XiaoMi-AI文件搜索系统
World File Search System重采样
主要PCI后STEMI的新型风险分层模型
背景：在ST段抬高心肌梗死（STEMI）中，通过经皮冠状动脉介入干预（PCI）恢复TIMI 3流量（PCI），视觉上定义的微血管障碍物（MVO）被证明是预后不良的预测指标，但不是理想的风险层层次层次化方法。我们打算引入深度神经网络（DNN）辅助心肌对比度超声心动图（MCE）定量分析，并提出更好的风险地层模型。方法：包括至少6个月随访的成功原代PCI的194例STEMI患者。MCE。主要的不良心血管事件（MACE）被定义为心脏死亡，充血性心力衰竭，再染色，中风和复发性心绞痛。灌注参数源自基于DNN的心肌分割框架。视觉微血管灌注（MVP）定性分析的三种模式：正常，延迟和MVO。临床标记和成像特征，包括全球纵向菌株（GL）。构建了一种风险计算器，并通过自举重采样验证。结果：处理7,403 MCE帧的时间成本为773 s。对于观察者和观察者间变异性，微血管血流（MBF）的相关系数为0.99至0.97。38例患者在6个月的随访中遇到了MACE。 我们提出了一个基于MBF [HR：0.93（0.91 - 0.95）]的风险预测模型[HR：0.80（0.73 - 0.88）]。 Kaplan-Meier曲线表明，提出的风险预测模型允许更好的风险地层。38例患者在6个月的随访中遇到了MACE。我们提出了一个基于MBF [HR：0.93（0.91 - 0.95）]的风险预测模型[HR：0.80（0.73 - 0.88）]。Kaplan-Meier曲线表明，提出的风险预测模型允许更好的风险地层。在40％的最佳风险阈值下，AUC为0.95（灵敏度：0.84，特定城市：0.94），优于Visual MVP方法（AUC：0.70，灵敏度：0.89，Speciifity：0.40，0.40，IDI：IDI：-0.49）。结论：与视觉定性分析相比，PCI后，MBF + GLS模型允许STEMI的更准确的风险地层。DNN辅助MCE定量分析是评估微血管灌注的客观，有效且可重复的方法。
随机森林急性口腔毒性预测的机器学习模型
背景和目标：这项研究的重点是对急性口腔毒性的可靠和精确预测对增强化学安全性并提高可持续发展目标的重要性，特别是可持续发展目标3（良好的健康和福祉）（良好的健康和福祉），可持续发展目标6（清洁水和卫生）（清洁水和卫生），以及可持续发展的开发目标，以及可持续的开发目标，以及负责消费和生产和生产和生产。传统的毒性评估通常是耗时且昂贵的，因此需要探索更有效的方法。这项研究的重点是建立最有效的方法来构建可靠和精确的毒性预测模型。方法：评估随机森林是一种健壮的合奏方法，用于使用国家毒理学计划/机构间综合数据集进行预测急性口腔毒性，以评估替代性毒理学方法和环境保护署/国家国家能力测试中心的替代性毒理学方法和国家能力测试中心，这表现出了极大的compantance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance，8％非常毒素的92％不太毒性。为了解决这种不平衡，利用了诸如成本敏感的学习和数据重采样技术（包括在采样和过度采样下）之类的策略。通过合理发现套件生成的一组二维分子描述符被用作输入特征，模型预处理涉及归一化，验证和特征选择。对特征重要性的检查表明，主要分子描述符是与范德华表面积和分子量子数有关的分子描述符。使用贝叶斯优化和交叉验证进行了超参数调整，而随机森林的性能与梯度提升，极端梯度增强，人工神经网络和广义线性模型相比进行了评估。发现：随机森林模型，尤其是在采样和成本敏感学习下使用的森林模型，表现出卓越的性能，达到0.81的灵敏度，0.85的特异性，0.85的精度和接收器操作特征曲线下的面积为0.89，在独立的测试集上为0.89。由随机森林预测发展出的替代决策树，在曲线下达到了一个0.929的面积。结论：随机森林模型有效地预测了急性口腔毒性，尤其是在通过对成本敏感的学习和重新采样来解决阶级失衡时。利用可解释的人工智能技术，包括置换特征的重要性，替代决策树分析和局部可解释的模型不足的解释，这项研究确定了驱动毒性的关键分子描述符。这一进步提高了模型的解释性，并代表了增强化学安全的重要一步，同时支持可持续发展目标。