XiaoMi-AI文件搜索系统
World File Search SystemAUCROC
![arXiv:2304.14919v1 [eess.SP] 2023 年 4 月 26 日](/simg/e\e6ec1b3829732dbc1ce8187ace6d88e29d133d95.webp)
arXiv:2304.14919v1 [eess.SP] 2023 年 4 月 26 日
基于连续脑电图 (cEEG) 的视觉频谱表示的患者独立癫痫活动检测已广泛用于诊断癫痫。然而，由于不同受试者、通道和时间点的细微变化，精确检测仍然是一项相当大的挑战。因此，捕获与高频纹理信息相关的脑电图模式的细粒度、判别性特征尚未解决。在这项工作中，我们提出了散射变压器 (ScatterFormer)，这是一种基于不变散射变换的分层变压器，它特别关注细微特征。特别是，解缠结的频率感知注意力 (FAA) 使变压器能够捕获具有临床信息的高频成分，基于多通道脑电图信号的视觉编码提供了一种新的临床可解释性。在两个不同的癫痫样检测任务上的评估证明了我们方法的有效性。我们提出的模型在 Rolandic 癫痫患者中实现了 98.14% 和 96.39% 的中位 AUCROC 和准确率。在新生儿癫痫发作检测基准上，其平均 AUCROC 比最先进的方法高出 9%。
用于患者的局部不变散射变压器......
基于连续脑电图 (cEEG) 的视觉频谱表示的患者独立癫痫活动检测已广泛用于诊断癫痫。然而，由于不同受试者、通道和时间点的细微变化，精确检测仍然是一项相当大的挑战。因此，捕获与高频纹理信息相关的脑电图模式的细粒度、判别性特征尚未解决。在这项工作中，我们提出了散射变压器 (ScatterFormer)，这是一种基于不变散射变换的分层变压器，它特别关注细微特征。特别是，解缠结的频率感知注意力 (FAA) 使变压器能够捕获具有临床信息的高频成分，基于多通道脑电图信号的视觉编码提供了一种新的临床可解释性。在两个不同的癫痫样检测任务上的评估证明了我们方法的有效性。我们提出的模型在 Rolandic 癫痫患者中实现了 98.14% 和 96.39% 的中位 AUCROC 和准确率。在新生儿癫痫发作检测基准上，其平均 AUCROC 比最先进的方法高出 9%。
干眼症中的人工智能
Deng X 等人。( 2021 ) [ 29 ] 估计泪液弯月高度 217 Oculus Keratograph 泪液弯月图像 CNN (U-net) 准确度 = 82 。5 %，灵敏度 = 0 。899 ，精度 = 0 。911 ，F1 分数 = 0 。901 Elsawy A 等人。( 2021 ) [ 30 ] 诊断 DED 547 AS-OCT 眼表图像预训练 CNN (VGG19) AUCROC = 0 。99（模型 1）和 0 。98（模型 2），AUCPRC = 0。96（模型 1）和 0。94（模型 2），F1 得分 = 0。90（模型 1）和 0。86（模型 2）* Khan ZK 等人。（2021）[ 31 ] 检测 MGD 112 睑板腺 3D IR 图像、下眼睑和上眼睑睑板腺图像 GAN F1 得分 = 0。825，P-HD = 4。611，聚合 JI = 0。664 ，r = 0 。962 (clincian1) 和 0 。968 (clinician2)，p 值 < 0 。001 ，平均差异 = 0 。96 (clincian1) 和 0 。95 (clincian2) Xiao P 等人。( 2021 ) [ 32 ] 检测 MGD 15 (图像) Oculus Keratograph IR 眼底摄影图像 Prewitt 算子、Graham 扫描算法、碎片算法和 SA（按顺序使用）