XiaoMi-AI文件搜索系统
World File Search SystemGrading
是我错了，还是自动评分器错了？人工智能评分错误对学习的影响
人工智能评分和反馈中的错误通常有一系列难以解决的原因，而且从本质上讲，很难完全避免。由于不准确的反馈可能会损害学习，因此需要设计和工作流程来减轻这些损害。为了更好地理解错误的人工智能反馈影响学生学习的机制，我们进行了调查和访谈，记录了学生与简答人工智能自动评分器的互动，以解决“用简单的英语解释”代码阅读问题。使用因果模型，我们推断出将错误答案标记为正确（假阳性，FP）和将正确答案标记为错误（假阴性，FN）对学习的影响。我们进一步探讨了对学习影响的解释，包括影响参与者参与反馈和对其答案正确性的评估的错误，以及参与者在课堂上的先前表现。FP 对学习的损害很大程度上是由于参与者未能发现错误。这是因为参与者在被标记为正确后没有注意反馈，而且一旦被标记为正确，他们显然不愿意承认自己的答案是错误的。另一方面，错误错误只会损害调查参与者的学习，这表明受访者更高的行为和认知参与度保护了他们免受学习损害。基于这些发现，我们提出了帮助学习者检测错误错误的方法，并鼓励对错误错误进行更深入的反思，以减轻人工智能错误对学习的损害。
phonocardiogram的自动杂音分级
摘要 - 目的：杂音是心脏异常的声音，由专家通过心脏听觉确定。杂音级是杂音强度的定量度量，与患者的临床状况密切相关。这项工作旨在估计来自多个听诊位置的每个患者的杂音级（即缺乏，柔软，响亮），这些位置来自低资源农村地区的大量儿科患者。方法：每个PCG记录的MEL频谱图表示具有15个卷积残留神经网络的集合，具有通道注意机制，以对每个PCG记录进行分类。根据提议的决策规则得出每个患者的最终杂音等级，并考虑所有可用记录的估计标签。使用分层十倍的交叉验证，该方法在由1007名患者的3456个PCG记录组成的数据集上进行了交叉验证。此外，该方法是在由442名患者的1538个PCG记录组成的隐藏测试集上进行了测试。结果：就未加权的敏感性和F1分数而言，患者级杂音等级的总体交叉验证性能分别为86.3％和81.6％。缺乏，柔软和大声杂音的敏感性（和F1分数）为90.7％（93.6％），75.8％（66.8％）和92.3％（84.2％），
填充批级计划要求清单
标题（即填充批次分级计划）北箭头绘图规模基准参考（一个艾伯塔省调查控制标记或城市批准的其他基准）市政地址，法律描述和邻里名称申请人或建筑商名称和电子邮件地址（这仅适用于公司或建筑商名称。不包括个人名称和电子邮件地址）传说 - 识别/区分现有和拟议的设计分级信息修订表的位置以及调查界限，地役权，通道，通行权以及毗邻街道名称的位置的范围，通道和/或现有结构的位置（S）现有结构（或现有结构）的位置（房屋，待遇/停车位），包括特定的地点，包括特定的地点，既贴心又有贴心的顾问的地方，该地点既贴心又有贴心的待遇，该地点既贴心又有既定的餐馆既有疑虑'' proposed internal (side yard and rear yard) and common property swales including slope (%), length (m) and flow direction arrows Location of retaining walls required to manage surface water within the property Location and details of all existing natural and constructed features, including those on adjacent lands that may affect surface drainage and lot grading design
场地改造许可证申请分级和服务
• 住宅位置，包括甲板、人行道 • 前院、侧院和后院退让 • 成品楼面标高 • 地基顶部标高 • 入口位置和立管 • 地基墙标高 • 建筑角落/高点的洼地标高 • 侧院和后院洼地坡度 • 后院或前院 CB 的地役权（如适用） • 后院或前院 CB 位置/标高（如适用） • 车道宽度坡度和标高 • 挡土墙位置（如适用） • 高度为 1.0 米或更高的挡土墙需要由专业工程师盖章的结构设计和细节 • 挡土墙顶部和底部标高 • 挡土墙类型、细节和最大。高度 • 窗井和排水沟的位置 • 3:1 过渡坡的位置 • 落水管的位置/方向 • 现有和拟议服务连接的尺寸/位置 • 主干道服务连接的倒置高程 • 物业服务连接的倒置高程 • 地段角落高程和坡度变化处高程 • 提供侧院横截面，包括拟议和现有高程 • 沉积物控制 - 淤泥围栏、集水池沉淀池 • 符合城市标准 M-2A 的服务连接
3D 多模态脑肿瘤分割和分级...
1 美国国立卫生研究院国家癌症研究所癌症研究中心，10 号楼，马里兰州贝塞斯达，20892，美国。2 爱琴海大学计算机工程系，伊兹密尔博尔诺瓦，35100，土耳其。3 不列颠哥伦比亚大学医学院，317 - 2194 健康科学商城，温哥华，BC V6T 1Z3，加拿大。摘要 神经胶质瘤是最常见的脑肿瘤之一。早期检测和分级神经胶质瘤对于提高患者的生存率至关重要。计算机辅助检测 (CADe) 和计算机辅助诊断 (CADx) 系统是必不可少的重要工具，可提供更准确、更系统的结果，从而加快临床医生的决策过程。通过利用各种深度学习模型（例如 CNN）和迁移学习策略（例如微调），图像分类的性能结果提高了准确性，并且提高了有效性，尤其是对于具有相似性的新型大规模数据集。在本文中，我们介绍了一种新方法，该方法结合了机器、深度学习和迁移学习方法的变体，用于在多模态脑肿瘤分割 (BRATS) 2020 数据集上对脑肿瘤（即神经胶质瘤）进行有效的分割和分级。我们将流行且高效的 3D U-Net 架构应用于脑肿瘤分割阶段。我们还利用 23 种不同的深度特征集组合和基于 Xception、IncResNetv2 和 EfficientNet 的机器学习/微调深度学习 CNN 模型，在肿瘤分级阶段使用 4 种不同的特征集和 6 种学习模型。实验结果表明，该方法在 BraTS 2020 数据集上对基于切片的肿瘤分级的准确率为 99.5%。此外，我们的方法与最近的类似研究相比具有竞争力。关键词：神经胶质瘤；神经胶质瘤等级；分割；特征提取；深度学习、集成学习、MRI 分类
利用集成分子数据的病理图像深度神经网络分析增强胶质瘤分类和分级
神经胶质瘤是源自神经胶质细胞的原发性脑肿瘤。对这些肿瘤的分类和分级对于预后和治疗计划至关重要。世界卫生组织 (WHO) 于 2016 年推出了现行的中枢神经系统 (CNS) 神经胶质瘤分类标准。该神经胶质瘤分类标准需要将组织学与基因组学相结合。2017 年，中枢神经系统肿瘤分类分子和实用方法信息联盟 (cIMPACT-NOW) 成立，旨在为中枢神经系统肿瘤分类提供最新的建议，预计 WHO 将在即将发布的分类中采纳这些建议。在这项工作中，我们提出了一种新颖的神经胶质瘤分析方法，这是文献中首次根据最新的 WHO 标准将从脑组织病理学图像数字分析中获得的细胞特征与分子特征相结合。我们首先提出了一种新颖的过度分割策略，用于在大型组织病理学全幻灯片图像 (WSI) 中选择感兴趣区域 (ROI)。然后，基于深度神经网络 (DNN) 的分类方法将分子特征与细胞特征融合，以提高肿瘤分类性能。我们使用来自癌症基因组图谱 (TCGA) 数据集的 549 个患者病例对所提出的方法进行了评估。使用常规 DNN 对低级别胶质瘤 (LGG) 和高级别胶质瘤 (HGG) 的交叉验证分类准确率为 93.81%，使用残差神经网络 (ResNet) DNN 对 LGG II 和 LGG III 的交叉验证分类准确率为 73.95%。我们的实验表明，深度学习的类型对 LGG II 与 LGG III 之间的肿瘤亚型区分有显著影响。这些结果优于对 LGG II 与 LGG III 进行分类的最先进方法。 LGG III，在文献中区分 LGG 与 HGG 方面具有竞争力。此外，我们还研究分子
基于图像的胶质瘤分级的机器学习工具及其报告质量：挑战与机遇
1 耶鲁大学医学院放射学和生物医学成像系，333 Cedar Street，PO Box 208042，纽黑文，CT 06520，美国；sara.merkaj@uni-ulm.de（SM）；ryan.bahar@yale.edu（RCB）；tal.zeevi@yale.edu（TZ）；mingde.lin@yale.edu（ML）；ichiro.ikuta@yale.edu（II）；gabriel.cassinellipetersen@yale.edu（GICP）；lawrence.staib@yale.edu（LS）； sam.payabvash@yale.edu (SP) 2 乌尔姆大学神经外科系，Albert-Einstein-Allee 23, 89081 Ulm，德国 3 Visage Imaging, Inc.，12625 High Bluff Dr, Suite 205，San Diego，CA 92130，美国 4 Visage Imaging, GmbH.，Lepsiusstraße 70, 12163 Berlin，德国；kbousabarah@visageimaging.com 5 加州大学旧金山分校放射学和生物医学成像系，505 Parnassus Ave.，San Francisco，CA 94143，美国；john.mongan@ucsf.edu (JTM)；soommee.cha@ucsf.edu (SC) * 通信地址：mariam.aboian@yale.edu；电话：+650-285-7577 † 这些作者对这项工作做出了同等贡献。
人工智能作为决策支持系统应用于黑色素瘤、龋齿和糖尿病视网膜病变的检测和分级的成本效益
AI 表示人工智能。在面板 A 中，每个点和方块代表单个人在接受标准护理诊断或 AI 辅助筛查后产生的终生费用（巴西雷亚尔，R$）。在面板 B 中，根据研究假设，AI 在支付意愿较低的情况下更有可能降低成本效益，尽管这种确定性对额外质量调整生命年 (QALY) 的支付意愿 (WTP) 很敏感。
人工智能在前列腺癌活检诊断和格里森分级中的应用现状及后续步骤
活检中前列腺癌的诊断和格里森分级对于前列腺癌男性的临床管理至关重要。尽管如此，病理学家之间的高度分级差异性导致治疗不足和过度治疗的可能性。人工智能 (AI) 系统在协助病理学家进行格里森分级方面显示出良好的前景，这可能有助于解决这一问题。在这篇小型评论中，我们重点介绍了有关癌症检测和格里森分级的人工智能系统开发的研究，并讨论了广泛临床实施所需的进展以及预期的未来发展。患者摘要：这篇小型评论总结了与验证人工智能 (AI) 辅助癌症检测和活检中前列腺癌格里森分级有关的证据，并强调了广泛临床实施之前所需的其余步骤。我们发现，尽管有强有力的证据表明人工智能能够像经验丰富的泌尿病理学家一样进行格里森分级，但仍需要做更多的工作来确保人工智能系统在不同患者群体、数字化平台和病理实验室的不同环境中的结果准确性。© 2021 作者。由 Elsevier BV 代表欧洲泌尿外科协会出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons. org/licenses/by/4.0/）。
