XiaoMi-AI文件搜索系统
World File Search SystemAuc
VH4524184（VH-184）的第1阶段研究，新的第三...
AUC 0-∞，等离子体浓度下的面积 - 从0到无穷大； AUC 0-24H，血浆浓度下的面积 - 时间曲线从0到24小时； CMAX，最大观察到的血浆浓度； ％CVB，参与性的变异系数；疯狂，多个上升剂量； MDZ，咪达唑仑； NC，未计算； PK，药代动力学； QD，每天一次；悲伤，单次上升剂量； T 1/2，终端半衰期； tmax，时间到cmax； VH-184，VH4524184。
检查肠道癌中肠道微生物组在新辅助化疗反应中的更新作用：一种多机构的前瞻性队列评估
得分，灵敏度，NPV，特定峰，PPV，AUC得分，遍及迭代，评估微生物生物标志物在预测NAC响应时的鲁棒性。b，细菌属作为预测因子的重要性是从一个机器学习模型中得出的，该模型评估了它们在区分CR和NR方面的效用。c，摘要统计数据，包括敏感性，特定林，PPV，NPV和AUC分数，确认微生物特征的预测价值
分形维度：分析其作为使用机器学习
结果：来自肿瘤和非肿瘤区域的FD措施能够区分LGG和HGG患者。在15种不同的FD度量中，增强肿瘤区域的一般结构FD值高精度（93％），敏感性（97％），特定城市（98％）和接收器工作特征曲线（AUC）分数（98％）下的面积（98％）。无肿瘤的GM骨骼FD值也得出了良好的准确性（83.3％），灵敏度（100％），特异性（60％）和AUC分数（80％），以分类肿瘤等级。在LGG和HGG患者之间，还发现这些措施显着（P <0.05）。另一方面，在25种纹理特征（增强的肿瘤区域特征）中，即对比度，相关性和熵，揭示了LGG和HGG之间的显着差异。在机器学习中，增强的肿瘤区域纹理特征具有很高的精度，灵敏度，特定的牙齿和AUC分数。
AI-SCoRE（人工智能-SARS CoV2 风险评估）
摘要 目的 开发和验证一个有效且用户友好的人工智能平台，该平台基于一些无偏临床变量，结合先进的 CT 自动分析，用于 COVID-19 患者的风险分层。材料与方法 总共回顾性地纳入了第一波疫情（2020 年 2 月 16 日至 4 月 29 日）期间 16 家医院收治的 1575 名连续 COVID-19 成人，这些患者在入院后 72 小时内接受了胸部 CT 检查。总共初步收集了 107 个变量；从 CT 中提取了 64 个。结果是生存率。采用严格的 AI 模型选择框架进行模型选择和自动 CT 数据提取。比较了模型性能的 AUC。使用 Microsoft PowerApps 环境开发了一个 Web 移动界面。该平台已在第 2 波（2020 年 10 月 14 日至 12 月 31 日）期间前瞻性招募的 213 名 COVID-19 成年人身上进行了外部验证。结果 最终队列包括 1125 名患者（292 名非幸存者，26%）和 24 个变量。Logistic 在完整变量集上表现出最佳性能（AUC = 0.839 ± 0.009），就像在包含一组有限的 13 个和 5 个变量的模型中一样（AUC = 0.840 ± 0.0093 和 AUC = 0.834 ± 0.007）。对于非劣效性能，选择 5 个变量模型（年龄、性别、饱和度、通气良好的肺实质和心胸血管钙化）作为最终模型，并完全自动化提取 CT 衍生参数。全自动模型在第 1 波上显示 AUC = 0.842（95% CI：0.816–0.867），并用于构建 0-100 量表风险评分（AI-SCoRE）。在第 2 波上确认了预测性能（AUC 0.808；95% CI：0.7402–0.8766）。结论 AI-SCoRE 是一种有效可靠的平台，可基于一些无偏临床数据和 CT 自动分析对 COVID-19 患者进行自动风险分层。
影响脑动静脉畸形破裂预测模型性能的因素
摘要背景：很多情况下，患者脑动静脉畸形（bAVM）的破裂率及血管内治疗或手术治疗（当不适合进行放射外科治疗时）的风险均不低，因此在治疗前更谨慎地评估破裂风险显得尤为重要。本文基于目前的高危预测因素及临床资料，采用不同的样本量、采样时间和算法构建bAVM出血风险预测模型，并研究模型的准确性和稳定性，旨在提醒研究者在开发类似的预测模型时可能存在一些陷阱。方法：收集353例bAVM患者的临床资料，在构建bAVM破裂预测模型时，改变训练集与测试集的比例，增加采样次数，通过逻辑回归（LR）算法和随机森林（RF）算法构建bAVM破裂预测模型。采用曲线下面积（AUC）评价模型的预测性能。结果：两种算法建立的预测模型性能都不理想（AUC：0.7或更低）。不同样本量的LR算法建立的模型的AUC优于RF算法（0.70 vs 0.68，p < 0.001）。两种不同样本量的预测模型的AUC标准差（SD）范围较宽（最大范围> 0.1）。结论：基于目前的风险预测因子，可能难以建立稳定准确的bAVM出血风险预测模型。与样本量和算法相比，有意义的预测因子对于建立准确稳定的预测模型更为重要。关键词：脑动静脉畸形，Logistic回归，随机森林，预测模型，AUC
人工智能通过眼底照片检测视乳头水肿
结果 6779 名患者的训练和验证数据集包括 14341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统检测视乳头水肿的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
预测未来糖尿病的高度比率
结果：在中位随访期为7.02年，最大随访为13年，记录了320个新发育糖尿病。调整了混杂因素并比较标准化危险比（HRS）后，WC被证明是在所有模型中反射糖尿病风险的最佳简单人体测量指标，其次是WHTR。时间依赖性的ROC分析表明，WC在短期内预测糖尿病的发生（2 - 5年），而WHTR在预测中等至长期（6-12岁）中的糖尿病发生方面具有最高的AUC，而在任何时间点，WC和WHTR都比BMI更高的AUC均高。此外，我们发现在BMI和WC的阈值中相对较大的闪光来预测糖尿病，而WHTR的阈值
心房起搏，过早心房拍打，模式切换和心房高速率
月份； p = 0.015，p = 0.033，p = 0.041;早产次：1个月时为6.8±2.3％，3个月时为7.1±2.1％，在6个月时为7.2±1.9％； p = 0.015，p = 0.022，p = 0.031）。AHRE患病率从1个月的9.7±2.3％增加到3个月时的18.1±4.1％，在6个月时为23.3±5.9％。但是，这些关联在6个月后减少，在1年和2年时持续较少。接收器工作特征曲线分析确定了1个月的94.5％心房起搏百分比截止比例，敏感性为68％，特异性为82％[曲线（AUC）下的面积（AUC）：0.806，P <0.001]，在3个月时截止94％，敏感性和特异性为68％和901％，<0.8001，<0.8001。对于模式开关发作，1和3个月的1.5截止值分别产生73％和74％的敏感性，分别为99％和98％（AUC：0.890和0.895和0.895，p <0.001）。
大多数预测性脑蛋白的机器学习选择表明糖代谢在阿尔茨海默氏病中的作用
摘要。背景：复杂而尚未完全了解阿尔茨海默氏病的病因（AD）显示出重要的蛋白质症状，这不太可能与单个蛋白质有关。然而，来自深蛋白质组学数据集的蛋白质子集可用于分层患者的风险，识别阶段依赖性疾病标志物并提出可能的疾病机制。目的：目的是鉴定将受试者最能将受试者分类为控制，无症状阿尔茨海默氏病（Adymad）和AD的蛋白质子集。方法：数据包括6个同类； 620个受试者； 3,334蛋白。脑组织衍生的预测蛋白亚群用于分类AD，不良或对照的分类，并通过无标签的定量和机器学习验证并验证。结果：29-蛋白蛋白子集准确地分类AD（AUC = 0.94）。然而，从AD（AUC = 0.98）中的88个蛋白质子集最佳预测Asy-MAD（AUC = 0.92）或对照（AUC = 0.92）。AD与控制：APP，DHX15，NRXN1，PBXIP1，RABEP1，Stom和VGF。ad v versus：aldh1a1，bdh2，c4a，fabp7，gabbr2，gnai3，pbxip1和prkar1b。ASYMAD与控制：App，C4A，DMXL1，Exoc2，PitPNB，Rabep1和VGF。其他预测因素：DNAJA3，PTBP2，SLC30A9，VAT1L，Crocc，PNP，SNCB，ENPP6，HAPLN2，PSMD4和CMAS。结论：生物标志物在疾病阶段动态可分离。预测蛋白显着富集糖代谢。
卢旺达大学商学院
图 1：将样本从两个类别中分离出来的最大边际超平面 ...................................................................... 9 图 2：决策树算法 .............................................................................................................. 11 图 3：使用决策树对直接邮寄的响应进行分类 ........................................................................ 12 图 4：用于数据分析的 Python 库 ............................................................................................. 21 图 5：我们数据集中缺失值的摘要 ............................................................................................. 23 图 6：热图函数表示空值的分布 ............................................................................................. 24 图 7：说明调查类型的 Python 代码 ............................................................................................. 25 图 8：说明业余建造的 Python 代码 ............................................................................................. 26 图 9：说明飞行阶段的 Python 代码 ............................................................................................. 27 图 10：说明可变数量的发动机的 Python 代码 ............................................................................. 28 图 11：用四个属性的模态值替换缺失值的 Python 代码和结果 ................................................................................................................. 29 图 12：清理后的数据集，没有空值 ............................................................................................. 30图 14：从分类转换为数值后的调查类型摘要 ......................................................................................................................................................................31 图 15：从分类转换为数值后的天气状况摘要 ......................................................................................................................................................31 图 16：从分类转换为数值后的业余建造摘要 ......................................................................................................................31 图 17：从分类转换为数值后的飞行阶段摘要 ......................................................................................................31 图 18：带有数值的发动机数量摘要 .............................................................................................................32 图 19：我们数据集中变量之间相关性的摘要。 .............................................................................................34 图 20：我们数据集的形状 .............................................................................................................................34 图 21：我们数据集中的所有变量 .............................................................................................................35 图 22：筛选特征（可能导致空调事故的潜在特征） .............................................................................................35 图 23：特征重要性 ................................................................................................................ 36 图 24：决策树分类器的分类报告和准确度得分 .............................................................................. 37 图 25：决策树分类器的混淆矩阵 .............................................................................................. 38 图 26：基于曲线下面积的决策树分类器性能图表 ............................................................................................. 38 图 27：随机森林分类器的分类报告和准确度得分 ............................................................................. 39 图 28：随机森林分类器的混淆矩阵 ............................................................................................. 39 图 29：基于曲线下面积的随机森林分类器性能图表 ............................................................................................. 39 图 30：SVM 分类器的分类报告和准确度得分 ............................................................................................. 40 图 31：SVM 分类器的混淆矩阵 ............................................................................................. 40 图 32：基于 AUC 的 SVM 分类器性能图表 ............................................................................................. 40 图 33：朴素贝叶斯的分类报告和准确度得分分类器 .................................................. 41 图 34：朴素贝叶斯分类器的混淆矩阵 .............................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 .............................................. 41 图 36：基于 AUC 对飞机事故数据的不同分类模型的评估性能 ............................................................................................................. 42SVM 分类器的混淆矩阵 ................................................................................................ 40 图 32：基于 AUC 的 SVM 分类器性能图表 .............................................................. 40 图 33：朴素贝叶斯分类器的分类报告和准确度得分 ............................................................ 41 图 34：朴素贝叶斯分类器的混淆矩阵 ............................................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 ............................................................. 41 图 36：基于 AUC 的不同分类模型在飞机事故数据上的评估性能 ............................................. 42SVM 分类器的混淆矩阵 ................................................................................................ 40 图 32：基于 AUC 的 SVM 分类器性能图表 .............................................................. 40 图 33：朴素贝叶斯分类器的分类报告和准确度得分 ............................................................ 41 图 34：朴素贝叶斯分类器的混淆矩阵 ............................................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 ............................................................. 41 图 36：基于 AUC 的不同分类模型在飞机事故数据上的评估性能 ............................................. 42