XiaoMi-AI文件搜索系统
World File Search System诊断系统
使用人工智能（AI）的医疗诊断系统
图 1：诊断过程的框图 2.相关工作 在这一部分，我们将讨论已经在使用或正在审查的技术和技术。 Van Mourik 等人 [14] 进行了一项关于医院相关感染的机器驱动监测系统的调查。 Luo 等人 [15] 将此疾病与转移性合胞病毒 (RSV) 一起进行了审查，RSV 是一种导致细支气管炎的根本原因。 Bhattacharjee 等人 [16] 进行了一项科学审查，以研究医院感染检测的这一最新趋势。 Sinha 等人 [17] 对感染进行了另一项研究。他们报告了血培养检测感染的一些缺点。 简而言之，这是一项通过机器学习和深度学习技术对疾病预测进行全面审查的努力。此外，与文献中现有的调查文章不同，这项研究集中于一系列特定疾病，包括心血管疾病、神经疾病、前列腺、肝病和肾病。2.模糊逻辑与疾病诊断逻辑是一种多值逻辑，其中变量的实际值可以是十进制数，也可以是零到一之间的任何复数。通常，如图 2 所示的用于疾病识别的模糊逻辑过程由以下步骤创建。1）模糊器：模糊化过程由模糊器完成。它是一种将明确的输入值调整为模糊集的方法。因此，模糊器用作从观察输入到模糊值的映射。2）推理引擎：在完成模糊化过程时，推理引擎使用一组规则处理的模糊值作为认知内容的一组规则。 3）知识库：这是模糊逻辑系统的主要组成部分。整个模糊系统取决于
自动化自闭症谱系障碍诊断系统
本文考虑了 ASD 患者的广泛年龄范围（8-20 岁），以免错过任何细微的变化，因为 ASD 症状会随着年龄的增长而变得更加明显。现有的系统 Janssen 自闭症知识引擎 (JAKE) 包含 3 个部分 - My JAKE 网络和移动应用程序，用于记录症状、记录治疗、收集医疗数据和跟踪进度）、JAKE sense（包含眼动仪、EEG、ECG 等生物传感器，用于检测和监测 ASD 的变化）和 JAKE stream（收集、同步和处理收集到的数据）。然而，本研究考虑了 EEG 和眼动追踪数据与计算数据的同时相互作用，这为验证任何未来的临床诊断系统提供了更有效和更通用的结果，这
基于人工智能算法的脑肿瘤计算机辅助诊断系统
治疗选择和预后评估取决于脑肿瘤的早期准确诊断。由于临床实践中手动评估磁共振成像 (MRI) 图像的挑战，许多脑肿瘤未被诊断或被临床医生忽视。在这项研究中，我们基于人工智能算法构建了一个用于神经胶质瘤检测、分级、分割和知识发现的计算机辅助诊断 (CAD) 系统。神经图像具体使用一种称为梯度直方图 (HOG) 的视觉特征来表示。然后，通过两级分类框架，使用 HOG 特征来区分健康对照和患者，或不同等级的神经胶质瘤。该 CAD 系统还使用半自动分割工具提供肿瘤可视化，以便更好地管理患者和监测治疗。最后，创建一个知识库，为脑肿瘤的诊断提供额外的建议。基于我们提出的两级分类框架，我们训练了神经胶质瘤检测和分级模型，分别实现了 0.921 和 0.806 的曲线下面积 (AUC)。与其他系统不同，我们将这些诊断工具与基于Web的界面集成在一起，为系统部署提供了灵活性。
开发车载诊断系统以提高车辆可靠性
通过实施现代技术条件方法和诊断工具以及信息处理和分析的计算机方法，维护系统和汽车服务正在得到更新。在运行阶段，记录机器零件、单元和汽车系统的故障数据。这些信息被传送给开发人员，以消除故障原因并澄清用于评估可靠性的初始数据 [1,2,3]。此外，最重要的问题是汽车技术状况的控制和诊断。各种计算机设备已成功用于几乎所有技术复杂的产品，以简化与用户的交互、复杂操作程序的实施等。这意味着汽车、铁路、海运等运输行业领域的技术产品也不例外。现代车辆配备了不同的电子设备，包括组合成一个单一复合体的电子设备，即所谓的车载诊断系统。（车载诊断 (OBD) 系统）[4]。
基于 CRISPR-Cas 和适体的病原体诊断系统：综述
病原体感染会导致人类和动物出现严重的临床疾病。人与动物接触的增多和环境的不断变化加剧了人畜共患传染病的传播。最近，世界卫生组织已将一些人畜共患流行病宣布为国际关注的突发公共卫生事件。因此，快速准确地检测致病病原体对于对抗新发和再发传染病尤为重要。传统的病原体检测工具耗时、成本高，并且需要熟练的人员，这极大地阻碍了快速诊断测试的发展，特别是在资源受限的地区。基于成簇的规律间隔短回文重复序列 (CRISPR-)-Cas 和适体的平台已经取代了传统的病原体检测方法。本文我们回顾了两种用于临床和食源性病原微生物的新型下一代核心病原体检测平台：基于 CRISPR-Cas 的系统，包括 dCas9、Cas12a/b、Cas13 和 Cas14；以及基于适体的生物传感器检测工具。我们重点介绍了基于 CRISPR-Cas 和适体的技术，并比较了它们的优缺点。基于 CRISPR-Cas 的工具需要繁琐的程序，例如核酸扩增和提取，而基于适体的工具则需要提高灵敏度。我们回顾了 CRISPR-Cas 和适体技术的结合，作为克服这些缺陷的一种有前途的方法。最后，我们讨论了基于 Cas14 的工具作为功能更强大的平台，用于检测非核酸靶标。关键词：成簇的规律间隔的短回文重复序列-Cas、适体、病原体检测、诊断工具
52 ·基于人工智能的公用事业规模太阳能发电厂诊断系统
在日本，自 2009 年起逐步引入上网电价制度后，各种运营商开始建设公用事业规模的太阳能发电厂。截至 2019 年底，太阳能发电量占日本总电源结构的比例已增加到 7%。（1）另一方面，运营商对发电厂的维护有不同的关注程度。特别是对于直流电压部分，持有执照的电气工程师负责制定维护菜单，规定应检查什么内容到何种程度。目前主流的直流电压部分的目视检查存在着重大问题，需要解决这些问题才能确保发电厂的长期稳定运行。鉴于上述背景，我们已将可以彻底监视直流电压部分的发电量的串监视系统 (SSMAP) 商业化。（2）此新系统配备了电力线通信 (PLC)，可收集每个串中测量的功率数据。 PLC 收集的数据与日射强度计、温度计、光伏逆变器等设备的监测数据一起汇总到专业制造商的核心监控系统（主机系统）中并进行可视化。但是，一些负责实际发电厂维护的运行维护人员由于缺乏此类事件的专业知识，无法有效利用可视化的数值和图表来检测发电厂发生的异常事件。虽然一些主机系统具有异常数据检测/报告功能，但问题是它们使用阈值来检测异常。由于每个发电厂的运行环境不同，如果将单个阈值共同用于异常检测，则经常会发生误报和随后的警报。为了突破上述情况，我们参加了由国家电网公司发起和管理的 2017 年新能源维护规程精细化项目——电气设施维护技术精细化的评估和验证
我们是否有理由将诊断错误归咎于人工智能诊断系统？
摘要 负责任地专业使用人工智能意味着准备好以合乎道德的方式应对和解决可能与此类使用相关的危害。这预示着对错误的所有权。在本文中，我提出一个问题：人工智能增强决策中的错误（例如人工智能辅助医疗诊断）是否可以归咎于人工智能系统本身，并对此问题给出了否定的回答。我将探讨两种选择。如果人工智能系统仅仅是工具，那么我们永远没有理由将错误归咎于它们，因为它们的失败不符合对错误的合理约束。如果为了论证的目的，我们假设人工智能系统不是（仅仅）工具，那么我们将面临某些挑战。首先，我们需要解释人工智能系统的这种超越工具的角色是什么，并为将人工智能系统视为工具建立正当理由。其次，需要证明医疗诊断可以简化为人工智能系统的计算，而不会对诊断程序的目的和质量造成任何重大损失。我的结论是，混合决策中的错误归属问题需要新形式的认识论责任。
基于X射线和深度学习的尘肺病计算机辅助诊断系统
摘要 目的：本研究旨在利用X射线和深度学习算法构建正常人和尘肺病的计算机辅助诊断系统。材料与方法：实验收集了2017年1月至2020年6月期间1760张真实患者的匿名数字X射线图像。为了使模型的特征提取能力更加集中在肺部区域，抑制外界背景因素的影响，建立了由粗到细的两阶段流水线。首先，使用U-Net模型提取采集图像两侧的肺部区域；然后，采用结合迁移学习策略的ResNet-34模型对提取出的肺部区域的图像特征进行学习，实现尘肺病患者和正常人的准确分类。结果：在收集的1760例病例中，分类模型的准确率为92.46%，曲线下面积为89%。结论：深度学习在尘肺病诊断中的成功应用进一步证明了医疗人工智能的潜力，并证明了我们提出的算法的有效性。然而，当我们进一步将尘肺病患者和正常人分为四类时，我们发现整体准确率下降到70.1%。我们将在未来的研究中使用CT模态来提供更多肺部区域的细节。关键词：尘肺病诊断，X射线，深度学习，U-Net，ResNet
