XiaoMi-AI文件搜索系统
World File Search SystemLR
阿拉伯国家的国内投资与经济增长之间的因果关系
var lag订单选择标准lag log lr fpe aic SC HQ 0 124.1418 NA 8.86E -06 -5.958135 -5.874546* -5.927697 1 130.4346 133.5975 5.554316 8.27E -06 -6.029147 -5.611203 -5.876955 3 137.5853 6.613844 8.31E -06.028550 -5.4443428 -5.815481 4 139.2982.672982.6742.6742.6742.6742.6742.6742 e -5.916987 -5.164687 -5.643041 *指示由Criterion LR选择的滞后顺序：顺序修改的LR测试统计量（每个测试均为5％级别）FPE：最终预测错误AIC：AKAIKE信息标准SC：SCHWARZ信息标准：Hannan -Quinn -quinn Information hq：Hannan -quinn Information CriTerion CriTerion CriTerion CriTerion
深度学习模型，用于个性化的积极预测...
耐甲氧西林金黄色葡萄球菌（MRSA）在医院中造成了明显的病态和死亡率。MRSA的快速，准确的风险地层对于优化抗生素治疗至关重要。我们的研究介绍了一个深度学习模型Pytorch_EHR，该模型利用电子健康记录（EHR）时间序列数据，包括广泛的患者特定数据，以预测两周内MRSA的阳性。8,164 MRSA和22,393例来自德克萨斯州休斯敦市纪念馆Hermann医院系统的非MRSA患者事件用于模型开发。 Pytorch_EHR优于准确性（AUROC PYTORCH_EHR = 0.911，AUROC LR = 0.857，AUROC LROC LR = 0.892），均优于逻辑回归（LR）和光梯度增压机（LGBM）模型。 外部验证来自医学信息MART的393,713例患者事件（MIMIC）-IV数据集（IV）在波士顿的IV数据集证实其优异的准确性（Auroc Pytorch_ehr = 0.859，Auroc LR = 0.816，Auroc LRR = 0.816，AUROC LGBM = 0.838）。 我们的模型有效地将患者分为高，中和低风险类别，可能优化抗微生物疗法，并减少不必要的MRSA特异性抗菌药物。 这突出了深度学习模型在预测MRSA阳性文化，超越传统机器学习模型和支持临床医生的判断方面的优势。8,164 MRSA和22,393例来自德克萨斯州休斯敦市纪念馆Hermann医院系统的非MRSA患者事件用于模型开发。Pytorch_EHR优于准确性（AUROC PYTORCH_EHR = 0.911，AUROC LR = 0.857，AUROC LROC LR = 0.892），均优于逻辑回归（LR）和光梯度增压机（LGBM）模型。外部验证来自医学信息MART的393,713例患者事件（MIMIC）-IV数据集（IV）在波士顿的IV数据集证实其优异的准确性（Auroc Pytorch_ehr = 0.859，Auroc LR = 0.816，Auroc LRR = 0.816，AUROC LGBM = 0.838）。我们的模型有效地将患者分为高，中和低风险类别，可能优化抗微生物疗法，并减少不必要的MRSA特异性抗菌药物。这突出了深度学习模型在预测MRSA阳性文化，超越传统机器学习模型和支持临床医生的判断方面的优势。
使用扩散模型 - 补充材料
所提出的StableVSR建立在单个图像超分辨率（SISR）的预训练潜在扩散模型（LDM）上。我们使用稳定的扩散×4上放大器（SD×4 Upscaler）4。它遵循LDM框架[14]，该框架将迭代精炼过程执行到潜在空间中，并使用VAE解码器D [7]将潜伏期解码为RGB图像。从低分辨率的RGB图像LR（条件图像）和初始嘈杂的潜在X t开始，使用denoising Unet ϵθ用于通过迭代改进过程生成高分辨率对应物。在此过程中，从LR引导的X t逐渐消除了噪声。在定义数量的采样步骤之后，使用VAE解码器D [7]将获得的潜在X 0解码为高分辨率的RGB图像HR。所获得的图像HR的分辨率比低分辨率图像LR高的分辨率高，因为D执行×4升级。实际上，低分辨率的RGB图像LR和初始噪声潜在X t沿通道尺寸加入并输入到denoising unet中。
动物左右对称破缺策略的多样性......
摘要动物内脏器官的左右 (LR) 不对称是在胚胎发育过程中通过逐步过程建立起来的。虽然有些步骤是保留的，但动物之间采用不同的策略来启动身体对称性的破坏。在斑马鱼 (硬骨鱼类)、非洲爪蟾 (两栖动物) 和小鼠 (哺乳动物) 中，对称性破坏是由 LR 组织器处的定向流体流动引起的，这种流体流动由运动纤毛产生并被机械反应细胞感知。相比之下，鸟类和爬行动物不依赖纤毛驱动的流体流动。无脊椎动物（如蜗牛和果蝇）采用另一种不同的机制，其中对称性破坏过程由肌球蛋白和肌动蛋白分子相互作用下游获得的细胞手性支撑。在这里，我们强调了肌动球蛋白相互作用和平面细胞极性是动物之间多种 LR 对称性破坏机制的汇聚切入点。
放疗和肿瘤学
背景和目的：本研究评估了使用定量光谱计算机断层扫描（CT）参数鉴定肺癌中淋巴结转移（LM）的使用。材料和方法：关于使用光谱CT诊断至2022年9月诊断的肺癌中LM的文献，从PubMed，Embase，Cochrane图书馆，科学网络，中国国家知识基础设施和Wanfang数据库中取回。根据包含和排除标准严格筛选了文献。提取数据，进行质量评估，并评估异源。计算了归一化碘浓度（NIC）和光谱衰减曲线（K HU）的汇总灵敏度（SEN），特异性山脉（SPE），阳性似然比（+LR），-LR和诊断优势比（DOR）。使用了受试者接收器操作特性（SROC）曲线，并计算了曲线下的面积（AUC）。结果：11项研究，包括1,290例，没有明显的出版偏见。在八篇文章中，动脉相（AP）中NIC的合并为0.84（SEN = 0.85，SPE = 0.74， +LR = 3.3，LR = 0.20，DOR = 16），而NIC在静脉相（VP）中的NIC为0.82（SEN = 0.78，SPE = 0.72）。此外，K Hu（AP）的合并AUC为0.87（SEN = 0.74，SPE = 0.84， +LR = 4.5，LR = 0.31，DOR = 15），而K Hu（VP）的AUC为0.81（SEN = 0.62，SPE，SPE = 0.81）。淋巴结（LN）短轴直径最后排名，合并的AUC为0.81（SEN = 0.69，SPE = 0.79）。结论：光谱CT是确定肺癌LM的合适无创且具有成本效益的方法。2023作者。此外，AP中的NIC和K HU具有良好的歧视能力，比直径短，为术前评估提供了宝贵的基础和参考。由Elsevier B.V.放射疗法和肿瘤学出版183（2023）109643这是CC BY-NC-ND许可（http://creativecommons.org/licenses/by-nc-nc-nc-nd/4.0/）下的开放访问文章。
机器学习和对慢性疾病理解的可解释性
讨论•图2和3显示了SVM，KNN和LR模型的比较，表明SVM和KNN在准确性，精度，召回和F1得分等关键指标中的表现始终优于LR。•SVM总体上表现出最强大的性能，而KNN的精确性和召回率具有竞争力。lr虽然效率较低，但在更简单的情况下表现出了可接受的结果。•葡萄糖是最具影响力的特征，较高的值强烈促进阳性糖尿病预测。年龄和BMI也是重要的预测因子，其中较高的值通常表明风险增加。该图在视觉上区分高（粉红色）和低（蓝色）特征值及其相应的形状值，显示了单个特征如何影响模型的预测。•LinearSVC的表现最高，精度最高（0.76）和F1-SCORE（0.63）。
短通讯激光重熔及超高速激光熔覆镍基A合金表面质量及耐腐蚀性能研究
1 西安大学陕西省表面工程与再制造重点实验室，西安 710065 2 西安大学西安植入器械原型与优化重点实验室，西安 710065 3 西安交通大学材料力学行为国家重点实验室，西安 710049 * 电子邮件；liumingxia1121@163.com 收稿日期：2022 年 1 月 6 日/接受日期：2022 年 2 月 22 日/发表日期：2022 年 4 月 5 日 采用超高速激光熔覆-随后的激光重熔（EHLA-LR）在 2Cr13 钢基体上制备镍基涂层。详细研究了激光重熔（LR）处理对超高速激光熔覆（EHLA）涂层的形貌、微观组织、残余应力和耐腐蚀性能的影响。结果表明:EHLA-LR一体化工艺可使涂层表面粗糙度降低86%、表面致密性提高、表面平整度得到优化。EHLA-LR涂层近表面枝晶间距减小,晶粒细化,经LR处理后涂层物相变化不大。结果表明:涂层残余压应力基本保持不变,但经LR处理后残余压应力略有降低。此外,由于LR工艺提高了涂层表面致密性、细化了晶粒,EHLA-LR涂层的耐腐蚀性能优于EHLA涂层。关键词:超高速激光熔覆;激光重熔;微观组织;晶粒细化;残余应力;耐腐蚀性能
引用：Lupague R.M.J.M.，Mabborang R.C.，Bansil A.G.，Lupague M.M. （2023）全面心脏病风险的集成机器学习模型
摘要：长期以来，心血管疾病（CVD）仍然是全球死亡的主要原因之一。新技术（例如机器学习（ML）算法）的兴起可以帮助早期检测和预防开发CVD。这项研究主要关注不同ML模型来通过使用个人生活方式因素来确定一个人开发CVD的风险。这项研究在2021年从世界卫生组织（WHO）中使用，提取和处理了438,693条记录作为行为风险因素监视系统（BRFSS）的数据。然后将数据分配为训练和测试数据的比率为0.8：0.2，以具有未知数据以评估将要训练的模型。这项研究面临的一个问题是类别之间的不平衡，这是通过使用采样技术来解决的，以平衡ML模型的数据来处理和理解。使用10层化的倍数交叉验证测试评估ML模型的性能，最佳模型是Logistic回归（LR），F1得分为0.32564。然后，对logistic回归模型进行了高参数调整，并获得0.3257的最佳分数，C = 0.1。特征的重要性也是从LR模型中产生的，影响最大的特征是性，糖尿病和个人的一般健康。获得最终的LR模型后，然后在测试数据中对其进行评估，并获得0.33的F1分数。混淆矩阵也用于更好地可视化性能。简介和，LR模型正确分类了79.18％的CVD和73.46％的健康人。AUC-ROC曲线还用作性能度量标准，LR模型的AUC得分为0.837。逻辑回归模型可以在医疗领域中使用，可以通过向数据添加医学属性来更多地利用。总体而言，这项研究为我们提供了一个洞察力和重要的知识，可以通过仅使用个人的个人属性来帮助预测CVD的风险。关键字：机器学习算法，心血管疾病，逻辑回归，不平衡分类，超参数调整。
