XiaoMi-AI文件搜索系统
World File Search SystemGrading
人工智能辅助显着提高病理学家对前列腺活检的格里森分级
摘要 Gleason 评分是前列腺癌患者最重要的预后指标，但其存在显著的观察者差异。基于深度学习的人工智能 (AI) 系统可以在 Gleason 分级中达到病理学家级别的表现。但是，如果存在伪影、异物组织或其他异常，此类系统的性能可能会下降。病理学家将他们的专业知识与 AI 系统的反馈相结合，可以产生协同效应，其表现优于个体病理学家和系统。尽管 AI 辅助被大肆宣传，但病理学领域关于这一主题的现有文献有限。我们研究了 AI 辅助对前列腺活检分级的价值。一个由 14 名观察员组成的小组在使用和不使用 AI 辅助的情况下对 160 次活检进行了分级。使用 AI，小组与专家参考标准的一致性显著提高（二次加权 Cohen 's kappa，0.799 vs. 0.872；p = 0.019）。在 87 个病例的外部验证集中，小组与前列腺病理学国际专家小组的一致性显著提高（二次加权 Cohen 's kappa，0.733 vs. 0.786；p = 0.003）。在两个实验中，从群体层面来看，AI 辅助病理学家的表现都优于无辅助病理学家和独立的 AI 系统。我们的结果表明 AI 系统具有 Gleason 分级的潜力，但更重要的是，结果表明了病理学家与 AI 协同作用的好处。
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。
航空发动机机械师联邦工资制度工作等级标准，8602
电子领域的持续技术进步将继续影响本标准涵盖的新型、更复杂的飞机发动机中常用的电气元件和设备。因此，此职业中的一些工作情况可能需要不同程度的电气和/或电子理论知识和基本故障排除技术。例如，当电子设备取代机电控制装置时，设计可能要求您能够根据详细说明修理和调整机制，而这几乎不需要电子知识，而不需要使用熟练级的电子技能和知识。通常，电子技工职位等级标准 2604 会将此类工作评定为 8 级或以下。在其他情况下，由于系统集成，单元的整体复杂性可能更大，但电子设备通常是独立单元的一部分，其复杂性不会超过 2604 标准中 10 级所描述的复杂性。仅当电子知识至关重要且工作涉及安装、故障排除、维护和维修电子设备和/或完整的操作系统时，才使用电子系列 2600 中的适当电子标准来评估工作。飞机发动机维修工和机械师也正在经历计算机化测试和机载诊断设备和/或系统的使用相应增加
联邦工资制度钣金技工工作等级标准，3806
简介 本标准为联邦工资制度 (FWS) 和其他行业、工艺和劳工薪酬计划的电子测量设备技工 2602 中的非管理职位提供了职业定义、职称说明和评级标准。本标准分为三个部分。第一部分包含适用于本标准所涵盖的联邦工作的职业信息，不考虑薪酬计划或工作评级系统。第二部分提供了根据用于创建 FWS 工作等级框架的 FWS 关键排名工作进行评级的工作标准。第三部分包括有关本标准制定的解释材料。“联邦工资制度”或“FWS”一词表示联邦政府行业、工艺和劳工工作的主要工作评级系统和薪酬结构。一些机构已将 FWS 薪酬计划指标替换为机构独有的薪酬计划指标。本工作分级标准 (JGS) 的大部分内容都省略了对联邦工资制度和工资等级 (WG) 的引用。覆盖范围 本 JGS 涵盖涉及电子测量设备、仪器和测试站的测试、维护、维修、校准和安装的非管理工作。取消现有工作分级标准 本 JGS 的发布将取代当前标准，如下表所述： 先前标准 采取的行动 电子测量设备技工 2602 • 取代电子测量设备技工 2602 标准，上次修订于 1974 年 9 月。
联邦工资系统钣金技工工作等级标准，3806
简介 本标准提供了联邦工资制度 (FWS) 和其他行业、工艺和劳工薪酬计划中精密测量设备校准 3378 职业中非管理职位的职业定义、职称说明和分级标准。本标准分为三个部分。第一部分包含适用于本标准所涵盖的联邦工作的职业信息，不考虑薪酬计划或工作分级系统。第二部分提供了根据用于创建 FWS 工作等级框架的 FWS 关键排名工作进行分级的工作标准。第三部分包括有关本标准制定的解释材料。“联邦工资制度”或“FWS”一词表示联邦政府行业、工艺和劳工工作的主要工作分级系统和薪酬结构。一些机构已将 FWS 薪酬计划指标替换为机构独有的薪酬计划指标。本工作分级标准 (JGS) 的大部分内容都省略了对联邦工资制度和工资等级 (WG) 的引用。覆盖范围 本 JGS 涵盖涉及电气、电子和物理/尺寸测试、测量和参考设备的校准和认证的非管理工作。第一部分 - 职业信息 第一部分旨在供所有机构用于评估精密测量设备校准 3378 职业中的行业、工艺和劳动工作。它提供了此职业的定义、标题说明和详细信息。一般职业确定指南 出于各种原因，为工作选择正确的职业对于人力资源管理过程至关重要。例如，招聘和组织结构中使用的资格要求通常是在考虑职业的情况下设计的。通过审查分配的职责和责任，然后将其与标准提供的一般职业信息和定义进行比较，通常可以确定正确的职业。通常，职业的确定基于工作的主要工作、所执行的最高工作水平以及完成工作所需的最高技能和知识。通常，做出这个决定相当容易。但是，在其他情况下，确定正确的职业可能并不那么明显。当一份工作需要在两个或多个职业中执行常规和重复性工作（混合工作）时，请选择涉及该工作最高技能和资格要求的职业。
基于 MRI 的阿尔茨海默病和额颞叶痴呆的深度分级鉴别诊断
阿尔茨海默病和额颞叶痴呆是神经退行性痴呆的常见形式。这两种疾病的临床病程中都存在行为改变和认知障碍，它们的鉴别诊断有时会给医生带来挑战。因此，专门用于这一诊断挑战的精确工具在临床实践中很有价值。然而，目前的结构成像方法主要侧重于每种疾病的检测，而很少侧重于它们的鉴别诊断。在本文中，我们提出了一种基于深度学习的疾病检测和鉴别诊断方法。我们建议在此应用中使用两种类型的生物标志物：结构分级和结构萎缩。首先，我们建议训练大量 3D U-Nets，以使用结构 MRI 作为输入，在本地确定健康人、阿尔茨海默病患者和额颞叶痴呆患者的解剖模式。该集合的输出是 2 通道疾病坐标图，可以将其转换为临床医生易于解释的 3D 分级图。该双通道疾病坐标图与多层感知器分类器相结合，用于不同的分类任务。其次，我们建议将我们的深度学习框架与基于体积的传统机器学习策略相结合，以提高模型的判别能力和稳健性。经过交叉验证和外部验证，我们基于 3319 个 MRI 的实验表明，与最先进的疾病检测和鉴别诊断方法相比，我们的方法产生了具有竞争力的结果。
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。
危险废物工资制度岗位等级标准...
本标准涵盖了非管理性工作，涉及识别、收集、处理、稳定、中和、固结和/或分离危险废物以准备处置。这项工作需要了解危险废物识别技术和安全处理和包装程序。这项工作还需要了解并实际应用有关各种危险废物材料处理和处置程序的环境规则和实践。从事这一职业通常需要具备使用计算机访问信息系统以检索有关临时存储的数据以及处理有关危险废物的信息的基本技能。大多数工作需要定期或偶尔使用机动车辆、叉车，在某些情况下还需要使用仓库拖船。在某些工作情况下，工业设施中的危险废物处置人员可能需要参加危险废物应急小组，以控制可能出现的涉及危险废物和材料的意外泄漏、溢流和其他紧急情况。
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。
使用自动化机器学习平台
目标。自动化机器学习（AUTOML）平台使医疗保健专业人员可以根据科学或临床需求在机器学习（ML）算法的开发（ML）算法中发挥积极作用。这项研究的目的是开发和评估这种模型的自动检测和远端手动关节炎（OA）的分级。方法。收集了来自瑞士质量管理（SCQM）中2,863名患者的13,690张手部X光片，并使用Modiie Ed Ed Kellgren/Lawrence（K/Lawrence（K/Lawrence）（K/Lawrence（K/Lawrence）（K/Lawrence（K/Lawrence），收集了346例非SCQM患者的外部控制数据集并为远端的脑臂式OA（DIP-OA）进行评分。giotto（学习预测[L2F]）被用作训练两个卷积神经网络的自动平台，根据K/L分数进行倾斜关节提取和随后的分类。总共提取了48,892个浸入关节，然后用于训练分类模型。热图独立于平台。风湿病学家和放射科医生研究了Web应用程序作为临时用户界面的用户体验。结果。该模型检测DIP-OA的敏感性和特异性分别为79％和86％。对正确的K/L评分进行评分的精度为75％，κ评分为0.76。每个DIP-OA类别的准确性不同，没有OA为86％（定义为K/L得分为0和1），K/L分数为2，46％的K/L分数为71％，k/L得分为3，K/L得分为67％，K/L得分为4。在独立的外部测试集中获得了相似的值。相反，放射科医生表达的需求很低，除了使用热图。对Web应用程序的定性和定量用户体验测试显示，风湿病学家对自动化DIP-OA评分的需求中等至高。结论。汽车平台是开发临床端到端ML算法的机会。在这里，自动射线照相DIP-OA检测既可行又可用，而在单个K/L分数（例如，对于临床试验）中的评分仍然具有挑战性。