XiaoMi-AI文件搜索系统
World File Search System预测算法
使用机器学习来检查TBI之后的自杀意念
为了解决传统方法识别自杀风险的局限性，研究普通人群中自杀行为的研究人员呼吁将重点从先验风险因素转变为基于机器学习的算法。14具有大型数据集，机器学习方法提供了几种优势，包括使用可以通过建模变量之间的复杂关联来促进临床意义和概括性的技术，以及自动学习优化预测算法的方法而不是依赖研究人员的先验假设的方法。14,15个机器学习方法在预测异质且罕见发生的结果（即自杀思想和行为）方面可能是有利的，这些结果通常与阶级失衡有关。具体来说，可以与传统的机器学习程序结合实施采样程序，包括缩写，以预测不平衡的结果。Using a combination of surveys, administrative data, and electronic health records, machine learning has shown promise in identifying short- and long-term risk for suicidal behaviors (in non-TBI populations) with greater accuracy than traditional approaches, up to several years before they occur and across a variety of settings, including the US Army, 16,17 Veterans Health Administration, 18 independent health care systems, 15,19,20 and population-wide studies.21,22
通过数据增强增强社交网络广告预测的比较研究
摘要 - 在社交网络广告的不断发展的景观中，数据的数量和准确性在预测模型的性能中起着至关重要的作用。然而，鲁棒预测算法的发展通常受到现实数据集中存在的有限尺寸和潜在偏差的阻碍。本研究介绍并探讨了社交网络广告数据的生成增强框架。我们的框架探索了三个用于数据增强的生成模型 - 生成对抗网络（GAN），变异自动编码器（VAE）和高斯混合模型（GMMS） - 以丰富社交网络广告分析有效性的上下文中的数据可用性和多样性。通过执行特征空间的合成扩展，我们发现通过数据增强，各种分类器的性能已被定量改进。此外，我们比较了每种数据增强技术带来的相对性能增长，从而为从业者提供了选择适当的技术以增强模型性能的见解。本文通过表明综合数据增加可以减轻社交网络广告领域中的小型或不平衡数据集施加的限制，从而有助于文学。同时，本文还提供了有关不同数据增强方法的实用性的比较观点，从而指导从业者选择适当的技术来增强模型性能。
癫痫患者的颅内脑外对内侧颞叶刺激的预测建模
尽管有希望取得的进步，但耐药性癫痫（DRE）的闭环神经刺激仍然依赖手动调整并产生可变的结果，而自动化的可预测算法仍然是一种吸引力。作为解决这一差距的基本步骤，在这里，我们研究了在参数丰富的神经刺激下人类颅内EEG（IEEG）反应的预测动力学模型。使用来自n = 13例DRE患者的数据，我们发现具有约300毫秒因果历史依赖性的刺激触发的切换线性模型可以最好地解释引起的IEEG动力学。这些模型在不同的刺激幅度和频率中高度一致，从而可以从丰富的刺激下学习可推广的模型，并且对数据有限。此外，几乎所有受试者的IEEG都表现出距离依赖的模式，从而刺激直接影响致动位点和附近地区（≲20mm），会影响中距离区域（20〜100mm）通过网络相互作用，几乎无法达到远端区域（≳100mm）。峰网络相互作用发生在距刺激位点60毫米的60毫米处。由于其预测精度和机械性解释性，这些模型对于基于模型的癫痫发作和闭环神经刺激设计具有巨大的潜力。
算法预测的人类专业知识
我们引入了一个新颖的框架，将人类专业知识纳入算法预测中。我们的方法利用人类的判断来区分算法上无法区分的输入，或者“看起来相同”与预测算法“看起来相同”。我们认为，这种框架阐明了预测任务中人类协作的问题，因为专家通常通过借鉴算法培训数据中未编码的信息来形成判断。算法的不可区分性产生了自然测试，用于评估专家是否合并了这种“侧面信息”，并进一步提供了一种简单但原则上的方法，可选择性地将人类反馈纳入算法预测中。我们表明，这种方法可证明可以提高任何可行算法预测变量的性能，并精确地量化此改进。我们从经验上发现，尽管算法通常通常优于其人类的表现，但人类的判断可以改善对特定实例的算法预测（可以识别出来）。在X射线分类任务中，我们发现该子集占患者人群的近30％。我们的方法提供了一种自然的方式来揭示这种异质性并从而实现有效的人类协作。
警惕医疗领域人工智能的解释
人工智能和机器学习 (AI/ML) 算法在医疗保健领域的发展日渐成熟，用于诊断和治疗各种医疗状况 ( 1 )。然而，尽管此类系统技术实力雄厚，但它们的采用却一直充满挑战，它们是否能真正改善医疗保健以及在多大程度上改善医疗保健仍有待观察。一个主要原因是，基于 AI/ML 的医疗设备的有效性在很大程度上取决于其用户的行为特征，例如，用户往往容易受到有据可查的偏见或算法厌恶的影响 ( 2 )。许多利益相关者越来越多地将预测算法所谓的黑箱性质视为用户持怀疑态度、缺乏信任和接受缓慢的核心原因 ( 3, 4 )。因此，立法者一直在朝着要求提供黑箱算法决策解释的方向发展 (5) 。事实上，学术界、政府和民间社会团体几乎一致支持可解释的 AI/ML。许多人被这种方法吸引，因为它既能利用不可解释的人工智能/机器学习（如深度学习或神经网络）的准确性优势，又能支持透明度、信任和采用。我们认为，这种共识至少在应用于医疗保健领域时，既夸大了要求黑盒算法可解释的好处，又低估了其弊端。
使用神经网络和时间光谱特征
大脑计算机界面（BCIS）越来越有用。这样的BCI可用于帮助失去流动性或控制四肢的个人，出于娱乐目的，例如游戏或半自主驾驶，或者是用于人造装置的界面。到目前为止，用于思考解码的算法的性能受到限制。我们表明，通过从脑电图（EEG）信号中提取时间和频谱特征，然后使用深度学习神经网络对这些特征进行分类，可以显着提高BCIS在预测主体想象的运动动作方面的性能。我们的运动预测算法使用顺序的向后选择技术来共同选择分类的时间和光谱特征以及径向基函数神经网络。与最先进的基准算法相比，该方法的平均性能提高3.50％。使用两个流行的公共数据集，我们的算法在第一个数据集中达到90.08％的精度（平均基准为79.99％），第二个数据集的算法达到了88.74％（平均基准：82.01％）。鉴于基于EEG的动作解码中的较高可变性和跨主体的可变性，我们建议使用多种模式的功能以及神经网络分类协议可能会提高各种任务中BCI的性能。
5-羟色胺4受体遗传
重大抑郁症（MDD）是全球残疾的主要原因（Jaffe等，2019），影响了约3.5亿人。然而，抗抑郁药（主要治疗）在短（Trivedi等，2006）和长期（Rush等，2006）的主要抑郁发作（MDE）治疗方面的疗效不足。在涉及治疗疗效的因素中，已知影响药物代谢酶（例如CYP2C19或CYP2D6）的遗传变异会干扰治疗反应，尤其是在服用选择性性5-羟色胺再摄取抑制剂（SSRI）或羟色胺 - 羟色胺 - 羟色胺 - 核酸抑制剂时（Snrike）（snriri）（snrri）（snrikers）（caud）（caud）（caud nilliack）。 2015年;摩尔登和朱ki，2021年；此外，鉴定生物学因素，包括预测抗抑郁治疗疗效的生物标志物（Ozomaro等，2013），尤其是缓解，这是最佳治疗结果（Zimmerman等，2006）。最近，使用多个OMICS研究策略开发了MDD中SSRI临床结果的预测算法，该策略鉴定了TSPAN5，ERICH3，DEFB1和AHR等基因（Nguyen等，2021）。在评估的新基因中，5-羟色胺4型受体（HTR4）可能是候选者。
使用机器学习的基于症状的疾病预测
摘要：疾病预测方法使用预测模型来根据用户作为系统反馈提供的症状来预测用户疾病。迫切需要提出医疗服务，以便对患者护理和治疗方案做出更好的选择。在机器学习方面，医疗保健使人类能够处理大型且复杂的医疗数据库，解释它们并获得临床见解。机器将用户的症状分析为输入，并将疾病的可能性作为输出返回。实施决策树，K最近的邻居，幼稚的贝叶斯和随机森林允许进行疾病预测。在本文中，我们试图将医疗保健中的机器学习能力整合到一个框架中。而不是诊断，可以通过使用机器学习预测算法实施疾病预测来使医疗保健变得聪明。当无法早期诊断疾病时，可能会出现某些病例。结果，可以有效地应用疾病预测。本文主要侧重于创建方案或我们所谓的即时医疗条款，该计划将整合从多感官设备以及其他医疗数据中获得的症状并将其存储在医疗保健数据集中。该数据集将使用机器学习算法的精度超过90％进行分析。
使用协方差神经网络进行可解释的大脑年龄预测
在计算神经科学领域，人们对开发利用脑图像数据来估算个体“脑年龄”的机器学习算法的兴趣日益浓厚。重要的是，脑年龄与实际年龄之间的差异（称为“脑年龄差距”）可以反映出不良健康状况导致的加速衰老，因此可以反映出患神经系统疾病或认知障碍的几率增加。然而，由于现有的大多数脑年龄预测算法缺乏透明度和方法论依据，因此脑年龄在临床决策支持中的广泛应用受到了阻碍。在本文中，我们利用协方差神经网络 (VNN) 提出了一个由解释驱动且解剖学上可解释的框架，使用皮质厚度特征来预测脑年龄。具体而言，我们的大脑年龄预测框架超越了阿尔茨海默病 (AD) 中大脑年龄差距的粗略度量，我们得出了两个重要观察结果：(i) VNN 可以通过识别贡献大脑区域，为 AD 中增大的大脑年龄差距分配解剖学可解释性，(ii) VNN 提供的可解释性取决于它们利用解剖学协方差矩阵的特定特征向量的能力。总之，这些观察结果促进了大脑年龄预测任务的可解释性和解剖学可解释性视角。
偏差、最佳线性估计以及基于脉冲的脑机接口算法的开环模拟和闭环性能之间的差异
同时记录的数十个神经元的活动可用于控制机械臂或计算机屏幕上光标的运动。这种运动神经假体技术激发了人们对推断运动意图的算法的兴趣。这些算法中最简单的是群体向量算法 (PVA)，其中每个细胞的活动用于加权指向该神经元首选方向的向量。离线时，可以证明更复杂的算法（例如最佳线性估计器 (OLE)）可以大大提高重建手部运动的准确性，优于 PVA。我们称之为开环性能。相反，这种性能差异可能不存在于闭环在线控制中。开环和闭环控制之间的明显差异是适应当时使用的解码器的具体情况的能力。为了预测算法在闭环控制中可能产生的性能提升，有必要建立一个模型来捕捉这种适应过程的各个方面。这里我们提出了一个用于对 PVA 和 OLE 的闭环性能进行建模的框架。通过模拟和实验，我们表明 (1) 某些解码器的性能增益可能远低于离线结果的预测，(2) 受试者能够补偿解码器中某些类型的偏差，以及 (3) 必须小心确保估计误差不会降低理论上最佳解码器的性能。© 2009 Elsevier Ltd. 保留所有权利。