XiaoMi-AI文件搜索系统
World File Search SystemPrediction
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
使用机器学习的心脏病预测系统
我还感谢达卡Diit讲师Mizanur Rahman为我们提供了成功完成该项目的设施。我还对达卡（Dhaka）的DIIT讲师，讲师为我们提供了成功完成该项目的设施。我也表示感谢Mushfiqur Rahman，Dhaka Diit讲师，为我们提供了成功完成该项目的设施。
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。
人工智能驱动的预测模型和...
1 弗莱堡大学医学中心骨科和创伤外科系，弗莱堡大学医学院，弗莱堡 79108，德国；sara.uelkuemen@hotmail.de（S.Ü.）；pm.obid@gmail.com（PO）；gernotmichaellang@gmail.com（GML）2 洛雷托医院脊柱外科系，弗莱堡 79100，德国；frank.hassel@rkk-klinikum.de（FH）；alisia.zink@gmail.com（AZ）3 帕拉塞尔苏斯医科大学实验神经再生研究所、脊髓损伤和组织再生中心萨尔茨堡（SCI-TReCS），奥地利 5020 萨尔茨堡； s.couillard-despres@pmu.ac.at 4 海德堡大学医院口腔颌面外科系，69120 海德堡，德国；veronika.shavlokhova@med.uni-heidelberg.de 5 奥地利组织再生集群，1200 维也纳，奥地利 6 医学情报与信息学，慕尼黑工业大学医学院 Rechts der Isar 医学中心，81675 慕尼黑，德国；martin.boeker@tum.de * 通信地址：babak.saravi@jupiter.uni-freiburg.de
使用高斯进程回归机器学习模型的Flyrock投掷预测
I.引言Flyrock是爆炸启动时远离采矿区的岩石质量。通常考虑的第一个参数是：负担，爆炸孔直径，深度，粉末因子间距，茎，爆炸性材料类型和sub-drill在Flyrock预测期间是可控参数。此外，爆炸工程师无法影响的岩石性能是无法控制的参数，例如压缩间距和岩石的拉伸强度。因此，爆炸工程师必须更改第一个参数，以最大程度地减少flyrock掷距离。设计了各种经验方程，以设想由爆破操作[1]，[2]产生的fly架。经验模型是根据flyrock上的几个现场实验的有效参数开发的，即孔直径，爆炸性，茎，负担的密度，弹出材料，粉末因子和孔长度的初始发射速度。因此，这些经验方程的性能预测能力在许多情况下不是很有效[2]，[3]。
AI驱动的慢性肾脏病预测
4 md.devendran@gmail.com摘要：慢性肾脏病（CKD）是一个重大的全球健康问题，通常导致肾脏衰竭，需要昂贵的医疗治疗，例如透析或移植。早期检测CKD对于及时干预和改善患者预后至关重要。 该项目旨在开发基于机器学习的预测模型，以便在早期诊断CKD。 通过利用一系列临床特征，例如年龄，血压，血糖和其他相关的生物标志物，我们采用机器学习算法，包括决策树，随机森林和支持向量机（SVM），以预测患者开发CKD的患者的可能性。 本研究中使用的数据集包括具有各种肾脏状况的患者的病历，并应用了诸如归一化和缺失数据处理的预处理技术以确保模型的鲁棒性。 使用诸如准确性，精度，召回和F1得分等指标评估模型的性能，以确保可靠的预测。 这种方法不仅旨在提高诊断准确性，而且还提供了一个数据驱动的解决方案，以帮助医疗保健专业人员做出明智的决策。 该项目的结果可以有助于更好地管理CKD，最终有助于减轻医疗保健系统的负担并改善患者护理。早期检测CKD对于及时干预和改善患者预后至关重要。该项目旨在开发基于机器学习的预测模型，以便在早期诊断CKD。通过利用一系列临床特征，例如年龄，血压，血糖和其他相关的生物标志物，我们采用机器学习算法，包括决策树，随机森林和支持向量机（SVM），以预测患者开发CKD的患者的可能性。本研究中使用的数据集包括具有各种肾脏状况的患者的病历，并应用了诸如归一化和缺失数据处理的预处理技术以确保模型的鲁棒性。使用诸如准确性，精度，召回和F1得分等指标评估模型的性能，以确保可靠的预测。这种方法不仅旨在提高诊断准确性，而且还提供了一个数据驱动的解决方案，以帮助医疗保健专业人员做出明智的决策。该项目的结果可以有助于更好地管理CKD，最终有助于减轻医疗保健系统的负担并改善患者护理。
可解释的脑时代预测的原型学习
缺乏深度学习模型的解释性限制了在临床实践中采用此类模型。基于原型的模型可以提供固有的可解释预测，但是这些预测主要是为分类任务而设计的，尽管医学想象中有许多重要的任务是连续的回归问题。因此，在这项工作中，我们介绍了专家：专门为回归任务设计的可解释原型模型。使用原型标签的加权平均值，我们提出的模型从分离到潜在空间中的一组学习原型的样本预测。潜在空间中的距离正规化为相对于标签差异，并且可以将每个原型视为训练集中的样本。图像级距离是从斑块级距离构建的，其中两个图像的贴片使用最佳传输在结构上匹配。因此，这提供了一个基于示例的解释，并在推理时间提供了补丁级的细节。我们演示了我们提出的两个成像数据集上的脑年龄预测模型：成人MR和胎儿超声。我们的方法实现了最先进的预测性能，同时洞悉模型的推理过程。