对 AI 方法进行一般性描述，然后讨论 AI 在肾脏病理学领域的当前和未来应用。涵盖诊断和预测预后应用，强调肾脏病理图像中的 AI、预测模型和肾脏病理中的 3D。最后，我们概述了在肾脏病理学中实施 AI 平台所面临的挑战，并提供了我们对这些平台如何在该领域发生变化的看法。
通过自动化机器学习进行全面的血清 miRNA 测序，早期发现胰腺癌
背景：胰腺癌通常在晚期才被诊断出来，而早期诊断胰腺癌由于症状不典型且缺乏可用的生物标志物而十分困难。方法：我们对来自 14 家医院的 212 个胰腺癌患者样本和 213 个非癌性健康对照样本进行了全面的血清 miRNA 测序。我们将胰腺癌和对照样本随机分为两组：训练组 (N = 185) 和验证组 (N = 240)。我们创建了将自动机器学习与 100 种高表达 miRNA 及其与 CA19-9 的组合相结合的集成模型，并在独立验证组验证了模型的性能。结果：100 个高表达 miRNA 和 CA19-9 组合的诊断模型可以高精度区分胰腺癌和非癌症健康对照（曲线下面积 (AUC)，0.99；灵敏度，90%；特异性，98%）。我们在独立的无症状早期（0-I 期）胰腺癌队列中验证了高诊断准确性（AUC：0.97；灵敏度，67%；特异性，98%）。结论：我们证明 100 个高表达 miRNA 及其与 CA19-9 的组合可以作为胰腺癌特异性和早期检测的生物标志物。
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。
病理区域定位与阿尔茨海默病诊断的深度联合学习
基于大脑细微的形态变化，人们已经研究了使用结构磁共振成像 (sMRI) 识别阿尔茨海默病 (AD)。典型方法之一是基于深度学习的块级特征表示。然而，对于这种方法，在学习诊断模型之前预先确定的块可能会限制分类性能。为了缓解这个问题，我们提出了一个基于位置的门 (PG) 的 BrainBagNet，它应用通过 3D 坐标表示的大脑图像的位置信息。我们提出的方法基于 MR 扫描和位置信息来表示块级类别证据，以进行图像级预测。为了验证我们提出的方法，我们进行了实验，将我们的方法与最先进的方法进行比较，并评估了两个公开可用的数据集的稳健性能：1) ADNI 和 2) AIBL。此外，我们提出的方法在 AD 诊断和轻度认知障碍转换预测任务中的分类性能均优于比较方法，并从不同角度分析了我们的结果。根据我们的实验结果，我们认为所提出的方法有可能为基于深度学习的块级特征表示研究提供新的见解和视角。代码可在以下位置获取：github.com/ku-milab/PG-BrainBagNet 。
hfpef作为全身性疾病，从诊断预测模型中的见解让人联想到HFPEF患者的全身炎症和器官相互作用
全身性炎症和相互器官的相互作用与保留的射血分数（HFPEF）的心力衰竭的病理生理学有关。然而，未探索临床价值，尤其是炎症的诊断预测能力和HFPEF的心外器官功能障碍。在这项横断面研究中，根据纳入和排除标准，从2014年1月至2022年6月在Chihfpef队列中的1808例住院患者被完全招募。使用Logistic回归中的Chihfpef-Cohort的数据开发了带有常规血液检查以及HFPEF的肝脏和肾功能障碍的标记的诊断模型，并通过接收器工作特征曲线（ROC）和Brier评分进行评估。然后，该模型通过十倍的交叉验证验证，并以诺姆图和基于Web的在线风险计算器的形式呈现。多变量和LASSO回归分析表明，年龄，血红蛋白，中性粒细胞与淋巴细胞比，AST/ALT比率，肌酐，尿酸，心房颤动和肺动脉高压与HFPEF相关。预测模型表现出合理准确的歧视（ROC，0.753，95％CI 0.732-0.772）和校准（Brier评分为0.200）。随后的内部验证显示出良好的歧视和校准（AUC = 0.750，Brier评分为0.202）。参加HFPEF的病理生理，炎症和多器官相互作用具有HFPEF的诊断预测值。筛查和优化炎症和多器官相互作用的生物标志物代表了一个新领域，以改善HFPEF的无创诊断工具。
心脏疾病诊断 - 使用 - 诊断 - 与...
摘要：治疗医疗数据的进步每天都会显着增长。准确的数据分类模型可以帮助确定患者疾病并诊断医疗领域的疾病严重程度，从而减轻医生的治疗负担。尽管如此，医疗数据分析列出了由于不确定性，各种测量和数据的高维度之间的相关性而引起的挑战。这些挑战负担统计分类模型。机器学习（ML）和数据挖掘方法已被证明在近年来有效地了解了这些方面的重要性。这项研究采用了名为决策树（DT）的众所周知的监督学习分类模型。dt是一种典型的树结构，由中央节点，连接的分支以及内部和末端节点组成。在每个节点中，我们都必须做出决定，例如基于规则的系统。这种类型的模型可帮助研究人员和医生更好地诊断疾病。为了降低所提出的DT的复杂性，我们使用特征选择（FS）方法探索了更简单的诊断模型，其因素较少。此概念将有助于减少数据收集阶段。在开发的DT和其他各种ML模型之间进行了比较分析，例如Logistic回归（LR），支持向量机（SVM）和Gaussian Naive Bayes（GNB），以证明已开发模型的有效性。DT模型的结果建立了93.78％的明显精度，ROC值为0.94，比其他算法比其他算法。开发的DT模型提供了有希望的结果，并可以帮助诊断心脏病。
人工智能在人脑连接组研究的进步中的作用
神经元是通过离子连接以发展大脑中电磁场的互动细胞。该结构直接在大脑中起作用。Connectome是从神经元连接获得的数据。由于神经回路在各种疾病中的大脑变化，因此研究Connectome会阐明特殊疾病的临床变化。探索这些数据及其与疾病的关系的能力使我们找到了新的治疗方法。人工智能（AI）是用于查找输入数据与结果之间关系的强大算法的集合。AI用于从Connectome数据中提取有价值的特征，进而将其用于开发神经疾病中的预后和诊断模型。研究神经退行性疾病和行为疾病中脑回路的变化使得可以早期诊断和发展有效的治疗策略。考虑到研究脑部疾病的困难，连接数据的使用是改善该器官知识的有益方法之一。在本研究中，我们对使用Connectome数据和AI进行研究的研究进行了系统的综述，用于研究各种疾病，我们专注于旨在为未来研究提供观点的研究的实力和弱点。在整个过程中，AI对于使用神经成像数据开发诊断和预后工具非常有用，而数据收集和衰减的偏见除了使用小型数据集外，还使用Connectome数据限制了基于AI的工具的应用程序，该数据应在未来的研究中涵盖。
引用方式：Badjie, B., Ülker, ED (2022)。基于深度迁移学习的架构，利用 MR 图像进行脑肿瘤分类。信息
由于数据可用性呈指数级增长及其在诊断各种疾病方面的出色表现，深度学习 (DL) 在医疗保健领域越来越受欢迎。本文旨在设计一种新的可能的脑肿瘤诊断模型，以提高放射学的准确性和可靠性。在本文中，一种先进的深度学习算法用于检测和分类磁共振 (MR) 图像中的脑肿瘤。在放射学中诊断脑肿瘤是一个重要的问题，但它是放射科医生必须经历的一个困难且耗时的过程。他们评估的可靠性完全依赖于他们的知识和个人判断，而这些在大多数情况下是不准确的。作为对准确诊断脑肿瘤日益增长的担忧的一种可能的补救措施，在这项工作中，一种深度学习方法被用于对脑肿瘤 MR 图像进行分类，具有非常高的性能准确性。该研究利用一种称为 AlexNet 卷积神经网络 (CNN) 的迁移学习模型来执行此操作。我们的方法有助于提高医疗保健领域的稳健性、效率和准确性，能够实现整个诊断过程的自动化，总体准确率达到 99.62%。此外，我们的模型能够检测和分类不同阶段和程度的肿瘤。