XiaoMi-AI文件搜索系统
World File Search SystemRoC
GE 791 事件调查报告
依据中华民国民航法第84条及国际民用航空组织（ICAO）所制定的《国际民用航空公约》（芝加哥公约）附件13的规定，中华民国政府负责民航事故及严重事故征候调查的独立机构航空安全委员会（ASC），立即组织调查小组，参与调查本起事故，调查小组成员包括中华民航局及华航局。依据ICAO附件13的规定，制造国民用航空安全调查分析局（BEA）受邀担任本起事故调查的授权代表（AR），调查小组成员包括ATR-72制造国区域运输航空公司（AVIONS DE TRANSPORT REGIONAL）的成员。
Graphsynergy：网络启发的反癌药物组合预测的深度学习模型
图2。鉴于药物CombDB数据集上的不同药物，细胞系和组织的预测性能。 A. 药物和细胞系的预测性能的分布。 x轴表示ROC -AUC的值。 y轴表示相应的ROC -AUC值的频率。 B. 及其相应的ROC-AUC值的药物和细胞系相关蛋白质的数量分布。 C.药物和细胞系的平均蛋白质平均程度及其相应的ROC-AUC值的分布。 在B.和C.中，这些线是带有灰色阴影的插入线，表示拟合误差。 D.所有细胞系的ROC-AUC值的组织特异性分布。鉴于药物CombDB数据集上的不同药物，细胞系和组织的预测性能。A.药物和细胞系的预测性能的分布。x轴表示ROC -AUC的值。y轴表示相应的ROC -AUC值的频率。B.及其相应的ROC-AUC值的药物和细胞系相关蛋白质的数量分布。C.药物和细胞系的平均蛋白质平均程度及其相应的ROC-AUC值的分布。在B.和C.中，这些线是带有灰色阴影的插入线，表示拟合误差。D.所有细胞系的ROC-AUC值的组织特异性分布。
应用于磁共振成像 (MRI) 的综合机器学习模型可预测老年人的阿尔茨海默病 (AD)
摘要：越来越多的证据表明，磁共振成像 (MRI) 是诊断阿尔茨海默病 (AD) 和预测这种神经退行性疾病发病的重要技术。在本研究中，我们提出了一个精确度极高的复杂机器学习 (ML) 模型来诊断早期 AD。我们共检查并分析了 150 名受试者 (年龄 ≥ 60 岁) 的 373 项 MRI 测试，同时分析了与标准 AD 诊断相关的 14 个不同特征。我们使用了四种 ML 模型（例如朴素贝叶斯 (NB)、人工神经网络 (ANN)、K 最近邻 (KNN) 和支持向量机 (SVM)）和接收者操作特性 (ROC) 曲线度量来验证模型性能。每个模型评估都在三个独立实验中进行。在第一个实验中，使用手动特征选择进行模型训练，ANN 的 ROC 准确度最高 (0.812)。在第二个实验中，通过包装方法进行自动特征选择，NB 实现了最高的 ROC 0.942。最后一个实验包括将四个模型结合起来开发的集成或混合建模。这种方法提高了 ROC 的准确度，为 0.991。我们得出结论，集成建模的参与，加上选择性特征，可以更准确地预测早期 AD 的发展。
基于尿液系统泛 - 伴侣中与库相关的LNCRNA的预后和免疫疗法的构建和预测预测
单变量和多元COX回归分析。我们确定年龄，性别，T阶段和风险评分是独立的预后因素（图6a-b）。接下来，产生了包含风险评级和独立预后因素的列诺图，以预测1、3和5年的OS发生率（图。6C）。 红线指示了20名患者和NOMO分数以及1、3和5年OS发病率的信息。 NOMO在低风险组中的得分低于高风险组（图 6d）。 风险评分的AUC是所有因素中最大的。 进行一致性指数和ROC分析，以预测风险评分在预测泌尿系统患者预后时的唯一性和敏感性。 风险评分的一致性指数和ROC曲线下的面积（AUC）是风险评分的最高（图） 6e-f）。6C）。红线指示了20名患者和NOMO分数以及1、3和5年OS发病率的信息。NOMO在低风险组中的得分低于高风险组（图6d）。风险评分的AUC是所有因素中最大的。一致性指数和ROC分析，以预测风险评分在预测泌尿系统患者预后时的唯一性和敏感性。风险评分的一致性指数和ROC曲线下的面积（AUC）是风险评分的最高（图6e-f）。
基于索赔的机器学习算法预测ECOG性能状态（ECOG）
图3a。Precision-Recall曲线，最佳F2分数为0.128的最佳阈值，灵敏度= 0.73，特异性= 0.59;图3b。ROC曲线，最佳阈值在0.157处为最大F1分数，灵敏度= 0.62，特异性= 0.72;图3C，D。乳腺癌，结直肠癌和NSCLC的精确曲线曲线和ROC曲线。NSCLC的性能最佳，这可能是由于其样本量与其他癌症类型相比大。基于F2分数的最佳截止点范围为0.06至0.14
软件安全框架
安全 SLC 评估涉及全面的测试和评估活动，评估员将从中为每个控制目标及其相关的测试要求生成详细的工作文件。这些工作文件包含评估活动的全面记录，包括观察、配置、流程信息、访谈笔记、文档摘录、参考、屏幕截图以及评估期间收集的其他证据。安全 SLC 合规报告 (ROC) 实际上是从评估员的工作文件中得出的证据摘要，用于描述评估员如何执行验证活动以及如何得出和证明结果。从高层次上讲，安全 SLC ROC 提供了在安全 SLC 评估期间执行的测试活动和收集的信息的全面摘要。安全 SLC ROC 中包含的信息必须提供足够的细节和覆盖范围，以支持评估员的观点，即安全 SLC 合格软件供应商已满足 PCI 安全 SLC 标准中的所有控制目标。
软件安全框架
安全 SLC 评估涉及全面的测试和评估活动，评估员将根据这些活动为每个控制目标及其相关测试要求生成详细的工作文件。这些工作文件包含评估活动的全面记录，包括观察、配置、流程信息、访谈笔记、文档摘录、参考资料、屏幕截图以及评估期间收集的其他证据。安全 SLC 合规报告 (ROC) 实际上是从评估员的工作文件中得出的证据的摘要，用于描述评估员如何执行验证活动以及如何得出和证明结果。从高层次上讲，安全 SLC ROC 提供了在安全 SLC 评估期间执行的测试活动和收集的信息的全面摘要。安全 SLC ROC 中包含的信息必须提供足够的细节和覆盖范围，以支持评估员的观点，即安全 SLC 合格软件供应商已满足 PCI 安全 SLC 标准中的所有控制目标。
关于TDP1抑制剂的案例研究摘要INT
本文提出了一种计算方法，该方法可以根据其对给定案例研究的重要性生成IUPAC宣传的官能团的降序。因此，可以从从中成功启动药物发现的功能组列表。使用针对TDP1抑制剂的Pubchem生物测定法证明了适用于任何具有足够数据的研究案例的方法。Scikit学习了对随机森林分类器（RFC）算法的解释。机器学习（ML）型号RFC获得了70.9％的精度，73.1％的精度，66.1％的召回率，69.4％F1和70.8％的接收器操作特征（ROC）。除了主要研究外，还开发了CID_SID ML模型，该模型仅使用PubChem化合物和物质标识符（CID和SIDS）数据，可以以85.2％的精度预测，94.2％精度为94.2％，75％精度，F1的F1，83.5％F1和85.2％ROC的F1和85.2％ROC是否具有化合物是否具有化合物。
Microsoft Word - 硕士论文Revised-2015-06-11-WL-SD.docx
SOP ROC ARE Perio-project - 荧光检测牙菌斑和牙龈炎症 - 一项临床试点研究
标题：在澳大利亚人口经皮冠状动脉干预后预测30天死亡率的机器学习方法
该研究表明，RF模型在预测30天死亡率方面的表现优于其他ML模型，其准确性为98.4％，ROC为94.3％。利用Shapley添加说明方法，RF模型确定了心源性休克，射血分数，急性冠状动脉综合征，估计的GFR，心脏骤停，年龄，机械心室支持，复杂病变，病变，病变位置，BMI，性别，性别和糖尿病是与30-Day Adday Adday Mortatity Post Perpci相关的变量。相比之下，传统的LR模型的准确性为98.2％，ROC的精度为92.9％。