XiaoMi-AI文件搜索系统
World File Search SystemRQS
脑转移的放射学研究质量
目的：我们的研究旨在根据放射线质量评分（RQS）评估脑转移的放射组学研究质量，对个体预后或诊断列表的多变量预测模型的透明报告以及图像生物标准标准化启动（IBSI）指南。材料和方法：PubMed Medline和Embase搜索有关评估脑转移酶的放射线学的文章，直到2021年2月。，其中包括29篇相关的原始研究文章。结果：仅在三项研究（10.3％）中进行外部验证。中间RQS为3.0（范围为-6至12），较低的基本依从率为50.0％。与“黄金标准”（10.3％）相比，依从率较低，表明潜在的临床效用（10.3％），进行截止分析（3.4％），报告校准统计数据（6.9％），并提供开放的科学和数据（3.4％）。没有研究涉及重测或幻影研究，前瞻性研究或成本效益分析。对三脚架清单的依从性总体效率为60.3％，报告标题（3.4％），结果的盲评估（0％），丢失数据的处理（0％）的描述以及完整的预测模型的介绍（0％）。大多数研究都缺乏预处理步骤，具有偏置场校正，异诺夫氧乙烯重采样，头骨剥离和灰度离散化，仅在六个（20.7％），9（31.0％），四个（3.8％）和四项（3.8％）和四项（13.8％）研究中进行。结论：研究期间发表的关于脑转移的放射组学研究的总体科学和报告质量不足。放射素学研究应遵守RQS，Tripod和IBSI指南，以促进放射素学向临床领域的转化。关键字：机器学习；脑转移；质量改善；放射学；放射线质量评分
如何进行社会混合方法研究
●在社区活动中自愿参加（例如，文化节日活动，足球比赛，亲和力小组会议●向社区组织进行技能建设谈判/研讨会●代表组织参与倡导工作●在整个研究过程中包括利益相关者（例如，在整个研究过程中包括利益相关者）
软件工程的大型语言模型
大型语言模型（LLM）严重影响了许多域，包括软件工程（SE）。许多最近的出版物探索了适用于各种SE任务的LLMS。尽管如此，对LLMS在SE上的应用，效果和可能的局限性的全面理解仍处于早期阶段。为了弥合这一差距，我们对LLM4SE进行了系统的文献综述（SLR），特别着眼于了解如何利用LLM来利用LLM来优化过程和结果。我们从2017年1月至2024年1月选择并分析了395篇研究论文，以回答四个关键的研究问题（RQS）。在RQ1中，我们对已在SE任务中使用的不同LLM进行了分类，从而表征其独特的功能和用途。在RQ2中，我们分析了数据收集，预处理和应用中使用的方法，突出了良好策划数据集用于成功LLM进行SE实现的作用。RQ3研究了用于优化和评估SE中LLMS性能的策略。 最后，RQ4研究了LLM迄今为止成功的特定SE任务，以说明其对现场的实际贡献。 从这些RQ的答案中，我们讨论了当前的最新和趋势，确定现有研究中的差距，并为未来的研究标记有希望的领域。 我们的文物可在https://github.com/xinyi-hou/llm4se_slr上公开获得。RQ3研究了用于优化和评估SE中LLMS性能的策略。最后，RQ4研究了LLM迄今为止成功的特定SE任务，以说明其对现场的实际贡献。从这些RQ的答案中，我们讨论了当前的最新和趋势，确定现有研究中的差距，并为未来的研究标记有希望的领域。我们的文物可在https://github.com/xinyi-hou/llm4se_slr上公开获得。
人工智能与放射组学
摘要 免疫疗法具有持久临床益处的潜力，但也对目前构成影像引导治疗基础的肿瘤大小与结果之间的关联提出了质疑。人工智能 (AI) 和放射组学允许在医学图像中发现新的模式，从而可以提高放射学在癌症患者管理中的作用，尽管文献中的方法问题限制了其临床应用。我们使用与免疫疗法和放射组学相关的关键词，对 MEDLINE、CENTRAL 和 Embase 从数据库建立到 2022 年 2 月的文献进行了综述。我们删除了所有重复、非英语报告、摘要、评论、社论、观点、病例报告、书籍章节和不相关的研究。从剩余的文章中提取了以下信息：出版信息、样本量、原发性肿瘤部位、成像方式、主要和次要研究目标、数据收集策略（回顾性与前瞻性、单中心与多中心）、放射组学签名验证策略、签名性能以及计算放射组学质量评分 (RQS) 的指标。我们确定了 351 项研究，其中 87 项是与我们的研究问题相关的独特报告。队列规模的中位数（IQR）为 101（57-180）。放射组学模型开发的主要目标是预测（n=29，33.3%）、治疗反应预测（n=24，27.6%）以及肿瘤表型（n=14，16.1%）或免疫环境（n=13，14.9%）的表征。大多数研究都是回顾性的（n=75，86.2%）并从单个中心招募患者（n=57，65.5%）。对于具有模型测试可用信息的研究，大多数（n=54，65.9%）使用了验证集或更好的验证集。与免疫环境和总体预后相比，预测治疗反应或肿瘤表型的放射组学特征的性能指标通常最高。在可能的最高分 36 分中，RQS 的中位数 (IQR) 为 12 (10–16)。虽然越来越多的有希望的结果证明了人工智能和放射组学可以推动针对广泛适应症的精准医疗方法，但在将这些结果转化为临床实践之前，必须标准化数据收集以及优化方法质量和严谨性。
用于软件工程的生成人工智能
背景 生成式人工智能 (GenAI) 工具在软件开发中越来越普遍，为各种管理和技术项目活动提供帮助。这些工具的著名示例包括 OpenAI 的 ChatGPT、GitHub Copilot 和 Amazon CodeWhisperer。目标。尽管许多最近的出版物已经探索和评估了 GenAI 的应用，但对当前的发展、应用、局限性和开放挑战的全面了解对许多人来说仍然不清楚。特别是，我们没有 GenAI 技术在实际软件工程使用场景中的现状的整体情况。方法。我们进行了为期五个月的文献综述和焦点小组讨论，以制定有关软件工程 GenAI 的研究议程。结果。我们在软件工程的 11 个领域确定了 78 个开放研究问题 (RQ)。我们的结果表明，有可能探索在部分自动化中采用 GenAI 并支持所有决策
现代网络防御中的异常行为检测...
表 1 相关主要出版物的研究目标章节和研究问题的映射 ...................................................................................................................................... 20 表 2 主要研究按类型分布。期刊——J 或会议——C 和出版年份。. 62 表 3 主要研究的关键词分析。...................................................................................................... 63 表 4 重点关注网络弹性方面（按设计）的主要研究。............................................................. 70 表 5 按参考模型层对主要研究进行分类。............................................................................. 73 表 6 按对手威胁类型对主要研究进行分类 ............................................................................................. 76 表 7 DFIR 关键阶段对主要研究进行分类。 ................................................................ 77 表 8 算法 1：SPEAR 框架特征提取算法 .......................................................................... 108 表 9 算法 2：SPEAR 框架数据清洗与特征约简 ................................................................ 109 表 10 算法 3：SPEAR 框架的特征工程 ...................................................................... 110 表 11 KPSS 测试输出平稳性测试 – 正态数据集 ...................................................................... 111 表 12 算法 4：监督学习集成超级学习器