XiaoMi-AI文件搜索系统
World File Search Systemauc
使用机器学习算法来预测地中海地区的森林射击概率
通过分析主要火灾因素来确定森林火灾概率水平，可以为森林经理提供对诸如防火策略，燃油管理，消防安全措施，紧急计划以及消防团队安置等问题做出关键决策的基础。主要影响火灾因素，包括植被因素，地形因素，气候因素以及与某些特征（如道路和住宅区）的邻近性，被认为是产生森林火灾概率图。机器学习（ML）算法已成为预测森林射击概率的有效工具。这项研究旨在通过使用与地理信息系统（GIS）Tech Niques集成的两个常用ML模型（LR）和支持向量机（SVM）来生成森林火灾概率图。这项研究是在位于Türkiye的地中海城市安塔利亚市的Elale Forest Enterprise Enterprise（FEC）实施的。在研究中，影响火灾的因素是树种，冠状，树阶段，坡度，方面以及通往道路的距离。 在模型的训练阶段考虑了从2001年至2021年在FEC中发生的森林大火。 使用曲线（AUC）值的区域（AUC）值验证了火灾概率图的精度。 由于执行ML模型，在地图上进行了47 086点的估计，该估计分为五个火灾概率水平（非常高，高，中，中，低和非常低）。 根据概率图，超过一半的森林在研究区域具有很高/高的火灾概率水平。在研究中，影响火灾的因素是树种，冠状，树阶段，坡度，方面以及通往道路的距离。在模型的训练阶段考虑了从2001年至2021年在FEC中发生的森林大火。使用曲线（AUC）值的区域（AUC）值验证了火灾概率图的精度。由于执行ML模型，在地图上进行了47 086点的估计，该估计分为五个火灾概率水平（非常高，高，中，中，低和非常低）。根据概率图，超过一半的森林在研究区域具有很高/高的火灾概率水平。结果表明，LR模型生成的火概率图的准确性更好（AUC = 0.845），比SVM模型生成的MAP的准确性（AUC = 0.748）。
使用超声心动图放射线特征和机器学习算法
由心肌中的铁沉积引起的抽象心力衰竭是β-丘脑贫血患者死亡率的主要原因。心脏磁共振成像（CMRI）T2*是用于检测心肌铁超负荷的主要筛选技术，但固有地存在一些局限性。在这项研究中，我们的目的是根据从超声心动图图像中提取的放射性特征和机器学习（ML）在具有正常左心室放射率（正常左心室放射率（LVEF）正常的左心室放射率（LVEFF> 55％）中提取的放射性特征（LVE> 55％）的患者，基于放射性图像图像和机器学习（ML）提取的放射性特征（ML）基于放射性图像和机器学习（ML）的放射性特征（LVE> 55％）中的放射性特征（由T2*CMRI检测）分开了β-核铁无症患者与没有心肌铁超负荷的患者。在91例病例中，有44例患有正常LVEF（> 55％）和T2*≤20ms的患者，其中包括对照组，其中47例LVEF> 55％和T2*> 20 ms的患者包括在研究组中。放射线特征。然后，使用了三种特征选择（FS）方法和六个不同的分类器。使用各种指标评估模型，包括ROC曲线（AUC）下的面积，准确性（ACC），灵敏度（SEN）和特异性（SPE）。Maximum relevance-minimum redundancy-eXtreme gradient boosting (MRMR-XGB) (AUC = 0.73, ACC = 0.73, SPE = 0.73, SEN = 0.73), ANOVA-MLP (AUC = 0.69, ACC = 0.69, SPE = 0.56, SEN = 0.83), and recursive feature elimination-K-nearest neighbors (RFE-KNN) (AUC = 0.65，ACC = 0.65，SPE = 0.64，SEN = 0.65）是ED，ES和ED＆ES数据集中的最佳模型。使用超声心动图图像和ML提取的放射线特征，可以预测铁超载引起的心脏问题。
极热对中国湖泊变暖的影响
背景：一种非侵入性子宫内膜癌检测工具，可以准确地有症状的女性进行定义测试，这将改善患者护理。尿液是一种吸引人的生物流体，用于癌症检测，因为它的简单性和易于收集性。这项研究的目的是确定可以区分子宫内膜癌患者与症状对照的基于尿液的蛋白质组学特征。方法：这是一个前瞻性案例 - 对症状的绝经后妇女的控制研究（50个癌症，54例对照）。无效的自我收集的尿液样品进行质谱法处理，并使用所有理论质谱（Swath-MS）的顺序窗口采集进行运行。机器学习技术用于识别重要的歧视性蛋白质，随后使用逻辑回归将其合并在多标记面板中。结果：用于子宫内膜癌症检测的最高歧视性蛋白单独表现出适度的准确性（AUC> 0.70）。但是，结合最歧视性蛋白的算法在AUC> 0.90中表现良好。表现最好的诊断模型是一个10标记的面板，将SPRR1B，CRNN，CALML3，TXN，FABP5，C1RL，MMP9，ECM1，S100A7和CFI结合在一起，并预测子宫内膜癌的AUC为0.92（0.96 - 0.96 - 0.97）。基于尿液的蛋白质特征显示出早期癌症检测的良好精度（AUC 0.92（0.86 - 0.9））。结论：一种患者友好的，基于尿液的测试可以在有症状的女性中提供非侵入性子宫内膜癌检测工具。有必要在较大的独立队列中进行验证。
请求申请：短期讲师
学术时期：2025-2026-2027泛非大学（PAU）招呼您加入其努力，率先率先在整个非洲大陆的高等教育和研究中进步。在非洲联盟委员会（AUC）的指导下，PAU坚定地致力于培养卓越和加强全球对非洲高等教育机构的认可。 在PAU的努力的最前沿，是泛非大学水与能源科学研究所（包括气候变化）（Pauwes）（一家运营研究所，推动这一崇高的任务）。 在AUC和德国合作的坚定支持下，Pauwes在著名的阿尔及利亚特莱姆大学找到了自己的家。 与阿尔及利亚和德国政府合作，Pauwes向研究生提供了无与伦比的邀请，为他们提供了无与伦比的学术指导，无限的研究前景以及在诸如水，能源和气候变化等关键领域的沉浸式动手培训的门户。在非洲联盟委员会（AUC）的指导下，PAU坚定地致力于培养卓越和加强全球对非洲高等教育机构的认可。在PAU的努力的最前沿，是泛非大学水与能源科学研究所（包括气候变化）（Pauwes）（一家运营研究所，推动这一崇高的任务）。在AUC和德国合作的坚定支持下，Pauwes在著名的阿尔及利亚特莱姆大学找到了自己的家。与阿尔及利亚和德国政府合作，Pauwes向研究生提供了无与伦比的邀请，为他们提供了无与伦比的学术指导，无限的研究前景以及在诸如水，能源和气候变化等关键领域的沉浸式动手培训的门户。
对吸入Seralutinib的1阶段的开放标签研究...
AUC INF，从推断到无穷大的时间0的等离子体浓度时间曲线下的面积；从时间0到上次可量化浓度的时间，血浆浓度时间曲线下的AUC T，面积；出价，每天两次； BMPR2，骨形态发生蛋白受体2型； C-KIT，干细胞因子受体； c最大，最大观察到的血浆浓度； CSF1R，菌落刺激因子1受体； CYP，细胞色素P450; DDI，药物相互作用； LS，最小二乘； OATP，有机阴离子运输多肽； PAH，肺动脉高压； PDGF，血小板衍生的生长因子； P-gp，p-糖蛋白； PK，药代动力学； （s）AE，（严重）不利事件
提升欺诈检测：使用...
随着越来越多的人将互联网用于电子商务和其他金融交易，在线犯罪的数量无疑增加了。已经创建了机器学习算法来检测在线购买中的付款欺诈以解决该问题。这项研究对不同的元启发式优化方法进行了彻底的比较检查。这些是粒子群优化（PSO）和遗传算法（GA）。它们用于优化三个机器学习算法的曲线（AUC）下的接收器操作特性（ROC）区域，即X级升级，随机森林分类器和轻梯度增强机。由于研究的数据是不平衡的，因此确定的指标为ROC AUC。PSO为找到最佳解决方案提供了一致的条件。根据我们的实验，PSO在不包含种群歼灭策略的情况下，可以在不同的情况下取得最大的结果，这些情况与GA不同，这是找到最佳解决方案的一致条件。如果不包括人口歼灭策略，PSO可以在各种情况下取得最大的成果。调查结果表明，随机森林分类器在高参数调谐过程之前和之后提供了最高的ROC AUC值，使用PSO时得分为88.69％。
npj |数字医学
肿瘤内异质性对复发性胶质母细胞瘤的诊断和治疗构成了重大挑战。本研究涉及对每个患者整个病变中组织病理学改变的异质景观的非侵入性方法的需求。我们开发了一种生物知识的神经网络Bionet，以预测两个主要组织基因模块的区域分布：增殖肿瘤（Pro）和反应性/炎症细胞（INF）。Bionet显着胜过现有方法（P <2E-26）。在交叉验证中，Bionet的AUC为0.80（Pro）和0.81（INF），精度分别为80％和75％。在盲试验中，Bionet的AUC为0.80（Pro）和0.76（INF），精度为81％和74％。竞争方法的AUC较低或0.6左右，精度较低或约70％。Bionet的体素级预测图显示了肿瘤内异质性，有可能改善靶向活检和治疗评估。这种非侵入性方法促进了定期监测和及时的治疗调整，突出了ML在精确医学中的作用。
机器学习的集成和相互作用和...
尽管化学疗法是卵巢癌（OCA）患者的一线治疗，但化学疗法（CR）降低了其无进展的生存率。本文研究了与OCA-CR相关的遗传相互作用（GI）。为了降低建立基因网络的复杂性，使用梯度提升决策树算法确定了与OCA-CR相关的单个签名基因。另外，提出了遗传相互作用系数（GIC）来定量测量两个签名基因的相关性，并解释其对OCA-CR的关节影响。具有高GIC的基因对被识别为签名对。选择了包括10个单个特征基因的24个签名基因对，并探索了签名基因对的影响OCA-CR。最后，确定了基于签名基因对的OCA-CR的预测。曲线下的面积（AUC）是用于机器学习预测的广泛使用的性能指标。签名基因对的AUC达到0.9658，而基于单个特征基因的预测的AUC仅为0.6823。已确定的签名基因对不仅建立了OCA-CR的有效GI网络，而且还为OCA-CR预测提供了有趣的方法。此改进表明我们提出的方法是研究与OCA-CR相关的GI的有用工具。
利用人工智能在 CT 中自动诊断胆脂瘤和乳突腔扩展
尽管对于 AI 研究来说病例数非常少，但我们能够创建一个仅使用轴向 CT 扫描的 AI，其 AUC 为 0.837，准确度为 0.811。