XiaoMi-AI文件搜索系统
World File Search SystemKaggle
脑网络分类的机器学习方法
-背景。自闭症谱系障碍 (ASD) 在不同程度上影响大脑连接。尽管如此，由于 ASD 的异质性，使用磁共振成像 (MRI) 非侵入性地区分此类影响对于机器学习诊断框架来说仍然非常具有挑战性。到目前为止，现有的网络神经科学工作主要集中在功能性（源自功能性 MRI）和结构性（源自扩散 MRI）大脑连接上，这可能无法捕捉大脑区域之间的相关形态变化。事实上，使用源自传统 T1 加权 MRI 的形态学大脑网络进行 ASD 诊断的机器学习 (ML) 研究非常稀少。-新方法。为了填补这一空白，我们利用众包通过组织 Kaggle 竞赛来构建一个用于神经系统疾病诊断的机器学习管道池，并使用源自 T1 加权 MRI 的皮质形态学网络将其应用于 ASD 诊断。-结果。比赛期间，参赛者将获得一个训练数据集，并且只能在公开测试数据上检查自己的表现。最终评估基于准确度、敏感度和特异性指标，在公开和隐藏测试数据集上进行。团队分别使用每个绩效指标进行排名，最终排名根据所有排名的平均值确定。排名第一的团队
使用基于 glcm 的特征自动检测脑肿瘤...
在医学成像应用中，对脑肿瘤的准确检测和分类仍然至关重要。利用现代机器学习技术对于实现精确和自动化诊断至关重要。本研究介绍了一种使用开源 Kaggle 数据集磁共振成像 (MRI) 扫描进行脑肿瘤检测和分类的自动化系统。该系统采用 Otsu 阈值进行图像分割，基于 GLCM 的特征提取进行有效的特征工程，并采用 PCA（主成分分析）进行降维。值得注意的是，GLCM 提取的显着特征使用一种称为自适应 SVM（支持向量机）的自适应机器学习算法进行分类，从而增强了分类过程。以性能评估为重点，提出的算法结合了自适应 SVM 作为分类器，并与现有方法进行了严格评估。值得注意的是，实验结果表现出卓越的准确性，所提出的方法在检测和分类脑肿瘤方面均实现了令人印象深刻的 98.3% 的准确率。这种优于以前方法的优势凸显了组合 GLCM、PCA 和 SVM 方法在脑肿瘤分类和检测中的有效性，为诊断带来了有希望的进步。这些发现对医学成像中蓬勃发展的机器学习领域做出了重大贡献，强调了自适应 SVM 作为提高诊断精度的宝贵工具的潜力。值得注意的是，所达到的准确率达到 98.3%，超过了现有研究的准确率，进一步巩固了所提出的系统在临床实践中的有效性。
嵌入开源放射信息系统的通用 AI 助手
摘要。在研究环境或 Kaggle 竞赛中开发的大多数 AI 模型都无法转化为临床应用，因为它们难以验证或嵌入到现实世界的临床实践中。放射学 AI 模型在接近或超越人类表现方面取得了重大进展。然而，由于缺乏健康信息标准、上下文和工作流程差异以及数据标签变化，AI 模型与人类放射科医生的合作仍然是一个尚未探索的挑战。为了克服这些挑战，我们将使用 DICOM 标准 SR 注释的 AI 模型服务集成到开源 LibreHealth 放射学信息系统 (RIS) 中的 OHIF 查看器中。在本文中，我们描述了该平台新颖的人机合作能力，包括少量学习和群体学习方法，以持续重新训练 AI 模型。基于机器学习的概念，我们在 RIS 中开发了一种主动学习策略，以便人类放射科医生可以启用/禁用 AI 注释以及“修复”/重新标记 AI 注释。然后使用这些注释重新训练模型。这有助于在放射科医生用户和用户特定的 AI 模型之间建立合作关系。然后，这些用户特定模型的权重最终在群体学习方法中在多个模型之间共享。我们通过将 AI 模型集成到临床工作流程中来讨论这种组合学习的潜在优势和缺陷。
文章 - 使用改进的视觉几何组 (IVGG) 深度学习对胶质瘤进行工程、技术和技巧检测和分割
摘要：胶质瘤脑肿瘤具有与其他肿瘤相似的纹理模式，因此检测和分割胶质瘤脑肿瘤是一项具有挑战性的过程。本研究提出了一种改进的肿瘤检测系统 (MTDS) 方法来从健康脑图像中识别和分类胶质瘤脑图像。空间 Gabor 变换 (SGT)、特征计算和深度学习结构构成了建议的 MTDS 技术的训练工作流程。从胶质瘤脑图像数据集图像和正常脑图像数据集图像计算特征，并将这些特征输入到分类架构中。在本文中，提出的 IVGG 架构源自现有的视觉几何组 (VGG) 架构，以提高所提系统的检测率并降低计算时间复杂度。所提系统的测试工作流程还包括 SGT、特征计算和 IVGG 架构，以产生将源脑图像分类为正常或胶质瘤的结果。此外，形态分割技术已用于查找此胶质瘤图像中的肿瘤位置。本研究使用了两个独立的脑成像数据集来评估和验证建议的 MTDS 的性能效率。数据集是 BRATS Imaging 2020 (BI20) 和 Kaggle Brain Imaging (KBI)。已经根据 Jaccard 指数、召回率、准确率和检测率对性能效率进行了分析。
使用神经网络预测心脏病
摘要：包括心脏病在内的心血管疾病构成了重大的全球健康挑战，这给医疗保健系统和个人带来了重大负担。早期检测和对心脏病的准确预测对于及时干预和改善患者预后至关重要。本研究使用从Kaggle收集的数据集探索了神经网络在预测心脏病方面的潜力，该数据集由1025个样本组成，具有14个不同特征。该研究的主要目标是开发有效的神经网络模型，以确定心脏病的存在或不存在。神经网络体系结构包括一个输入层，隐藏层和一个输出层，旨在捕获数据集中的复杂关系。严格的培训和验证过程，伴随数据预处理步骤，确保模型的稳健性和泛化功能。结果表明表现出色，精度为92％，平均误差为0.062。此外，对特征重要性的分析突出了关键预测因子，包括“ Oldpeak”，“ Thalach”，“ Trestbps”，“ CA”，“ Thal”，“ Thal”，“ CP”，“ Chol”，“ Chol”，“性别”，“性别”，“ Restecg”，“ Restecg”，“ restecg”，“年龄”，“ slope”，“ slope”，“ slope”，“ fbs”和“ exang”和“ exang”。这项研究通过利用神经网络来增强心脏病预测来为预测保健领域。开发的模型提供了可能尽早确定处于危险中的个人，促进及时的医疗干预措施并最终改善公共卫生的潜力。进一步探索医疗保健中的机器学习技术有望重塑疾病预测和预防策略。
在精细的...
在2021年，美国有182,520例脑和中枢神经系统（CNS）癌症和2024年的25,400例新病例。通过磁共振成像（MRI）的早期检测可显着改善患者的预后。 这项研究微调一个残留的神经网络50版2（RESNET50V2），一种卷积神经网络（CNN），具有挤压和兴奋（SE）注意机制，以增强基于MRI的肿瘤分类，而不是基本的RESNET50V2模型。 通过合并SE块，该模型改善了特征优先级，有效区分神经胶质瘤（n = 901），脑膜瘤（n = 913），垂体肿瘤（n = 844）和无肿瘤（n = 438）。 经过公开可用的Kaggle数据集（n = 3,096）的培训，提议的模型达到了98.4％的分类精度，并且在接收器操作特性曲线（AUC）下的面积为0.999，其表现优于基本型号的92.6％精度，并且0.987 AUC。 在脑膜瘤（P = 0.013）和垂体肿瘤（p = 0.015）的分类精度中观察到在统计学上显着改善，这突出了SE模型分化肿瘤类型的卓越能力。 SE注意机制通过解决特征提取限制和医学成像中的长距离依赖性来提高诊断精度。 然而，仍然存在诸如数据集大小约束，过度拟合风险和潜在表示偏见之类的挑战。 未来的研究将着重于扩展数据集多样性，探索视觉变压器（VIT）以改善功能提取，并采用生成性对抗网络（GAN）进行数据增强。通过磁共振成像（MRI）的早期检测可显着改善患者的预后。这项研究微调一个残留的神经网络50版2（RESNET50V2），一种卷积神经网络（CNN），具有挤压和兴奋（SE）注意机制，以增强基于MRI的肿瘤分类，而不是基本的RESNET50V2模型。通过合并SE块，该模型改善了特征优先级，有效区分神经胶质瘤（n = 901），脑膜瘤（n = 913），垂体肿瘤（n = 844）和无肿瘤（n = 438）。经过公开可用的Kaggle数据集（n = 3,096）的培训，提议的模型达到了98.4％的分类精度，并且在接收器操作特性曲线（AUC）下的面积为0.999，其表现优于基本型号的92.6％精度，并且0.987 AUC。在统计学上显着改善，这突出了SE模型分化肿瘤类型的卓越能力。SE注意机制通过解决特征提取限制和医学成像中的长距离依赖性来提高诊断精度。然而，仍然存在诸如数据集大小约束，过度拟合风险和潜在表示偏见之类的挑战。未来的研究将着重于扩展数据集多样性，探索视觉变压器（VIT）以改善功能提取，并采用生成性对抗网络（GAN）进行数据增强。
使用云计算的基于AI的灾难分类
摘要：云计算和人工智能（AI）的组合（AI）在这个快速发展技术时代，对灾难管理和响应系统的有效补救措施。使用从社交媒体网站收集的文本和图像数据，该项目利用了数据中存在的集体智能。我们仔细训练了用于文本分析的双向LSTM模型和使用Kaggle数据集进行图像分类的卷积神经网络（CNN）模型。我们系统的基本组件是安装在Amazon Web服务（AWS）EC2实例上的API。为了提高性能和稳定性，通过负载平衡，自动缩放功能和多AZ冗余，可以加强API。API可以轻松地与受过训练的模型集成，以确定内容在接收输入数据时是否与灾难方案相关。当通过处理后的文本或图像进行正面分类时，警报机制会发出一封电子邮件通知，其中包含有关发现的灾难的重要信息。在Facebook，Instagram和Twitter等社交媒体网站上提供的大量用户生成的内容为提高E FFI CACY和EFFI的特殊机会提供了特殊的机会。该项目的主要目的是使用尖端技术来详细介绍大量社交媒体数据并在紧急情况下获得有用的见解。
基于深度学习的糖尿病视网膜病变分析...
摘要 — 糖尿病视网膜病变 (DR) 是一种眼部疾病，其特征是视网膜血管受损。如果不及时发现，可能会导致失明。及早发现和治疗 DR 可以大大降低视力丧失的风险。经过大量训练的专家通常使用彩色眼底照片来诊断这种可怕的疾病。与计算机辅助方法相比，由于全球糖尿病患者数量不断增加，眼科医生对 DR 视网膜眼底图像的手动诊断时间更长。因此，自动 DR 检测变得至关重要。随着对医学研究的重视，深度神经网络在医疗保健领域的应用取得了显着进步。这项工作的目标是确定 DR 的五个阶段：正常、轻度、中度、重度和增生性 DR。深度学习是提高性能的最流行方法之一，尤其是在医学图像的分类和解释方面。我们使用从 Kaggle 获得的大量眼底图像数据集对用于加速糖尿病视网膜病变 (DR) 检测的六种深度学习模型（Custom CNN、Resnet50、Densenet121、EfficientNetB0、EfficientNetB2 和 ViT）进行了评估。在五阶段 DR 分类中，准确率提高到 89%，精确率提高到 89%，召回率提高到 89%，F1 得分提高到 89%，结果表明 DenseNet121 模型的性能非常出色。
研究生成式 AI 模型和检测技术
包括 ChatGPT、Gemini 和 Claude 在内的生成式 AI 模型在加强 K-12 教育方面发挥着越来越重要的作用，为各个学科提供支持。这些模型为人文学科提示提供示例答案，解决数学方程式并集思广益提出新颖的想法。尽管它们具有教育价值，但人们担心它们可能会误导学生在完成作业、评估或研究论文时直接从 AI 中抄袭答案。当前的检测器（例如 GPT-Zero）难以识别经过修改的 AI 生成的文本，并且对于以英语为第二语言的学习者而言，其可靠性会降低。本研究调查了在高风险写作评估中使用生成式 AI 来检测学术作弊行为。经典机器学习模型（包括逻辑回归、XGBoost 和支持向量机）用于区分 AI 生成的论文和学生撰写的论文。此外，我们还研究了包括 BERT、RoBERTa 和 Electra 在内的大型语言模型，并将其与传统机器学习模型进行了比较。分析重点关注 ASAP Kaggle 竞赛中的提示 1。为了评估各种检测方法和生成式 AI 模型的有效性，我们包括 ChatGPT、Claude 和 Gemini 的基本版本、专业版本和最新版本。此外，我们还研究了 GPT-Humanizer 和 QuillBot 等释义工具的影响，并介绍了一种使用同义词信息检测人性化 AI 文本的新方法。此外，我们还探讨了数据集大小与模型性能之间的关系，以便为未来研究中的数据收集提供参考。
通过生成的...
精确且可靠的贷款状况预测是金融机构的本质，但是，该数据中缺乏现实世界中的数据和偏见会极大地影响机器学习模型的准确性。贷款状况预测模型面临的另一个挑战是阶级失衡，其中一个类别（例如批准的贷款）比另一个类别（例如批准的贷款）（例如违约贷款）更普遍，从而导致对多数类的预测偏差。这项研究检查了生成的对抗网络（GAN），以增强数据并改善机器学习模型的性能。在Kaggle贷款数据集（380个样本）上使用了几种机器学习（ML）模型，包括但不限于支持向量机（SVM）和集合袋树。基线训练和测试精度为86.9％和86.3％（SVM），84.5％和82.1％（集合）。actgan（激活生成网络）来生成被接受和拒绝贷款的合成数据点。使用新的增强数据进行重新培训显示出显着的改进：训练和测试的SVM精度上升至94.4％和93.4％，而集成模型分别达到97.4％和95.8％。还探索了其他ML模型，例如KNN，决策树和逻辑回归，并在准确性方面表现出了令人鼓舞的结果。这些发现提出，基于GAN的数据增强可以增强贷款状况预测的性能。未来的研究可以探索Gan对不同架构的影响，并评估这种方法的一般适用性。