提高德克萨斯州地面交通系统的质量和效率需要对长期拥堵的发生和扩散做出可靠的预测,以及有效跟踪异常事件及其潜在发展。人工智能 (AI) 为实现这些目标提供了一条独特的途径,它提供了一个机会,可以通过利用来自各种来源的数据来准确估计拥堵程度,包括机构拥有的传感器、第三方提供商和广泛的企业数据库。德克萨斯州交通部 (TxDOT) 0-7131 项目旨在通过实施两个主要项目阶段来弥补当前的研究差距。第一阶段旨在验证用于交通规划和运营的商业数据源的可靠性。第二阶段侧重于确定最有效的 AI 模型或算法以满足该机构的需求,同时考虑特定的用例和数据可用性。此外,对必要的数据模型和工作流程进行深入分析以确定训练、测试和验证所提出的 AI 方法的长期可持续性至关重要。
。cc-by-nc 4.0国际许可证未获得同行评审的认证)是作者/筹款人,他已授予Biorxiv的许可证,以永久显示预印本。它是此预印本的版权持有人(该版本发布于2023年4月14日。; https://doi.org/10.1101/2023.04.14.14.536894 doi:biorxiv Preprint
循环肿瘤DNA(CTDNA)敏感性仍然是膀胱癌患者分子残留疾病(MRD)检测的敏感性。为了解决这个问题,我们专注于最靠近该疾病,尿液和分析的尿液肿瘤DNA的生物流体。我们通过深层测序(UCAPP-SEQ)将超低通的整个基因组测序(ULP-WGS)与尿癌个性化的亲填充(ULP-WGS)整合在一起,以实现敏感的MRD检测并预测总体存活。变体等位基因频率,推断的肿瘤突变负担和无尿细胞DNA(CFDNA)的拷贝数衍生肿瘤分数水平的明显预测的病理完全反应状态,远胜于血浆CTDNA的能力。将这些尿液CFDNA衍生的因子具有带有一口输出的交叉验证的随机森林模型,对于预测有关金标准手术病理学的残留疾病的敏感性为87%。Kaplan - Meier分析该模型的患者具有MRD,这是通过COX回归分析证实的。对肌肉侵入性,新辅助化疗和持有验证亚组进行的其他生存分析证实了这些发现。总而言之,我们促进了来自74例局部膀胱癌患者的尿液样本,并使用尿液CFDNA多词敏感地检测MRD并准确预测生存率。
分类条形图,包括在四个基因座:16SV4上确定的前10个最丰富的属(或最低分类); 18SV1V2; 18SV8V9和RBCL用于水(A)和生物膜(B)样品。湖泊分为五个区域,与中部地区和西部(M&W),东部(E),西南(SW)和东南(SE)相对应。调色板不代表各个地块或样本类型之间的分类组,而是将大多数(蓝色)到最少(红色)的分类单元安排。每个湖泊的分类小号在图S5中。信用:环境DNA(2025)。doi:10.1002/edn3.70058
背景:连续修改,次优的软件设计实践和严格的项目截止日期有助于代码气味的扩散。检测和重构这些代码气味对于维持复杂而必不可少的软件系统至关重要。忽略它们可能会导致未来的软件缺陷,使系统具有挑战性,并最终过时。监督的机器学习技术已成为无需专家知识或固定阈值值的代码气味分类的有价值的工具。可以通过有效的特征选择技术和优化超参数值来实现分类器性能的进一步增强。AIM:通过使用各种类型的元元素算法(包括群体智能,物理学,数学和基于生物的)等各种类型的元元素算法对多种机器学习分类器的性能度量进行改进。将其性能度量进行比较,以在代码气味检测的背景下找到最佳的元元素算法,并根据统计测试评估其影响。方法:本研究采用了十六种当代和鲁棒的元元素算法来优化两种机器学习算法的超参数:支持向量机(SVM)和k -near -tehermest邻居(K -NN)。无免费的午餐定理强调了一个应用程序中优化算法的成功可能不一定扩展到其他应用程序。因此,对这些算法进行了严格的比较分析,以确定最佳的代码气味检测解决方案。75%,100%和98。分别为57%。分别为57%。各种优化算法,包括算术,水母搜索,基于学生心理学,基于学生心理学,正弦余弦,Jaya,Jaya,crow Search,Dragon Fly Fly,Krill Herd,Multi-Forse,共生,花生,花授粉,基于学习的学习,基于学习,牵引力搜索,牵引力搜索和基于生物地理学的优化。结果:在优化的SVM的情况下,获得的最高准确性,AUC和F量值为98。非常明显的是,准确性和AUC的显着提高,达到32。22%和45。分别观察到11%。对于k -nn,最佳准确性,AUC和F量值的值在100%下都是完美的,准确性和ROC -AUC值值得注意的远足,相当于43。89%和40。 分别为83%。 结论:优化的SVM通过正弦余弦优化算法表现出卓越的性能,而K -NN则通过花朵优化算法达到其峰值性能。 统计分析强调了采用荟萃算法来优化机器学习分类器的实质性影响,从而大大提高了其性能。 优化的SVM在检测上帝类方面表现出色,而优化的K -NN在识别数据类方面特别有效。 这个创新89%和40。分别为83%。结论:优化的SVM通过正弦余弦优化算法表现出卓越的性能,而K -NN则通过花朵优化算法达到其峰值性能。统计分析强调了采用荟萃算法来优化机器学习分类器的实质性影响,从而大大提高了其性能。优化的SVM在检测上帝类方面表现出色,而优化的K -NN在识别数据类方面特别有效。这个创新
¶癫痫样排放的无EEG。方法。使用首选的报告项目进行系统审查和荟萃分析(PRISMA)指导的范围审查,并通过对Embase,Medline和Psychinfo进行了文献搜索。将预先设计的包含/排除标准应用于选定的文章。结果。最初的搜索找到了3398篇文章。在重复删除和筛选后,审查了591篇摘要,选择了64篇文章并阅读,导致20篇文章符合必要的包含/排除标准。这些是9个报告和2项横断面研究,使用网络分析来比较和/或对脑电图进行分类。对17项报告和10项横断面研究的一项评论仅旨在对脑电图进行分类。一项横断面研究讨论了与自闭症相关的脑电图异常。结论。癫痫样排放的自由脑电图特征来自网络/计算机分析的特征在患有和没有癫痫的人之间存在显着不同。诊断算法报告高精度,并且在临床上可能有用。在智障(ID)和/或自闭症种群中缺乏此类研究,癫痫病更为普遍,并且还有其他诊断挑战。
蛋白质组学国际董事总经理理查德·利普斯科姆(Richard Lipscombe博士我们承认美国的肾脏健康月,我们希望为卫生保健专业人员提供最佳的工具,以抗击这种使人衰弱的疾病。”
检测过早的心室收缩(PVC)在心脏学领域至关重要,不仅是改善卫生系统,而且还要减少手动分析心电图(ECG)的专家工作量。PVC是一个无害的常见发生,以额外的心跳为代表,其诊断并不总是容易识别,尤其是在长期手动ECG分析完成时。在某些情况下,与其他病理相关时可能会导致灾难性后果。这项工作介绍了一种使用机器学习技术识别PVC的方法,而无需提取功能和交叉验证技术。特别是使用了一组六个分类器:决策树,随机森林,长期术语记忆(LSTM),双向LSTM,RESNET-18,MOBILENETV2和SHUFFLENET。已经对从MIT-BIH心律失常数据库中提取的数据进行了两种类型的实验:(i)原始数据集和(ii)构成数据集。Mobilenetv2在两个实验中都出现了高性能和PVC最终诊断结果的有希望的结果。最终结果显示第一个实验中的精度为99.90%,尽管未使用特征检测技术,但在第二个实验中显示了99.00%。我们使用的方法是专注于分类而无需使用fe fe fearture提取和交叉验证技术,使我们能够提供出色的性能并获得更好的结果。最后,这项研究将其定义为理解深度学习模型不正确分类的解释的第一步。
房颤(AF)是最常见的持续性心律失常,也是西方国家最重要的公共卫生问题和健康支出的原因之一(1)。AF患者的中风风险高5倍,死亡风险高2倍,而AF也会对生活质量产生负面影响(1,2)。早期检测对于最大程度地减少并发症至关重要。心电图(ECG)被认为是心律不齐检测的黄金标准,但其应用仅限于临床环境,使同时记录症状发作,具有挑战性(3)。此外,AF通常是无症状的,并且可能仍未发现,直到并发症(例如血栓栓塞事件)发生为止(4)。使用可穿戴设备通过传感器记录重要参数,可以通过提供有关患者在家的心血管状态的数据来实现移动诊断(5-8)。这些解决方案可以进行有效且易于筛查,并通过早期发现异常和适当的治疗干预来减少心血管疾病的并发症(7)。光绘画学的进步(PPG)
1密歇根大学凯洛格大学眼科科学系89512,美国5耶鲁大学,纽黑文,CT 06520,美国6杨市和妇女医院,哈佛医学院,马萨诸塞州波士顿,马萨诸塞州02115,美国7 Sidney Kimmel医学院,托马斯·杰斐逊大学,费城,宾夕法尼亚州费城,19107,19107,美国,美国,美国,美国,美国,美国,美国8号,贝勒,贝勒,贝勒,布兰特,托克斯顿777030。美国休斯顿休斯顿卫理公会医院,美国德克萨斯州休斯顿,美国10号,休斯敦卫理公会研究所,休斯敦卫理公会医院,美国德克萨斯州休斯敦,美国117030,美国11,美国纽约州纽约州纽约市纽约市韦尔·康奈尔医学,美国纽约州纽约市纽约市,纽约州,美国12号,美国12号。美国德克萨斯州休斯敦市德克萨斯州安德森癌症中心,美国14号德克萨斯州A&M医学院,布莱恩,德克萨斯州布莱恩,美国15号,美国15,爱荷华大学医院和诊所,美国爱荷华州50010,美国爱荷华州50010,美国50010