XiaoMi-AI文件搜索系统
World File Search System进行性
使用机器学习对水泵进行预测性维护
预测性保护或维护与物联网结合使用，帮助行业检测生产或维护设备中的重要故障。在本研究中，我们提供了一个系统架构模型，用于根据受监控设备获取的数据检测早期水泵系统故障。在试验部分，我们研究了水泵行业的实际测量统计数据、事件和故障。正在尝试不同的保护措施或策略来保持行业的有效性。保护会破坏任何行业的商品价值。为了避免受到冲击或以后发生故障，应以减少保护任务成本和时间的方式规划保护程序。本研究描述了基于工业领域随机森林方法的预测性维护或预防性保护的敏锐机器学习架构系统的实施，该系统考虑了物联网和机器学习 (ML) 技术支持实时统计、在线数据收集和分析，以便尽早检测机器故障，从而实现对数据的实时监控、数据可视化和分析，以便尽早检测机器故障。
利用人工智能设计功能有机分子
利用人工智能设计功能性有机分子 用户名：Masato Sumida 1,2 Xiufeng Yang 2 日本理化学研究所实验室隶属关系： 1. 先进智能项目中心富士通协作中心 2. 先进智能项目中心目标导向平台技术研究组分子信息学团队
使用无监督机器学习揭示进行性核上性麻痹的萎缩时空模式
我们的队列包括 426 例进行性核上性麻痹病例，其中 367 例至少接受过一次随访扫描，另 290 例为对照。在进行性核上性麻痹病例中，357 例临床诊断为进行性核上性麻痹 - 理查森综合征，52 例为进行性核上性麻痹 - 皮质变异（进行性核上性麻痹 - 额叶、进行性核上性麻痹 - 言语/语言或进行性核上性麻痹 - 皮质基底节），17 例为进行性核上性麻痹 - 皮质下变异（进行性核上性麻痹 - 帕金森病或进行性核上性麻痹 - 进行性步态冻结）。亚型和分期推断应用于从基线结构（T1 加权）MRI 扫描中提取的体积 MRI 特征，然后用于对随访扫描进行亚型和分期。随访中的亚型和分期用于验证亚型和分期分配的纵向一致性。我们进一步比较了每种亚型的临床表型，以深入了解进行性核上性麻痹病理、萎缩模式和临床表现之间的关系。
食物中毒细菌在低温下在食物中生长
近 10 年国外重大李斯特菌疫情 国家 疫情年份 致病食物 患者人数 死亡人数 澳大利亚 2013 奶酪 18 2 丹麦 2013-2014 熟食肉类 41 17 美国 2014 豆芽 5 2 美国、加拿大 2014-2015 焦糖苹果 36 7 美国 2010-2015 冰淇淋 10 3 美国 2015 软奶酪 24 1 美国、加拿大 2015-2016 包装沙拉 47 1 美国 2013-2016 冷冻蔬菜 9 1 德国 2012-2016 疑似来自同一工厂的多种产品 66 3 澳大利亚 2018 甜瓜 20 7 南非 2017-2018 肉制品 1,060 216 丹麦、德国、法国2015-2018 熏制三文鱼 7 1 奥地利、丹麦、芬兰等 2015-2018 冷冻玉米 47 9 丹麦、爱沙尼亚、芬兰等 2014-2019 冷熏鱼制品 22 5 英国 2019 三明治和沙拉 9 6 西班牙 2019 熟肉制品 207 例确诊，3059 例高度疑似 3 美国、加拿大 2017-2019 熟鸡丁 31 2 荷兰、比利时 2017-2019 肉制品 21 3 美国、澳大利亚 2016-2019 金针菇 42 5 美国 2017-2019 煮鸡蛋 8 1 美国 2020-2020 熟食肉类 11 1 美国 2014-2022 预包装沙拉 18 3 英国2020-2022 熏鱼 12？ 美国 2021-2022 冰淇淋 25 1 美国 2021-2022 熟食肉 14 1 美国 2023 奶昔 6 3 美国 2018-2023 绿叶蔬菜 19 0 瑞士 2022 熏鱼 20 ? 美国 2018-2023 桃子、油桃、李子 11 1 德国、荷兰、比利时、英国等 2012-2024 鱼制品 73 14 加拿大 2023-2024 冷藏杏仁奶等 20 3 美国 2024 熟食肉类 59 10 10
训练患有非进行性脑损伤的患者
注意事项 中风过的客户可能正在服用血液稀释剂，如果在训练期间皮肤破损，可能会导致过度出血。他们还可能服用可降低最大心率的降压药。考虑对这类人群使用自觉用力率 (RPE) 量表，而不是仅监测心率。
使用 ai 对心血管风险进行机会性评估...
背景 心血管疾病的一级预防依赖于使用汇集队列方程 (PCE) 和 PREVENT 等评分进行准确的风险评估。然而，这些评分所需的输入变量通常在电子健康记录 (EHR) 中不可用，而常规收集的数据（例如非造影胸部 CT）中的信息可能会进一步提高性能。在这里，我们测试基于胸部 CT 心脏和主动脉结构特征的风险预测模型是否为现有的预测主要不良心血管事件 (MACE) 的临床算法增加了价值。方法我们开发了一个 LASSO 模型，使用描述国家肺部筛查试验中 13,437 个肺癌筛查胸部 CT 的心腔和主动脉分割的结构放射组学特征来预测 12 年随访中的致命 MACE。我们将这个放射组学模型与外部测试集中的 4,303 名在 Mass General Brigham 站点进行胸部 CT 检查并且没有糖尿病史、之前 MACE 或他汀类药物治疗的个体的 PCE 和 PREVENT 评分进行了比较。使用一致性指数评估了对事件性 MACE 的鉴别。我们使用二元阈值来确定 PCE/PREVENT 评分（≥7.5% 风险）或放射组学评分（≥5.0% 风险）符合他汀类药物使用条件或不符合条件的患者的 MACE 发生率。结果根据所有变量是否可用于计算 PCE 或 PREVENT 评分进行分层。结果在外部测试集中（n = 4,303；平均年龄 61.5 ± 9.3 岁；47.1% 为男性），8.0% 在平均 5.1 年的随访中发生过 MACE。放射组学风险评分显著提高了 PCE 以外的鉴别能力（c 指数 0.653 vs. 0.567，p < 0.001），并且在缺少输入的个体中表现类似。根据放射组学和 PCE 评分均符合他汀类药物治疗条件的患者，其 MACE 发生率比仅根据 PCE 评分符合条件的患者高 2.6 倍（PCE 合格个体中，每 1,000 人年发生 29.5 [20.5, 39.1] 起事件 vs. 11.2 [8.0, 14.4] 起事件）。在缺失输入的患者中，根据放射组学评分符合他汀类药物治疗条件的患者发生 MACE 的概率比不符合他汀类药物治疗条件的患者高 1.8 倍（每 1000 人年发生 29.5 [21.9, 37.6] 起事件 vs. 16.7 [14.3, 19.0] 起事件）。与 PREVENT 评分相比，也发现了类似的结果。左心室容积和短轴长度对心肌梗死的预测能力最强，而左心房球形度和表面积体积比对中风的预测能力最强。结论基于单张胸部 CT，基于心脏形状的风险预测模型能够预测超出临床算法的心血管事件，并且在缺少标准心血管风险计算器输入的患者中表现出类似的表现。根据放射组学评分，高风险患者可能受益于强化一级预防（例如他汀类药物处方）。
对情绪的小脑进行非侵入性脑刺激
小脑刺激历史悠久，可追溯到 18 世纪。Luigi Rolando (1773 – 1831) 是首批使用电流研究小脑功能的人之一，他观察到对动物小脑施加电流可引起抽搐 (Ponce et al. 2021 )。在随后的几个世纪中，人们进一步利用电流来检查健康和神经系统人群中小脑运动功能的神经生理学。意大利科学家 Giuseppe Moruzzi (1910 – 1986) 使用电流证明小脑与情绪有关，他提供的证据表明，与猫下丘脑诱发的假怒相关的自主神经活动可以通过电刺激小脑来调节 (Zanchetti and Zoccolini 1954 )。包括经颅直流电刺激 (tDCS) 和经颅磁刺激 (TMS) 在内的非侵入性脑刺激技术的引入，为研究人类小脑与情绪之间的关系提供了一种安全且微创的新型方法 (Cattaneo 等人，2021 年)。虽然早期使用弱电流的研究在 20 世纪 60 年代被放弃，部分原因是研究结果缺乏系统性，但早在 2000 年，经验证明 tDCS 可以以极性依赖的方式调节神经兴奋性 (Nitsche 和 Paulus，2000 年) 就引发了研究人员对这项技术的重新兴趣
