XiaoMi-AI文件搜索系统
World File Search SystemGrading
格里森评分综合 AI 模型开发
已经开发出基于人工智能的自动格里森分级解决方案，以协助病理学家进行快速定量评估，但跨各种扫描仪的推广以及使用来自最终用户的新注释数据不断更新人工智能模型仍然是该领域的一个关键瓶颈。我们提出了一种全面的人工智能辅助格里森分级数字病理学工作流程，结合了图像质量检查软件 A!magQC、基于云的注释平台 A!HistoNotes 和病理学家-人工智能交互 (PAI) 策略。为了演示和验证该流程，我们将其用于从 5 台扫描仪获得的前列腺样本进行格里森分级。在对 Akoya Biosciences 扫描仪扫描的 132 例前列腺切除标本进行训练后，对 55 例前列腺切除标本和 156 例活检标本进行验证，结果显示前列腺切除标本的 Gleason 分级灵敏度为 85%，特异性为 96%，F1 得分为 78%，活检标本的肿瘤检测灵敏度为 96%。对于其他 4 台扫描仪扫描的图像，采用我们的泛化解决方案后，Gleason 模式检测的平均 F1 得分从 67% 提高到 75%。在与来自新加坡和中国的 5 名病理学家进行的临床试验中，我们的流程将 Gleason 评分速度提高了 43%。此外，它通过半自动注释将注释时间缩短了 60%，从而通过增量学习提高了模型性能。
基于 BERT 的叙事文章评分策略
自动论文评分 (AES) 是一种评估和评分书面散文的计算机技术 (Shermis and Barrera, 2002)。它旨在提供自动评分论文或尽量减少人工参与的计算模型。该研究领域始于 1966 年 Page (Page, 1966) 的 Project Essay Grader 系统，根据 Ke 和 Ng (Ke and Ng, 2019) 的说法，该系统自那时起一直沿用至今。AES 是自然语言处理 (NLP) 最重要的教育应用之一 (Ke and Ng, 2019; Beigman Klebanov et al., 2016)。它涵盖了一些其他领域，例如认知心理学、教育测量、语言学和书面研究（Shermis 和 Burstein，2013）。他们共同致力于研究帮助教师进行自动评估的方法，在评分论文时提供比人类更便宜、更快、更确定的方法。对于葡萄牙语，由于公开可用的语料库（Marinho 等人），该领域已引起 ENEM 论文评分社区的关注（，
住宅填充式开发项目的等级和服务计划指南
实施雨水管理措施是为了防止对目标物业、相邻物业和城镇基础设施产生负面影响。随着屋顶和硬化表面面积的增加，开发改变了径流的模式和数量。虽然单个物业的影响似乎微不足道，但通过作为城镇雨水总体规划一部分进行的建模，已经证明了对城镇市政雨水系统的累积影响。此外，在一些较旧的地区，排水沟随着时间的推移已经下沉，并且该地区平坦，额外的径流会加剧任何排水问题。因此，新的开发项目必须证明
通过AI分级会让我感觉更公平吗？不同的评估者如何影响大学生对公平的看法
在教育中，教育评估的公平性一直在广泛关注。在高等教育领域，各种教育评估指导了大学，大学和学生像警棍一样的发展方向。因此，评估的公平性将与学生培训的质量有关。此外，随着大数据和人工智能技术的快速和迭代发展，教育的数字化转型已成为未来的方向。联合国变革教育峰会联合国（2022）指出，全球教育面临严重的挑战，因此迫切需要教育转型，并且必须充分利用数字教学和学习的力量。此外，中华人民共和国教育部（2023）强烈呼吁国际社会也促进教育的数字化转型。
跨模态引导辅助多模态学习与双重注意用于 MRI 脑肿瘤分级
摘要 — 脑肿瘤是全球最致命的癌症之一，在儿童和老年人中非常常见。早期准确识别肿瘤类型和等级对于选择精准治疗方案起着重要作用。不同序列的磁共振成像 (MRI) 协议为临床医生提供了识别肿瘤区域的重要矛盾信息。然而，由于数据量大且脑肿瘤类型多样，人工评估既耗时又容易出错。因此，MRI 自动脑肿瘤诊断的需求尚未得到满足。我们观察到单模态模型的预测能力有限，其性能在不同模态之间差异很大，而常用的模态融合方法会引入潜在的噪声，导致性能显着下降。为了克服这些挑战，我们提出了一种新的跨模态引导辅助多模态学习，并采用双重注意来解决 MRI 脑肿瘤分级任务。为了平衡模型效率和功效之间的权衡，我们使用 ResNet Mix Convolution 作为特征提取的主干网络。此外，还应用双重注意分别捕获空间和切片维度中的语义相互依赖性。为了促进模态之间的信息交互，我们设计了一个跨模态引导辅助模块，其中主要模态在训练过程中引导其他次要模态，这可以有效地利用不同 MRI 模态的互补信息，同时减轻可能的噪声的影响。在 BraTS2018 和 BraTS2019 数据集上的实验结果证明了所提方法的有效性，其性能大大优于基于单模态的方法和几种最先进的多模态方法，在两个数据集上的 AUC 分别为 0.985 ± 0.019 和 0.966 ± 0.021。
编程教育的自动评分和反馈工具：系统评价
我们对编程教育的自动化评分和反馈工具进行了系统文献综述。我们分析了2017年至2021年的121篇研究论文，并根据评估的技能，方法，语言范式，自动化程度和评估技术对它们进行了分类。大多数论文评估了以对象为导向的语言中作业的正确性。通常，这些工具使用动态技术，主要是单元测试，向学生提供成绩和反馈，或静态分析技术，以将提交与参考解决方案或一组正确的学生提交的提交进行比较。但是，这些技术的反馈通常仅限于单位测试是否通过还是失败，预期和实际输出，或它们与参考解决方案的不同。此外，很少有工具可以评估源代码的可维护性，可读性或文档，其中大多数使用静态分析技术（例如代码质量指标）以及对正确性的评分。此外，我们发现大多数工具提供了完全自动化的评估，以允许近乎持续的反馈和多次重新提交，这可以提高学生满意度并为他们提供更多成功的机会。在用于评估工具性能的技术方面，大多数论文主要使用学生调查或将自动评估工具与人类分级提供者提供的成绩或反馈进行比较。但是，由于评估数据集通常不可用，因此重现结果并将工具与共同任务的集合进行比较更加困难。
高级临床见解的创新自动糖尿病性视网膜病变严重程度分级
[2]电子和电气工程可爱的专业大学，旁遮普省，印度摘要：糖尿病性视网膜病（DR）是一种影响视网膜的危险眼疾，可能导致视力丧失和失明，尤其是在糖尿病患者中。早期识别对于良好的结果至关重要，但是只能通过耗时和劳动密集的彩色眼镜图片来诊断糖尿病性视网膜病。为了克服这一挑战，这项研究提出了一种基于深度学习的策略，该策略通过增强的神经网络（IDR-ENN）使用糖尿病性视网膜病变分级，将视网膜图片分类为糖尿病性视网膜病的不同阶段。在一个数据集中对所提出的方法进行了培训，该数据集包括测试集中的2200张照片和训练集中的11000个彩色视网膜图像。模拟结果表明，基于IDR的算法可以达到极好的准确性，灵敏度和特异性。在这项研究中，我们提出了一种方法来显着减少糖尿病性视网膜病变检测的计算时间。一种NovelIdr-enn方法可在糖尿病性视网膜病变检测的训练计算时间中显着减少85％。本文的总体结论强调了深度学习的潜力，以改善糖尿病性视网膜病的诊断和分级，这可能会对预防由这种疾病引起的失明产生重大影响。关键字：深度学习，糖尿病性视网膜病，盲型跨跨神经网络+，诊断，分级，预防1。简介
标题：使用人工智能标记自由文本手术和超声报告以对小儿阑尾炎进行分级
目的 小型数据集和非结构化电子病历 (EMR) 阻碍了数据科学方法对儿童阑尾炎进行个性化管理。基于大型语言模型 (LLM) 的人工智能 (AI) 聊天机器人可以构造自由文本 EMR 数据。在这里，我们比较了 ChatGPT-4 和人工数据收集器之间的数据提取质量。方法 为了训练 AI 模型对儿童阑尾炎进行术前分级，几名数据收集者（医学生和研究助理）从 2014 年至 2021 年期间因急性阑尾炎接受手术的 2100 名儿童中提取了详细的术前和手术数据。收集者接受了培训并根据令人满意的 Kappa 分数获得了该任务的认证。ChatGPT-4 被提示使用设定的变量和编码选项从数据集中的 103 个随机匿名超声和手术记录中构造自由文本，并从手术报告中估计儿童阑尾炎等级 (PAG)。然后，一名儿科医生裁定所有数据，找出每种方法中的错误。结果 在至少有一个字段不一致的 44 份超声报告（42.7%）和 32 份手术报告（31.1%）中，98% 的错误发生在手动数据提取中。29 名患者（28.2%）的 PAG 被手动错误分配，3 名患者（2.9%）的 PAG 被 ChatGPT-4 错误分配。在整个数据集中，使用人工智能聊天机器人能够避免 59.2% 的记录（包括报告和提取的数据）中的错误分类，速度比手动快约 100 倍。结论人工智能聊天机器人在超声和手术报告的准确性方面明显优于手动数据提取，并且正确分配了 PAG 分数。虽然需要更广泛的验证和
中国经济学年2023-2024等级...
被允许缺席，但必须至少在前一天通知讲师和助教。可以在上课当天请求病假。b。讨论的贡献：讨论是该课程学习过程中非常重要的一部分。在讲座和演讲过程中，鼓励您提出问题并发表评论，以将讨论带来新的方向。请不要关注“正确”或“错误”。讨论的主要目的是帮助学生发展系统思维的能力和有效的沟通技巧。您的所有贡献都是有价值的，我将在讨论期间跟踪您的所有参与。c。注意：i。对于在线演讲（如果有的话），学生必须在下一个讲座日之前完成所有相关的在线材料（视频）。您的审核记录将用作评估的参考。II。 如果您不愿意在课堂上讨论，请随时告诉我。 我们可以共同努力解决它。II。如果您不愿意在课堂上讨论，请随时告诉我。我们可以共同努力解决它。