XiaoMi-AI文件搜索系统
World File Search SystemAuroc
机器学习方法改善了从轻度认知障碍到阿尔茨海默氏病的纵向预测
摘要：轻度认知障碍（MCI）是认知能力下降，可以表明阿尔茨海默氏病（AD）的未来风险。我们根据梯度增强的树集合方法开发并验证了机器学习算法（MLA），以分析55-88岁（n = 493）诊断为MCI的个体的表型数据。数据，并取平均值以预测24-48个月内的AD进展。MLA在大多数指标上的所有预测窗口上都超过了小型状态检查（MMSE）和三个比较模型。例外包括18个月时的灵敏度（MLA和MMSE分别达到0.600）；和30和42个月的灵敏度（MMSE略微更好）。对于所有预测窗口，MLA均达到AUROC≥0.857和NPV≥0.800。带有24-48个月lookahead时间范围的平均数据，MLA在所有指标上的表现都优于MMSE。这项研究表明，机器学习可能比护理标准提供更准确的风险评估。这可能有助于促进护理协调，减少医疗支出，并维持从MCI到AD的风险的患者的生活质量。
原创文章 一项利用人工智能驱动的乳腺癌医学图像分析的初步研究
摘要：本研究探索了如何建立一种深度学习模型，以准确判断乳房 X 光检查结果中的病变是良性还是恶性。数据来源于一家大型三级医院乳腺中心接受活检的女性的筛查乳房 X 光检查结果。从 215 张乳房 X 光检查中获取的 900 张乳房图像用于训练和建立基于深度学习的模型，该模型能够准确预测病变的良性还是恶性。与癌症诊断的金标准（即手术病理学）相比，所建立模型的敏感性为 95.7%，特异性为 87%，总体准确率为 90.7%，AUROC 为 0.76。放射科医生对这组患者的读数敏感性为 86%，特异性为 46%，总体准确率为 79%。基于深度学习的模型通过提高特异性和减少假阳性读数，显著提高了诊断准确率。该模型还可以对放射科医生报告中被归类为 BI-RADS 0 的乳房 X 光检查结果提供结论性解读，从而减少在做出最终诊断之前进行进一步影像学研究的需要。关键词：乳腺癌；计算机辅助诊断；深度学习；乳房 X 光检查解读
可解释的人工智能助力可解释的信用评分
随着人工智能 (AI) 的不断进步和金融科技的热情高涨，信用评分等应用引起了学术界的广泛兴趣。信用评分是一种帮助金融专家更好地决定是否接受贷款申请的方法，这样违约概率高的贷款就不会被接受。表现良好的信用评分模型能够区分更有可能违约的贷款申请和不太可能违约的贷款申请，这是非常有益的，因为它们减少了贷款审批流程所需的时间，并可以节省大量成本。除了此类信用评分模型面临的嘈杂和高度不平衡的数据挑战之外，最近出台的法规，例如《通用数据保护条例》(GDPR) 和《平等信贷机会法》(ECOA) 引入的“解释权”，也增加了对模型可解释性的需求，以确保算法决策是可以理解和连贯的。因此，这要求黑盒机器学习 (ML) 模型（如 ANN 和 XGBoost）不仅在分类性能上准确，还必须能够解释它们的预测，以便金融专家愿意信任和采用这样的模型。最近提出的一个有趣概念是可解释的人工智能 (XAI)，其重点是使黑盒模型更具可解释性和可说明性。多年来，已经提出了多种旨在通过规则或视觉说明来解释 ML 算法预测的 XAI 方法，其中一些是本质上可解释的模型，而另一些是事后可解释性技术。在这项工作中，我们旨在提出一种既准确又可解释的信用评分模型，并且总体上比 Dash 等人 (2018) 提出的最先进的基准通过列生成布尔规则 (BRCG) 方法更好；Dash 等人是 FICO 最新的可解释机器学习挑战赛的获胜者。本工作中进行的实验表明，最先进的 XGBoost 模型比逻辑回归 (LR)、决策树 (DT)、随机森林 (RF) 和人工神经网络 (ANN) 技术以及基准 BRCG 模型表现更好，在 HELOC 数据集上的 ROC 曲线下面积 (AUROC) 为 0.78，在 Lending Club 数据集上的 AUROC 为 0.71。XGBoost 模型通过三种 XAI 技术得到进一步增强；SHAP+GIRP 提供全局解释，Anchors 提供基于局部特征的解释，ProtoDash 提供基于局部实例的解释。这三种类型的解释为可解释性提供了全面的解决方案，因为不同的人在不同情况下需要不同的解释。通过使用功能基础（即通过形式化措施评估）、应用基础（即由人类专家评估）和人为基础（即通过对文献的分析（通常由普通人评估）表明，所提供的解释简单、一致、完整，并且满足了正确性、有效性、易理解性、细节充分性和可信度等六项预定假设。
基于特征表示学习和深度神经网络
抽象背景：药物目标相互作用预测对于缩小候选药物范围的范围至关重要，因此是药物发现中的至关重要的一步。由于生化实验的特殊性，新药的发展不仅昂贵，而且耗时。因此，药物靶标相互作用的计算预测已成为药物发现过程中的重要方法，旨在大大减少实验成本和时间。结果：我们提出了一种基于特征表示学习和名为DTI-CNN的深神经网络的基于学习的方法，以预测药物目标相互作用。我们首先使用Jaccard相似性系数并重新启动随机行走模型，从异质网络中提取药物和蛋白质的相关特征。然后，我们采用deno的自动编码器模型来降低维度并确定基本功能。第三，根据从上一步获得的特征，我们构建了一个卷积神经网络模型，以预测药物与蛋白质之间的相互作用。评估结果表明，DTI-CNN的平均AUROC得分和AUPR得分为0.9416和0.9499，其性能比其他三种现有的最新方法更好。结论：所有实验结果表明，DTI-CNN的性能要比现有方法中的三种方法更好，并且所提出的方法的设计适当设计。
使用 2D 卷积对阿尔茨海默病进行分类...
摘要 — 阿尔茨海默病 (AD) 是一种无法治疗且不可逆的疾病，影响约 6% 的 65 岁以上人群。脑磁共振成像 (MRI) 是一种广泛用于 AD 诊断的伪 3D 成像方式。具有 3D 核的卷积神经网络 (3D CNN) 通常是基于深度学习的 MRI 分析的默认选择。然而，3D CNN 通常计算成本高昂且数据量大。这些缺点阻碍了现代深度学习技术在医学成像领域的使用，因为该领域可用于训练的数据数量通常有限。在这项工作中，我们提出了三种利用 2D CNN 处理 3D MRI 数据的方法。我们在两种流行的 2D CNN 架构的阿尔茨海默病神经影像计划数据集上测试了所提出的方法。评估结果表明，所提出的方法将模型在 AD 诊断方面的性能提高了 8.33% 的准确率或 10。 11% auROC，同时显著减少训练时间超过 89%。我们还讨论了性能改进的潜在原因和局限性。我们相信这项工作可以为未来的研究人员奠定坚实的基础。索引术语 — CNN、3D、MRI、诊断
使用 2D 卷积对阿尔茨海默病进行分类...
摘要 — 阿尔茨海默病 (AD) 是一种无法治疗且不可逆的疾病，影响约 6% 的 65 岁以上人群。脑磁共振成像 (MRI) 是一种广泛用于 AD 诊断的伪 3D 成像方式。具有 3D 核的卷积神经网络 (3D CNN) 通常是基于深度学习的 MRI 分析的默认选择。然而，3D CNN 通常计算成本高昂且数据量大。这些缺点阻碍了现代深度学习技术在医学成像领域的使用，因为该领域可用于训练的数据数量通常有限。在这项工作中，我们提出了三种利用 2D CNN 处理 3D MRI 数据的方法。我们在两种流行的 2D CNN 架构的阿尔茨海默病神经影像计划数据集上测试了所提出的方法。评估结果表明，所提出的方法将模型在 AD 诊断方面的性能提高了 8.33% 的准确率或 10。 11% auROC，同时显著减少训练时间超过 89%。我们还讨论了性能改进的潜在原因和局限性。我们相信这项工作可以为未来的研究人员奠定坚实的基础。索引术语 — CNN、3D、MRI、诊断
生成术语映射
内容表2介绍：Atropos健康3问题定义4研究问题5方法6准备药物来源术语6方法1：通过医疗保健特定的NLP模型7命名实体识别命名的实体识别7方法2：通过UMLS API通过UMLS API 7方法7方法7方法7方法3：umls api plus for gpti plus gpt-4人类访问量11的方法， Mapping Outcomes 11 Other Mapping Outcomes 11 Approach 1: Janus-Derived Maps 13 Janus AUROC Curves for Different Mapping Outcomes 14 Approach 2: UMLS API Alone 15 UMLS API Alone Correctness Metrics 15 Approach 3: Generative Terminology Mapping 17 Generative Terminology Mapping Results: 90% Reduction in Errors, 91% Coverage, 98% Reduced Cost 18 Generative Terminology Mapping (UMLS API Plus GPT-4）正确性指标18生成术语映射与地面真相结果和混乱矩阵18数据工程挑战19估计成本和比较20结论21生成术语映射生成研究级RXNorm映射药物数据，在21个警告和未来方向23附录23附录24
hrwr：基于HyperGraph随机步行的潜在有效药物组合，然后重新启动
与其他方法相比，通过剩下的交叉验证（LOOCV），HRWR算法的接收器操作特性曲线（AUROC）下的面积高于其他算法。对肺癌，乳腺癌和结直肠癌的案例研究表明，HRWR具有预测潜在有效组合的强大能力，这为癌症治疗提供了新的前景。HTTPS://GITHUB.com/wangqi27/hrwr可以免费获得HRWR的代码和数据集。引言该药物组合是一种固定剂量组合，包括一种单一剂型的两个或多个活性药物成分，与单一疗法相比具有多个优势（Collier，2012）（Liu等，2014）：它具有较高的效率或具有较低的个体剂量，它也可以降低药物副效率和毒性。许多研究表明，协同药物组合被广泛用于艾滋病，癌症和其他复杂疾病的治疗（Feliu等，2009）。然而，实验性筛查有效的药物组合是耗时，昂贵，费力且效率低下的。因此，我们远没有探索可能具有潜在的积极临床作用的大量可能组合。数学模型可以产生预测结果，我们可以将其组合与高预测评分视为潜在的有效药物组合。小规模的药物试验可以大大减少对人类和物质资源的投资。
AASLD 非酒精性脂肪性肝病临床评估和管理实践指南
缩写：AASLD，美国肝病研究协会；AI，人工智能；ALT，丙氨酸氨基转移酶；AST，天冬氨酸氨基转移酶；AUROC，受试者工作特征曲线下面积；BMI，身体质量指数；CAP，控制衰减参数；CKD，慢性肾病；cT1，校正 T1；CVD，心血管疾病；DM，糖尿病；DNL，从头脂肪生成；DPP-4，二肽基肽酶-4；ELF，增强型肝纤维化；FAST，FibroScan-AST；FDA，美国食品药品监督管理局；FIB-4，纤维化-4 指数；GH，生长激素；GLP-1RA，胰高血糖素样肽-1 受体激动剂；LDL-C，低密度脂蛋白胆固醇；LSM，肝脏硬度测量；MAST，来自 MRI-PDFF、MRE 和血清 AST 的评分； MEFIB，MRE 与 FIB-4 联合使用；MRE，磁共振弹性成像；NIT，无创性检查；OSA，阻塞性睡眠呼吸暂停；PCOS，多囊卵巢综合征；PDFF，质子密度脂肪分数；PIVENS，吡格列酮、维生素 E 和安慰剂治疗非糖尿病性 NASH 患者的疗效对比；RCT，随机对照试验；SGLT-2，钠葡萄糖协同转运蛋白-2；T2DM，2 型糖尿病；TM6SF2，跨膜 6 超家族成员 2；UDCA，熊去氧胆酸；VCTE，振动控制弹性成像
心脏杂音和异常PCG检测通过小波散射变换和1D-CNN
摘要 - 这项工作是从Phonocartiogram（PCG）录音中自动且准确的心脏模拟检测。Two public PCG datasets (CirCor Digiscope 2022 dataset and PCG 2016 dataset) from Physionet online database are utilized to train and test three custom neural networks (NN): a 1D convolutional neural network (CNN), a long short-term memory (LSTM) recurrent neural network (RNN), and a convolutional RNN (C- RNN).我们首先进行预处理，其中包括以下关键步骤：使用小波散射变换对PCG段的DeNoising，分割，仅噪声段重新标记，数据归一化以及PCG段的时间频率分析。然后，我们使用PCG 2022数据集进行了四个实验，前三个（E1-E3），使用PCG 2016数据集进行了第四个实验。事实证明，我们的自定义1D-CNN优于其他两个NN（LSTMRNN和C-RNN）。此外，对于实验E3，我们的1D-CNN模型就准确性，加权准确性，F1得分和AUROC而优于相关工作（使用清洁和重新标记的PCG 2022数据集）。对于实验E1（使用原始PCG 2022数据集），我们的模型在加权准确性和F1分数方面非常接近相关工作。