XiaoMi-AI文件搜索系统
World File Search SystemLASSO
基于计算机断层扫描放射组学的列线图在全脑放射治疗非小细胞肺癌脑转移瘤生存预测中的应用
预后参数和模型被认为有助于改善脑转移瘤 (BM) 患者的治疗结果。本研究旨在调查基于计算机断层扫描 (CT) 放射组学的列线图预测接受全脑放射治疗 (WBRT) 的非小细胞肺癌 (NSCLC) BM 患者生存期的可行性。回顾性分析了 2012 年 1 月至 2016 年 12 月接受 WBRT 的 195 名 NSCLC BM 患者。使用最小绝对收缩和选择算子 (LASSO) 回归从治疗前 CT 图像中提取和选择放射组学特征。通过整合放射组学特征和临床因素来开发和评估列线图以预测个体患者的生存期。根据 LASSO Cox 回归从 105 个放射组学特征中筛选出 5 个放射组学特征。根据放射组学评分（Rad-score）的最佳截断值，将患者分为低危（Rad-score <= − 0.14）组和高危（Rad-score > − 0.14）组。多变量分析表明，性别、卡氏评分（KPS）和 Rad-score 是总生存期（OS）的独立预测因素。训练队列和验证队列中列线图的一致性指数（C 指数）分别为 0.726 和 0.660。短期和长期生存预测的曲线下面积（AUC）分别为 0.786 和 0.788。综上所述，基于 CT 图像的放射组学特征和临床因素的列线图可用于预测接受 WBRT 的 NSCLC BM 患者的 OS。
SDSC3027：智能物流和运输
引入物流和供应链系统的高级方法预测（例如Arima，Lasso技术，时空时间序列分析，人工神经网络等）Inventory and supply chain management Bullwhip effect, square root law for bullwhip effect Transportation systems and networks Mathematical programming techniques in logistics and supply chain Vehicle Routing Problems, Traveling Salesman Problems Reversed Logistics, quantitative models for reversed logistics Data-driven technologies in autonomous driving systems Real-time traffic monitoring and control problems and techniques Computer vision techniques in smart transportation systems
功能性近端脑空间图像重建...
均值最大熵 (MEM)4-6 和深度补偿 7 到加权最小范数 (WMN) 或 Tikhonov 正则化。根据我们的经验，由于正则化方法的性质，这些方法往往会高估假阳性率。8 先前的研究 9-11 建立了贝叶斯模型，结合皮质/头皮区域的先验信息、灵敏度归一化等，以消除头皮伪影、提高深度精度和空间分辨率以及进行多主体和多任务实验。然而，大脑功能区域的大脑解剖结构的先验空间信息从未在当前的 fNIRS 图像重建方法中得到适当使用。在本文中，我们描述了一种用于 fNIRS 图像重建的自适应融合稀疏重叠组套索 (a-FSOGL) 正则化方法。a-FSOGL 模型使用脑空间体素分组先验（例如来自基于图谱的感兴趣区域）来规范图像重建过程。为了更好地利用先验信息，我们开发了一个贝叶斯框架，通过将先验信息与适当的统计分布结合起来来解决该模型。该框架是基于先前对贝叶斯套索模型及其扩展的研究 12 – 16 建立的。我们的模型通过组合现有模型并涉及更多先验参数，将贝叶斯套索模型向前扩展了一步。在本文中，我们将首先简要回顾光学正向和逆模型的原理，然后推导出 a-FSOGL（Ba-FSOGL）的贝叶斯模型及其相关的统计属性，然后使用模拟 fNIRS 测量和实验数据演示该方法。本文的结构如下。理论部分（第 2 部分）概述了光学正向模型。在方法部分（第 3 和 4 部分），我们描述了 Ba-FSOGL 模型、模拟配置和实验数据收集。图像重建和统计推断的结果显示在第 4 部分中。 5，我们最后在第 6 节中讨论结果的发现和模型的局限性。在模拟研究中，我们重点关注前额最近邻双侧 fNIRS 探头的示例，并检查推断由基于图谱的布罗德曼区域 (BA) 分区定义的额叶和背外侧大脑区域变化的能力，然而，实验研究表明，这种方法可作为先验信息适用于任何大脑空间分区模型。
CV -JoãoF。DoriguelloCV -JoãoF。Doriguello
•在机器学习会议中接受量子技术的长期谈话（QTML 2023），瑞士塞恩，标题为“均匀控制的门的恒定深度电路和布尔功能，并应用于量子记忆电路的应用”。•在机器学习会议中接受量子技术的简短谈话（QTML 2023），瑞士塞恩，标题为“通过随机分级在线学习，可通过随机分数进行强大优化的量子算法”。•Quantum Innovators中受邀演讲2023由IQC，加拿大滑铁卢组织组织的讲习班，标题为“ Pathiswise Lasso的量子算法”。•在7
从无人机图像中提取的特征中选择主要变量来解释冬小麦的产量变化
摘要背景：自动化表型分析技术正在不断推进育种进程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要付出巨大的努力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取出对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计数据和动态增长率。变量选择采用参数算法 LASSO 回归（最小角度和收缩选择算子）和非参数算法随机森林。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分来确定每个算法中影响粮食产量的十个最重要的变量。结果：两种选择算法都将最高重要性得分分配给灌浆期前后与植物高度相关的变量。一些植被指数相关变量也被算法选择，主要在生长早期到中期和衰老期间。与使用从测量表型得出的所有 172 个变量进行产量预测相比，使用选定的变量表现相当甚至更好。我们还注意到，适应性 NE 品系的预测准确度 (r = 0.58–0.81) 高于本研究中具有不同遗传背景的其他品系 (r = 0.21–0.59)。
癌症住院患者抗肿瘤药物诱发严重不良事件的风险因素模型：基于全球触发指标的回顾性研究
本研究旨在应用机器学习方法评估与严重不良事件 (SAE) 相关的危险因素并预测使用抗肿瘤药物的癌症住院患者 SAE 的发生。回顾性审查了 2017 年 1 月 1 日至 12 月 31 日期间入院的 499 名确诊为癌症的患者的病历。首先，使用全局触发工具 (GTT) 主动监测抗肿瘤药物引起的药物不良事件 (ADE) 和 SAE，并将阳性触发因素的数量作为中间变量。随后，通过单变量分析和最小绝对收缩和选择算子 (LASSO) 分析选出具有统计学意义的危险因素。最后，以LASSO分析后的危险因素作为协变量，采用基于逻辑模型、极端梯度提升（XGBoost）、分类提升（CatBoost）、自适应提升（AdaBoost）、轻梯度提升机（LightGBM）、随机森林（RF）、梯度提升决策树（GBDT）、决策树（DT）和基于七种算法的集成模型的列线图建立预测模型，并使用ROC曲线下面积（AUROC）、PR曲线下面积（AUPR）等一系列指标评估模型性能。在我们的样本中共识别出94名SAE患者，SAE的危险因素包括诱发因素数量、住院时间、年龄、联合用药数、既往化疗中发生的ADE以及性别。在测试队列中，基于逻辑模型的列线图的AUROC为0.799，AUPR为0.527。在八种机器学习模型中，GBDT 的预测能力最好（AUROC = 0.832 和 AUPR = 0.557），优于列线图，因此被选为建立预测网页。本研究提供了一种准确预测癌症住院患者 SAE 发生率的新方法。
从无人机图像中提取的特征解释冬小麦谷物产量变化的主要变量选择 从无人机图像中提取的特征解释冬小麦谷物产量变化的主要变量选择
摘要背景：自动化表型分析技术正在不断推进育种进程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要付出巨大的努力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取出对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计数据和动态增长率。变量选择采用参数算法LASSO回归（最小角度和收缩选择算子）和非参数算法随机森林。使用LASSO估计的回归系数和随机森林提供的排列重要性得分来确定每个算法中影响粮食产量的十个最重要的变量。结果：两种选择算法都将最高重要性得分分配给灌浆期前后与植物高度相关的变量。一些植被指数相关变量也被算法选择，主要在生长早期到中期和衰老期间。与使用从测量表型得出的所有172个变量进行产量预测相比，使用选定的变量表现相当甚至更好。我们还注意到，适应性 NE 品系的预测准确度 (r = 0.58–0.81) 高于本研究中具有不同遗传背景的其他品系 (r = 0.21–0.59)。
一种新型的线粒体相关LNCRNA签名，用于预测胃腺癌的预后
基于癌症基因组图集（TCGA）的Stad转录组数据和临床谱，我们通过共表达和差分分析确定了与线粒体相关的LNCRNA。与COX回归合作的最低绝对收缩和选择操作员（LASSO）算法被用来构建风险signatus，然后将患者分为高风险和低风险基团。通过就使用Kaplan-Meier生存分析，接收器操作特征（ROC）曲线分析，独立的预后分析来评估签名的预后性能。此外，使用KEGG，GO和GSEA分析来阐明与风险特征相关的生物学功能。最后，还研究了与该特征有关的肿瘤微环境，药物敏感性和肿瘤突变负担（TMB）。
makridis.pdf
虽然冠状病毒大流行影响了所有人口群体和地区，但某些地区受到的影响比其他地区更严重。本文将退伍军人视为潜在的弱势群体，由于他们的合并症，即身体和精神健康挑战的发生率更高，他们可能比其他人更容易受到感染。本文使用 122 个退伍军人医疗保健系统 (HCS) 的数据，测试了三种机器学习模型进行预测分析。结合 LASSO 和岭回归与五倍交叉验证的效果最佳。我们发现社会人口特征对病例和死亡都有很高的预测性——甚至比任何医院特定的特征都更重要。这些结果表明，社会人口和社会资本特征是公共卫生结果的重要决定因素，尤其是对于退伍军人等弱势群体而言，应该进一步研究。
