XiaoMi-AI文件搜索系统
World File Search SystemCorresponding
市场营销人工智能的系统分析和未来研究方向 Worakamol Wisetsri 1、Ragesh T S 2、Catherene Julie Aarthy C 3、Vibha Thakur 博士 4、Digesh Pandey 5、Kamal Gulati 博士 6 1 泰国曼谷北部先皇科技大学商业与工业管理学院制造与服务业管理系副教授 worakamol.w@arts.kmutnb.ac.th 2 商业分析系助理教授，Prin。 L. N. 韦林卡管理发展与研究学院，印度 ragesh.ts@welingkar.org 3 印度印度斯坦理工学院管理学院 S. G 助理教授 catherinej@hindustanuniv.ac.in 4 印度中央邦博帕尔（巴尔卡图拉大学）职业学院计算机科学主任兼助理教授，vibhathakur.2020@gmail.com 5 印度勒克瑙 MUIT 计算机科学工程研究学者，digeshpandey001@gmail.com 6 印度北方邦诺伊达阿米蒂大学副教授 | 美国弗吉尼亚州斯特拉特福德大学独立顾问，drkamalgulati@gmail.com 通讯作者：：Kamal Gulati 博士 印度北方邦诺伊达阿米蒂大学副教授 |独立顾问，美国弗吉尼亚州斯特拉特福德大学，drkamalgulati@gmail.com 文章历史：收到日期：2021 年 1 月 10 日；修订日期：2021 年 2 月 12 日；接受日期：2021 年 3 月 27 日；在线发表日期：2021 年 5 月 10 日
市场营销人工智能的系统分析和未来研究方向 Worakamol Wisetsri 1、Ragesh T S 2、Catherene Julie Aarthy C 3、Vibha Thakur 博士 4、Digesh Pandey 5、Kamal Gulati 博士 6 1 泰国曼谷北部先皇科技大学商业与工业管理学院制造与服务业管理系副教授 worakamol.w@arts.kmutnb.ac.th 2 商业分析系助理教授，Prin。L. N. 韦林卡管理发展与研究学院，印度 ragesh.ts@welingkar.org 3 印度印度斯坦理工学院管理学院 S. G 助理教授 catherinej@hindustanuniv.ac.in 4 印度中央邦博帕尔（Barkatullah 大学）职业学院计算机科学主任兼助理教授，vibhathakur.2020@gmail.com 5 印度勒克瑙 MUIT 计算机科学工程研究学者，digeshpandey001@gmail.com 6 印度北方邦诺伊达阿米蒂大学副教授 | 美国弗吉尼亚州斯特拉特福德大学独立顾问，drkamalgulati@gmail.com 通讯作者：：Dr. Kamal Gulati 印度北方邦诺伊达阿米蒂大学副教授 |独立顾问，美国弗吉尼亚州斯特拉特福德大学，drkamalgulati@gmail.com 文章历史：收到日期：2021 年 1 月 10 日；修订日期：2021 年 2 月 12 日；接受日期：2021 年 3 月 27 日；在线发表日期：2021 年 5 月 10 日
*通讯作者：Masoomeh Kazemi，mkazemih@yahoo.com 2020年4月11日收到；从2020年9月16日修订； 2020年10月3日被接受：
简介：已经证明由计算机游戏引起的压力和恐惧对认知系统具有各种影响。这项工作旨在研究短期恐怖计算机游戏对认知指标的影响。方法：总共招募了二十名女性受试者，并将其分为实验组和对照组。所有必需的测试均在干预（玩或观看恐怖游戏）和实验组之前和之后进行。在干预之前和之后收集唾液样品，以测量皮质醇和α-淀粉酶的水平。此外，从每个受试者进行游戏之前和游戏期间，血液也是催产素和脑衍生的神经营养因子的血浆水平。干预之前和之后，通过情感脑信号记录设备获得了脑波形。使用R和MATLAB软件进行了数据分析。结果：在恐怖游戏玩耍后，皮质醇和α-淀粉酶水平被显示出显着增加。同样，实验后的催产素水平明显更高。显示了实验后的脑源性神经营养因子的水平以减少。脑电波分析的结果表明，平均应力指数明显更高，而在玩游戏后的平均注意力指数较低。在对照组中没有观察到研究变量的显着差异。结论：恐怖计算机游戏可能会对中枢神经系统中压力系统的活动产生不利影响。恐惧引起的压力被证明相对破坏了一些认知元素。
通讯作者：Nidal Ibrahem Agha医学博士，顾问儿科医生，主要医疗保健公司（PHCC）卡塔尔，Muaither Health Center电子邮件：NIDA
类似于电视的计算机，计算机已成为儿童生活中必不可少的元素。从小就花在计算机上的时间太多会由于低集中度，缺乏注意力和混乱，不发达的语言技能，创造力和想象力而导致因计算机过多的结果而产生的想象力，从而对学术上的成功产生负面影响（18）。互联网对互联网对早期扫盲活动的可能影响探索了互联网是否提供故意和无意的学习机会，以及互联网对早期扫盲的影响仍然尚未完全了解（19）。轻松获得非法，暴力和性内容，与危险人的交流以及对游戏的过度依赖仅构成这些重大风险中的少数（20）。
人工智能驱动的有效镜片位置预测提高了现有镜片公式的准确性 Tingyang Li，BS 1；Joshua D. Stein，MD，MS 2,3,4； Nambi Nallasamy，医学博士 1,2 1 密歇根大学计算医学和生物信息学系 2 密歇根大学凯洛格眼科中心眼科和视觉科学系 3 密歇根大学眼科政策与创新中心，密歇根州安娜堡 4 密歇根大学公共卫生学院卫生管理与政策系，密歇根州安娜堡 通讯作者：Nambi Nallasamy，医学博士 密歇根大学凯洛格眼科中心 1000 Wall St Ann Arbor, MI 48105 电话：(734) 763-5506 传真：(734) 936-2340 字数：2589
摘要 目的：评估结合机器学习 (ML) 方法准确预测术后前房深度 (ACD) 是否能提高现有人工晶状体 (IOL) 计算公式的屈光预测性能。方法：密歇根大学凯洛格眼科中心收集了 4806 名白内障患者的数据集，并将其分为训练集（80% 的患者，5761 只眼睛）和测试集（20% 的患者，961 只眼睛）。使用先前开发的基于 ML 的方法根据术前生物测量预测术后 ACD。使用回归模型将这种基于 ML 的术后 ACD 集成到新的有效晶状体位置 (ELP) 预测中，以重新调整四个现有公式（Haigis、Hoffer Q、Holladay 和 SRK/T）中的每一个的 ML 输出。使用测试数据集比较了具有 ML 修改的 ELP 的公式的性能。通过屈光预测中的平均绝对误差 (MAE) 来衡量性能。结果：当用原始 ELP 和 ML 预测的 ELP 的线性组合替换 ELP 时，测试集中的 MAE ± SD（以屈光度为单位）为：Haigis 为 0.356 ± 0.329，Hoffer Q 为 0.352 ± 0.319，Holladay 为 0.371 ± 0.336，SRK/T 为 0.361 ± 0.331，明显低于原始公式的 MAE ± 0.328：Haigis 为 0.408 ± 0.337，Holladay 为 0.384 ± 0.341，SRK/T 为 0.394 ± 0.351。结论：使用更准确的预测术后 ACD 可显著提高现有四种 IOL 度数公式的预测准确性。
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法