XiaoMi-AI文件搜索系统
World File Search SystemWiML
人工智能的多样性 - 人工智能指数
本章介绍了人工智能劳动力和学术界的多样性统计数据。它借鉴了与各种组织的合作——特别是机器学习中的女性 (WiML)、人工智能中的黑人 (BAI) 和人工智能中的酷儿 (QAI)——每个组织都旨在提高该领域某个维度的多样性。数据既不全面也不具有决定性。在准备本章时，由于公开的人口统计数据稀缺，AI Index 团队遇到了重大挑战。缺乏公开的人口统计数据限制了统计分析评估人工智能劳动力缺乏多样性对社会以及更广泛的技术发展的影响的程度。人工智能中的多样性问题众所周知，从学术界和工业界获取更多数据对于衡量问题的规模和解决问题至关重要。
Hadeel Al-Negheimish - 计算机系
ACL、IJCLR 的社区审阅者 – 2022 年至今 NeurIPS 穆斯林机器学习研讨会参与组织者 – 2023 年 12 月 ICLP 2023 的学生志愿者 – 2023 年 7 月 NeurIPS 2019 的学生志愿者 – 2019 年 12 月 WiML 2019 的学生志愿者 – 2019 年 12 月 RE-WORK 深度学习峰会的学生志愿者 – 2019 年 9 月 波多黎各州立大学女性数据科学活动导师 – 2017 年 12 月 伦敦帝国理工学院女子工程暑期学校计算大使 – 2015 年 7 月 志愿在谷歌 CS4HS 研讨会上任教，堪萨斯州立大学 – 2012 年 6 月 创立并领导了第一届年度 IT 项目博览会，堪萨斯州立大学 – 2012 年 5 月
工作流集成的脑肿瘤分割系统...
人工智能 (AI) 在医学成像任务中取得了巨大成果，并有可能在未来改善临床医生和患者的体验，但在将 AI 融入医学的道路上，存在许多实际、技术和社会挑战。在本文中，我们为 Helse Vest 的 AI 集成开发做出了贡献，并提出了一种与其现有研究 PACS 解决方案集成的脑肿瘤分割系统。我们调查了目前机器学习模型集成的可能性程度，以及是否需要额外的软件开发工作。所使用的机器学习模型是使用结合两个基于 Python 的深度学习库 fastai 和 MONAI 的库开发的。该库目前由 Mohn 医学成像和可视化中心 (MMIV) 的研究人员开发，我们将它与另一个最先进的框架进行比较，以量化其潜在的实用性。此外，我们将其部署在一个简单的交互式 Web 应用程序中。本论文包含三项研究，旨在讨论和回答我们的研究目标。所有研究均使用了 BraTS 2021 分割挑战赛数据集中的医疗数据，我们的项目是 MMIV 的 WIML 项目 [1] 的一部分。我们取得的成果为未来的开发人员在研究 PACS 中继续进行工作流集成机器学习开辟了道路，我们看到了未来研究的许多可能方向。