XiaoMi-AI文件搜索系统
World File Search SystemFleiss
媒体后续报告取代了3000万桶石油...
专家还将巨大的未来潜力归因于乘用车的CO 2中立燃料。考虑到欧洲以外的乘用车内燃烧发动机没有禁令。尤其是在印度等新兴经济体中，他们的人数甚至预计会增加。通过使用可持续燃料，如果考虑到其整体生命周期，而不是仅凭排气系统的排放，则乘用车也可以无排放。此外，正如动力总成开发商Aurobay Europe董事总经理Michael Fleiss解释说，这可以比电池电动机的成本低得多。弗莱斯补充说，根据彭博社的一项研究，全球9亿辆内燃机和6亿电池电动汽车将于2040年上路。
研究文章 深度迁移学习人工智能可在便携式胸部 X 光片上准确分期 COVID-19 肺部疾病严重程度
本研究采用深度学习卷积神经网络在便携式胸部X光 (CXR) 上对冠状病毒病 2019 (COVID-19) 感染的肺部疾病严重程度进行分期，并以放射科医生的疾病严重程度评分为基本事实。本研究包括 84 名 COVID-19 患者 (51 名男性 55.1 ± 14.9 岁；29 名女性 60.1 ± 14.3 岁；4 项信息缺失) 的 131 张便携式 CXR。三位专家胸部放射科医生根据不透明度 (0-3) 和地理范围 (0-4) 分别对左肺和右肺进行评分。深度学习卷积神经网络 (CNN) 用于预测肺部疾病严重程度评分。数据分为 80% 的训练数据集和 20% 的测试数据集。分析了 AI 预测评分与放射科医生评分之间的相关性。并与传统学习和迁移学习进行了比较。平均不透明度得分为 2.52（范围：0-6），三位读者的标准差为 0.25（9.9%）。平均地理范围得分为 3.42（范围：0-8），三位读者的标准差为 0.57（16.7%）。评分者间一致性得出不透明度得分的 Fleiss' Kappa 为 0.45，范围得分的 Fleiss' Kappa 为 0.71。人工智能预测的分数与放射科医生的分数高度相关，其中顶级模型的相关系数（R 2 ）为 0.90（范围：传统学习为 0.73-0.90，迁移学习为 0.83-0.90），平均绝对误差为 8.5%（范围：分别为 17.2-21.0% 和 8.5%-15.5）。迁移学习通常表现更好。总之，深度学习 CNN 可在便携式 COVID-19 肺部感染胸部 X 光片上准确分级疾病严重程度。这种方法可能有助于分级肺部疾病严重程度、预测和预测治疗反应和生存率，从而为风险管理和资源分配提供信息。
雨水慈善基金会的神经病理学诊断标准
国家神经系统疾病和中风研究所（NINDS）工作组提出的进行性核上麻痹（PSP）的摘要神经病理标准于1994年发表，并基于基底神经节和脑干中神经原纤维缠结的存在。这些标准未规定检测方法或纳入神经胶质tau病理学。在这项研究中，一组14个专家神经病理学家从10个用苏木精和曙红（H＆E）染色的大脑区域和磷酸化TAU（AT8）免疫组织化学的数字幻灯片评分。这些病例包括15例典型和非典型PSP病例和其他10例tauopathies。Blinded to clinical and neuropathological information, raters provided a categorical diagnosis (PSP or not-PSP) based upon provisional criteria that required neurofibrillary tangles or pretangles in two of three regions (substantia nigra, subthalamic nucleus, globus pallidus) and tufted astrocytes in one of two regions (peri-Rolandic cortices, putamen).标准表现出较高的灵敏度（0.97）和特异性（0.91），以及诊断PSP的评估者间可靠性几乎是完美的，并将其与其他tauopathies区分开来（Fleiss Kappa 0.826）。大多数案件（17/25）在所有14个评估者中都有100％的协议。PSP神经病理诊断的雨水慈善基金会标准具有基于磷酸化的TAU免疫组织化学的简化诊断算法，并将簇生的星形胶质细胞作为重要的诊断特征。