XiaoMi-AI文件搜索系统
World File Search System诊断系统
打破障碍：一种用于预测痴呆症的基于统计和机器学习的混合系统
方法：我们基于统计和机器学习（ML）方法开发了一种混合诊断系统，该方法使用患者电子健康记录预测痴呆症。本研究使用的数据集是从瑞典国家衰老和护理（SNAC）的国家研究中获得的，其样本量为43040和75个功能。新构建的诊断提取物通过统计方法（F-SCORE）从数据集中的有用功能的子集。对于分类，我们基于五个不同的ML模型开发了一个集合投票分类：决策树（DT），天真贝叶斯（NB），逻辑回归（LR），支持向量机（SVM）和随机森林（RF）。为了解决ML模型过度拟合的问题，我们使用了交叉验证方法来评估所提出的诊断系统的性能。各种评估措施，例如准确性，灵敏度，特异性，接收器操作特征（ROC）曲线和Matthew的相关系数（MCC），用于彻底验证设计诊断系统的效率。
人工智能与间质性肺病
摘要：间质性肺病 (ILD) 目前由放射科医生、肺病专家和病理学家组成的 ILD 委员会进行诊断。他们讨论计算机断层扫描 (CT) 图像、肺功能测试、人口统计信息和组织学的组合，然后就 200 个 ILD 诊断之一达成一致。最近的方法采用计算机辅助诊断工具来提高疾病的检测、监测和准确预测。基于人工智能 (AI) 的方法可用于计算医学，尤其是在基于图像的专业（例如放射学）中。本综述总结并强调了最新和最重要的已发表方法的优缺点，这些方法可以形成一个整体的 ILD 诊断系统。我们探讨了当前的 AI 方法和用于预测 ILD 预后和进展的数据。然后，必须突出显示包含与进展风险因素相关的最多信息的数据，例如 CT 扫描和肺功能测试。本综述旨在找出潜在的差距，强调需要进一步研究的领域，并确定可以结合起来的方法，以便在未来的研究中获得更有希望的结果。
使用混合挤压和激励增强模型从 OCT 图像中检测高级视网膜疾病
视网膜疾病会严重危害人们的视力，直接影响生活质量。视网膜是人眼的重要组成部分，由视觉细胞组成。它负责处理视觉信息。黄斑是中央视觉所必需的，位于视网膜层内。视网膜损伤，特别是黄斑区域的损伤，会导致视力严重丧失 [ 1 ]。因此，及早发现视网膜异常对于及时治疗和减少视力丧失至关重要 [ 2 ]。最常见的视网膜疾病包括糖尿病性黄斑水肿 (DME) 和年龄相关性黄斑变性 (AMD)。AMD 有两种类型：湿性 AMD（脉络膜新生血管，或 CNV）和干性 AMD（视网膜黄斑硬化症），后者是 65 岁以上人群失明的主要原因 [ 3 ]。约 25% 的糖尿病患者患有糖尿病性黄斑水肿 (DME)，这是由于糖尿病导致视网膜积液所致。如果不及时治疗，这些疾病可能会永久损害视力。因此，开发自动诊断系统对于有效的治疗计划至关重要，因为此类系统可以减轻临床医生的负担并提高早期检测率 [ 4 ]。
GIS 在土壤状况监测中的应用方法
摘要。现代的地球空间遥感技术允许创建新的信息系统，用于观察和研究生物地貌群落和农业群落中发生的各种过程。这在研究葡萄农业群落时尤其重要，因为其最重要的元素是多年生植物和提供收成的土壤。在这种情况下，有必要创建专门的信息技术来监测此类对象。这将允许形成一系列在时间和空间上均匀的观测结果，并提供在未来进行高度可靠的分析的能力。本研究的目的是为建立葡萄农业群落土壤肥力远程诊断系统奠定方法基础，结合栽培技术和栽培作物的生物生态特征，解决提高土地利用效率的问题，并在此基础上建立葡萄农业群落远程监测信息系统模型，旨在解决预测土壤和葡萄园状况的任务，获得有关预测肥力的客观信息，解决提高土地利用效率的问题，同时考虑到土壤栽培技术和栽培作物的生物生态特征、非生物和生物因素。
人工智能在临床实践中的作用
机器能够学习的方法称为深度学习（DL），其中包括人工神经网络（ANN）和复杂的神经网络（CNN）。以下流动（图2和3）解释了人工智能中涉及的每个组件的作用。机器学习（ML）方法可以分为三种类型的学习，可以监督，无监督和加强。第一种类型用于分类或预测任务，而第二种类型的有助于实现数据隐藏模式。增强学习根据以前的学习版本最大化奖励。深度学习（DL）利用CNN可以自动从输入数据中提取相关信息，从而消除了对手动特征识别和提取的需求。dl在医学疾病诊断和个性化治疗建议中表现出了希望。例如，在正畸中，已经出现了基于AI的多模块化诊断系统，例如Diagnocat Ltd.，该系统使用CNN进行精确的牙科诊断。DL模型通过检测CBCT图像中的根尖细胞病变来帮助龋齿检测和牙髓受累，这可能有助于临床工作。2
研究文章 FDCNet：用于肿瘤检测和分类的模糊 CNN 和分形特征提取的介绍
使用磁共振成像检测脑肿瘤是目前人工智能和医学工程面临的最大挑战之一。尽早发现这些脑肿瘤非常重要，因为它们可能会长大直至死亡。脑肿瘤可分为良性和恶性。创建一个智能医疗诊断系统来根据 MRI 成像诊断脑肿瘤是医学工程的重要组成部分，因为它可以帮助医生尽早发现脑肿瘤并监督整个康复过程中的治疗。在本研究中，提出了一种诊断良性和恶性脑肿瘤的综合方法。所提出的方法包括四个部分：图像增强以降低噪声并统一图像大小、对比度和亮度，基于形态学算子的图像分割，特征提取操作（包括基于分形模型的尺寸减小和特征选择），以及最终根据模糊深度卷积神经网络的分割和最佳类别的选择来改进特征。实验结果中使用 BraTS 数据集作为磁共振成像数据。还将一系列评估标准与以前的方法进行了比较，其中所提出的方法的准确率为 98.68%，具有显著的效果。
使用超像素融合、GoogleNet 和线性邻域语义分割的 SLIC 分割进行脑肿瘤分类
脑肿瘤是由于细胞不受控制地生长而产生的异常组织肿块。脑肿瘤通常会缩短寿命并在后期导致死亡。自动检测脑肿瘤是计算机辅助疾病诊断系统中一项具有挑战性且重要的任务。本文提出了一种基于深度学习的脑肿瘤分类方法。使用边缘方向总变分去噪去除脑 MRI 图像中的噪声。使用超像素融合的 SLIC 分割对脑 MRI 图像进行分割。将分割结果提供给经过训练的 GoogleNet 模型，该模型可识别图像中的肿瘤部分。一旦识别出肿瘤，便使用基于卷积神经网络 (CNN) 的改进语义分割模型对肿瘤段边缘的像素进行分类。改进的语义分割使用像素的线性邻域来进行更好的分类。由于边界处的像素被准确分类，因此最终识别出的肿瘤是准确的。实验结果表明，该方法在 GoogleNet 分类模型中的准确率为 97.3%，线性邻域语义分割的准确率为 98%。
自动疾病阶段阶段分类的glioblastoma- ...
摘要在计算组织病理学领域，计算机辅助诊断系统对于获得各种疾病的患者诊断和有助于精确医学很重要。因此，已经报道了许多关于数字病理图像的自动分析方法的研究。在这项工作中，我们讨论了一种自动提取和疾病阶段分类方法多形胶质母细胞瘤（GBM）组织病理学图像。在本文中，我们使用深层卷发神经网络（深CNN）同时获取功能描述符和分类方案。此外，在这个充满挑战的分类问题中，与其他流行的CNN进行了客观和定量的比较。使用癌症基因组图像的胶质瘤图像的实验表明，我们的网络平均分类准确性为96：5％，而对于更高的交叉验证，其他网络的性能相似，较高的精度为98：0％。深CNN可以以高精度从GBM组织病理学图像中提取显着特征。总的来说，具有深CNN的组织病理学图像的GBM疾病阶段分类非常有前途，并且在大规模组织病理学图像数据的可用性中，深CNN非常适合解决这个挑战性问题。
低维量子纠错开销的下限
量子计算的可行性在很大程度上取决于找到有效的量子误差校正 (QEC) 方案。从理论角度来看，QEC 是量子阈值定理 [ABO97] 的核心，而在实践中，它通常会导致昂贵的开销。部分成本可以归因于需要进行频繁的测量以诊断系统是否出现错误。根据所考虑的架构，这些测量可能难以实现，特别是对于仅限于局部交互的系统。因此，可以访问的可观测量空间受到计算机所在空间的限制。这一观察结果引出了以下自然问题：几何和量子误差校正性能之间的权衡是什么？在空间体积中可以可靠地存储多少信息？在这项工作中，我们表明，当使用量子误差校正时，仅限于几何局部操作和经典计算的架构会产生开销。具体来说，当限制为任意二维局部操作和自由经典计算时，我们表明，操作保护 k 个逻辑量子位的量子代码直至目标误差 δ ，所需的物理量子位数 m 满足
航空发动机部件故障的诊断与预测
图 1 直接运营成本分布（TATEM，2005’） 在上图中，由一家欧洲飞机制造商提供，我们认识到维护在总体运营成本中的重要性。如今，对航空系统和部件进行的维护操作是根据 TBO（大修间隔时间）或检查间隔时间进行编程的，这是根据统计变量 MTBF（平均故障间隔时间）或 MTTF（平均故障时间）计算的。代表系统或组件的平均使用寿命。因此，优化维护干预的成本和频率促使航空公司实施新的监控方法，以降低航空领域维护操作的直接成本。为了实现这一目标，需要解决两种相互补充的基本策略：避免计划外维护操作和避免过多的 TBO。飞机的机载诊断系统会向飞行员发出在飞行中检测到的故障的警报，这些故障会导致上述的计划外维护操作。这些计划外的维护操作会导致航班延误和取消（D&C 或延迟和取消）、中止起飞（ATO 或中止起飞）或飞行期间紧急着陆（飞行中关闭或 IFSD）。另外，诊断