XiaoMi-AI文件搜索系统
World File Search SystemPrediction
人工智能用于临床预测
背景：临床预测是现代医疗保健不可或缺的一部分，它利用当前和历史医疗数据来预测健康结果。人工智能（AI）在该领域的整合显着提高了诊断准确性、治疗计划、疾病预防和个性化护理，从而改善了患者治疗效果和医疗效率。方法：本系统评价实施了一种结构化的四步方法，包括在学术数据库（PubMed、Embase、Google Scholar）中进行广泛的文献检索、应用特定的纳入和排除标准、提取数据以重点关注 AI 技术及其在临床预测中的应用，以及对收集到的信息进行彻底分析以了解 AI 在增强临床预测方面的作用。结果：通过对 74 项实验研究的分析，确定了 AI 显着增强临床预测的八个关键领域：（1）疾病的诊断和早期发现；（2）疾病过程和结果的预测；（3）未来疾病的风险评估；（4）个性化医疗的治疗反应；（5）疾病进展；（6）再入院风险；（7）并发症风险；（8）死亡率预测。肿瘤学和放射学是从 AI 临床预测中受益最多的专业。讨论：该综述强调了 AI 在各个临床预测领域的变革性影响，包括其在革命性诊断、提高预后准确性、辅助个性化医疗和增强患者安全方面的作用。AI 驱动的工具对医疗保健服务的效率和有效性做出了重大贡献。结论和建议：AI 在临床预测中的整合标志着医疗保健领域的重大进步。建议包括提高数据质量和可访问性、促进跨学科合作、注重道德的 AI 实践、投资 AI 教育、扩大临床试验、制定监管监督、让患者参与 AI 整合过程以及持续监测和改进 AI 系统。
使用机器学习预测心脏病...
4 md.devendran@gmail.com 摘要：心脏病仍然是全球死亡的主要原因之一。早期预测和诊断对于预防严重后果和改善患者的生活质量至关重要。该项目专注于使用机器学习技术开发强大的心脏病预测系统。通过分析由各种患者属性（例如年龄、性别、血压、胆固醇水平和其他医疗参数）组成的综合数据集，该系统旨在预测患者患心脏病的可能性。该项目采用各种机器学习算法，如逻辑回归、决策树、支持向量机 (SVM) 和随机森林来对数据进行分类并提供准确的预测。使用准确度、精确度、召回率和 F1 分数等指标来评估系统的性能，确保它能够在实际应用中提供可靠的结果。此外，还应用特征选择技术来识别导致心脏病的最重要因素，从而提高模型的可解释性。提出的解决方案旨在通过提供早期警报和建议来帮助医疗保健专业人员，最终促进及时干预。该项目促进了人工智能在医疗保健领域日益重要的作用，并展示了机器学习在增强心脏病预防诊断能力方面的潜力。
数据驱动的金属添加剂制造过程中温度演变的预测
aabstr abtract Act ..在这项研究中，开发了一种数据驱动的深度学习模型，以快速准确预测温度演化和金属添加剂制造过程的熔融池尺寸。该研究的重点是通过直接能量沉积制造的M4高速钢材料粉末的批量实验。在非优化过程参数下，许多沉积层（以上30）通过由覆层材料对热史的高灵敏度引起的样品深度产生了巨大的微观结构变化。在先前的研究中通过实验测量验证的批量样本的2D有限元分析（FEA）能够实现定义在不同过程设置下温度场进化的数值数据。训练了馈送前向神经网络（FFNN）方法，以重现由FEA产生的温度场。因此，训练有素的FFNN用于预测初始数据集中未包含的新过程参数集的温度字段历史记录。除了输入能量，节点坐标和时间外，还认为五个相关的层数，激光位置以及从激光到采样点的距离可提高预测准确性。结果表明，FFNN可以很好地预测温度演化，在12秒内精度为99％。
原始发表论文的引用（记录版本）：Li, X., Shong, K., Kim, W. et al (2022)。透明细胞 r 候选药物预测
a Bash Biotech Inc，600 est Broadway，Suite 700，圣地亚哥，CA 92101，美国 b 生命科学实验室，KTH-Royal Institute of Technology，斯德哥尔摩 SE-17165，瑞典 c 病理学和肿瘤生物学系，人类生物学高级研究中心（WPI-ASHBi），京都大学，京都 606-8501，日本 d 泌尿外科，东京大学医学院，东京 113-8654，日本 e 血液学和再生医学中心，卡罗琳斯卡医学院，斯德哥尔摩 SE-17177，瑞典 f 医学生物学系，Atat € urk 大学医学院，埃尔祖鲁姆 25240，土耳其 g 宿主-微生物组相互作用中心，牙科、口腔和颅面科学学院，伦敦国王学院，伦敦 SE1 9RT，英国h 哥德堡大学萨尔格伦斯卡大学医院分子与临床医学系，哥德堡 SE- 41345，瑞典 i 查尔姆斯理工大学生物与生物工程系，哥德堡 SE-41296，瑞典 j 生物创新研究所，哥本哈根 N DK-2200，丹麦 k 郑州大学药学院先进药物制备技术教育部重点实验室，郑州 450001，中国
评估指标用于评估糖尿病预测模型的性能
日期：6 06,2024摘要：评估指标在评估糖尿病预测模型的性能中起着至关重要的作用。这些模型旨在根据年龄，体重，家族病史和血糖水平等各种因素来预测个体发展糖尿病的可能性。对这些模型的准确评估对于确保其有效性和可靠性至关重要。本文概述了常用的评估指标，以评估糖尿病预测模型的性能。本文讨论的评估指标包括准确性，灵敏度，特异性，精度，接收器操作特征（ROC）曲线，ROC曲线下的面积（AUC）（AUC），F1分数和Matthews相关系数（MCC）。定义了每个度量标准，并解释了其计算方法，解释和局限性。本文强调了考虑模型的目标和应用以及不同指标之间的权衡的重要性，以选择最合适的评估方法。此外，本文重点介绍了模型评估中的其他考虑因素，例如用于模型概括，偏见和公平评估以及预测校准的交叉验证。这些因素有助于全面的评估过程，并确保糖尿病预测模型的可靠性和公平性。
文章利用计算机靶标预测寻找熟悉天然产物的新分子靶标
1 因斯布鲁克大学药学/生药学研究所、因斯布鲁克分子生物科学中心 (CMBI)，Innrain 80 / 82, 6020 因斯布鲁克，奥地利； F.Mayr@uibk.ac.at (FM)； Veronika.Temml@pmu.ac.at (佛蒙特州)； birgit.waltenberger@uibk.ac.at (BW); Stefan.Schwaiger@uibk.ac.at (SS)； hermann.stuppner@uibk.ac.at (HS) 2 研究单位分子内分泌学和代谢，亥姆霍兹中心慕尼黑，Ingolstädter Landstraße 1, 85764 Neuherberg，德国； gabriele.moeller@helmholtz-muenchen.de（总经理）； adamski@helmholtz-muenchen.de (JA) 3 格赖夫斯瓦尔德大学药学院制药/药物化学系，Friedrich-Ludwig-Jahn-Straße 17, 17489 Greifswald，德国；ulrike.garscha@uni-greifswald.de (UG)；jana.fischer@uni-greifswald.de (JF) 4 伯尔尼大学儿童医院儿科内分泌、糖尿病和代谢科，Freiburgstrasse 15, 3010 Bern，瑞士；patrirodcas@gmail.com (PRC)； amit.pandey@dbmr.unibe.ch (AVP) 5 伯尔尼大学生物医学研究系，Freiburgstrasse 15, 3010 伯尔尼，瑞士 6 巴塞尔大学药学系分子与系统毒理学分部，Klingelbergstrasse 50, 4056 巴塞尔，瑞士；silvia.inderbinen@unibas.ch (SGI)；alex.odermatt@unibas.ch (AO) 7 萨尔州亥姆霍兹药物研究所 (HIPS)，药物设计和优化系，E8.1 校区，66123 萨尔布吕肯，德国； rolf.hartmann@helmholtz-hzi.de 8 萨尔大学，制药和药物化学，E8.1 校区，66123 萨尔布吕肯，德国 9 海德堡大学，药学和分子生物技术研究所 (IPMB)，药物化学，Im Neuenheimer Feld 364，69120 海德堡，德国；christian.gege@web.de 10 埃德蒙马赫基金会 (FEM) 研究与创新中心，Via Mach 1，38010 San Michele all'Adige，意大利；stefan.martens@fmach.it 11 耶拿弗里德里希席勒大学药学研究所制药/药物化学系，Philosophenweg 14，07743 耶拿，德国； oliver.werz@uni-jena.de 12 遗传学实验学校，慕尼黑工业大学，Emil-Erlenmeyer-Forum 5, 85356 Freising-Weihenstephan, 德国 13 新加坡国立大学杨潞龄医学院生物化学系，8 Medical Drive, Singapore 117597，新加坡 14 药学研究所，萨尔茨堡帕拉塞尔苏斯医科大学制药和药物化学系，Strubergasse 21, 5020 Salzburg, Austria 15 药学/药物化学研究所，因斯布鲁克分子生物科学中心 (CMBI)，因斯布鲁克大学，Innrain 80 / 82, 6020 Innsbruck, Austria * 通讯作者：daniela.schuster@pmu.ac.at；电话：+43-699-14420025
VIT-COMER：具有卷积多尺度特征相互作用的视觉变压器，用于密集预测
尽管Vision Transformer（VIT）在计算机视觉方面取得了显着的成功，但由于缺乏内部绘制互动和特征量表的多样性有限，它在密集的预测任务中表现不佳。大多数现有的研究致力于设计视觉特定的变压器来解决上述问题，从而涉及额外的培训前成本。因此，我们提出了一种普通的，无培训的且具有特征增强的vit背骨，并具有指定性的特征性动作，称为Vit-Comer，可促进CNN和Transformer之间的双向相互作用。与现状相比，VIT-COMER具有以下优点：（1）我们将空间金字塔多触发性场卷积特征注入VIT体系结构，从而有效地减轻了VIT中局部信息相互作用和单场表述的有限问题。（2）我们提出了一个简单有效的CNN转换器双向交互模块，该模块在跨层次特征上执行多尺度融合，这对Han-dling密集的预测任务有益。（3）我们评估了在各种密集的预测任务，不同框架和多个高级预训练中VIT-COMER的能力。值得注意的是，我们的VIT-COMER-L在没有额外训练数据的情况下可可Val2017上的AP达到64.3％，而ADE20K Val上的MIOU为62.1％，这两种方法都与最先进的方法相当。我们希望VIT-COMER可以作为密集预测任务的新骨干，以促进未来的研究。该代码将在https：//github.com/traffic-x/vit-comer上发布。
大多数：运动预测的多模式场景象征化
许多现有的运动预测方法都依赖于符号感知输出来生成代理轨迹，例如边界框，路图信息和traf-fight。这种符号表示是现实世界的高级表现，它可能会使运动预测模型容易受到感知错误的影响（例如，在检测开放式录音障碍时失败），而缺少场景中的显着信息（例如，糟糕的道路条件）。另一种范式是从原始传感器中端到端学习。但是，这种方法缺乏解释性，需要大量的培训资源。在这项工作中，我们提出将视觉世界的标记化为一组紧凑的场景元素，然后利用预先训练的图像基础模型和LiDAR神经网络以开放式播音方式进行编码所有场景元素。图像基础模型使我们的场景令牌可以编码开放世界的一般知识，而LiDAR神经网络编码几何信息。我们提出的表示形式可以有效地用几百个令牌编码多帧多模式观察，并且与大多数基于变压器的体系结构兼容。为了评估我们的方法，我们使用了带有凸轮嵌入的Waymo开放运动数据集。通过Waymo开放运动数据集进行的实验表明，我们的方法会导致对最先进的表现的显着改善。